KR20210039878A - 서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거 - Google Patents

서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거 Download PDF

Info

Publication number
KR20210039878A
KR20210039878A KR1020190122667A KR20190122667A KR20210039878A KR 20210039878 A KR20210039878 A KR 20210039878A KR 1020190122667 A KR1020190122667 A KR 1020190122667A KR 20190122667 A KR20190122667 A KR 20190122667A KR 20210039878 A KR20210039878 A KR 20210039878A
Authority
KR
South Korea
Prior art keywords
vertical line
information
image forming
forming apparatus
severity
Prior art date
Application number
KR1020190122667A
Other languages
English (en)
Inventor
송수한
옥형수
공정탁
Original Assignee
휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. filed Critical 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피.
Priority to KR1020190122667A priority Critical patent/KR20210039878A/ko
Priority to EP20872792.5A priority patent/EP3928502A4/en
Priority to US17/604,953 priority patent/US20220182511A1/en
Priority to PCT/US2020/033716 priority patent/WO2021066884A1/en
Publication of KR20210039878A publication Critical patent/KR20210039878A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/40—Picture signal circuits
    • H04N1/409—Edge or detail enhancement; Noise or error suppression
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/40—Picture signal circuits
    • H04N1/409—Edge or detail enhancement; Noise or error suppression
    • H04N1/4097—Removing errors due external factors, e.g. dust, scratches
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00026—Methods therefor
    • H04N1/00029—Diagnosis, i.e. identifying a problem by comparison with a normal state
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/04—Scanning arrangements, i.e. arrangements for the displacement of active reading or reproducing elements relative to the original or reproducing medium, or vice versa
    • H04N1/047—Detection, control or error compensation of scanning velocity or position
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00007—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for relating to particular apparatus or devices
    • H04N1/00018—Scanning arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00071—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for characterised by the action taken
    • H04N1/00074—Indicating or reporting
    • H04N1/00076—Indicating or reporting locally
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00071—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for characterised by the action taken
    • H04N1/00074—Indicating or reporting
    • H04N1/00079—Indicating or reporting remotely
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00127—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture
    • H04N1/00204—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture with a digital computer or a digital computer system, e.g. an internet server
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N2201/00—Indexing scheme relating to scanning, transmission or reproduction of documents or the like, and to details thereof
    • H04N2201/0077—Types of the still picture apparatus
    • H04N2201/0081—Image reader

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Facsimiles In General (AREA)

Abstract

본 개시는, 화상 형성 장치의 스캔 작업으로 생성된 스캔 이미지에서 검출된, 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 획득하는 단계; 상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측하는 단계; 및 상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 상기 화상 형성 장치 또는 상기 화상 형성 장치를 관리하는 관리 장치로 전송하는 단계를 포함하는, 서버의 동작 방법이 개시된다.

Description

서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거{REMOVE VERTICAL STREAK IN SCANNED IMAGES BASED ON SERVER}
화상 형성 장치의 스캔 장치 내의 스캔 글래스 또는 스캔 장치 내의 커버의 상태에 따라 스캔 이미지의 품질이 결정될 수 있다. 스캔 장치 내의 스캔 글래스 또는 스캔 장치 내의 커버에 이물질 또는 먼지가 안착된 경우, 스캔 작업으로 인해 생성된 스캔 이미지에는 세로줄이 포함될 수 있다. 세로줄 현상은, 낮은 온도 환경 또는 건조한 환경에서 자주 발생될 수 있다.
본 개시는, 다음의 자세한 설명과 그에 수반되는 도면들의 결합으로 쉽게 이해될 수 있으며, 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미한다.
도 1은 일실시예에 따라, 스캔 작업으로 발생된 세로줄을 제거하기 위해, 화상 형성 장치 및 서버의 동작을 설명하기 위한 개념도이다.
도 2는 일실시예에 따라, 서버의 동작 방법을 나타낸 흐름도이다.
도 3은 일실시예에 따라, 화상 형성 장치에서 세로줄 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 4는 일실시예에 따라, 세로줄의 심각도의 진단 또는 세로줄의 발생의 예측에 이용되는 인공 신경망을 개략적으로 도시한 도면이다.
도 5는 일실시예에 따라, 세로줄의 심각도를 진단하는 학습 모델에 기초하여, 세로줄의 심각도를 진단하는 서버의 동작을 설명하기 위한 도면이다.
도 6은 일실시예에 따라, 세로줄의 심각도에 따라 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정하는 서버의 동작을 설명하기 위한 도면이다.
도 7은 일실시예에 따라, 세로줄의 심각도를 진단한 결과에 기초하여, 세로줄 제거를 위한 가이드 정보를 표시하는 화상 형성 장치의 동작을 설명하기 위한 도면이다.
도 8은 일실시예에 따라, 세로줄의 발생을 예측하는 학습 모델에 기초하여, 세로줄의 발생을 예측하는 서버의 동작을 설명하기 위한 도면이다.
도 9는 일실시예에 따라, 세로줄의 발생을 예측한 결과에 기초하여, 세로줄의 발생을 예방하기 위한 가이드 정보를 표시하는 화상 형성 장치의 동작을 설명하기 위한 도면이다.
도 10a 내지 도 10c는 일실시예에 따라, 세로줄 후보 픽셀을 검출하는 방법을 설명하기 위한 도면이다.
도 11은 일실시예에 따라, 세로줄 후보 픽셀의 정보에 기초하여, 세로줄을 검출하는 방법을 설명하기 위한 도면이다.
도 12는 일실시예에 따라, 스캔 작업에서 발생된 세로줄을 제거하기 위한 화상 형성 장치, 서버, 관리 장치 간의 동작을 설명하기 위한 도면이다.
도 13은 일실시예에 따라, 스캔 작업에서 세로줄의 발생을 예방하기 위한 화상 형성 장치, 서버의 동작을 설명하기 위한 도면이다.
도 14는 일실시예에 따른 서버의 구성을 도시한 블록도이다.
도 15는 일실시예에 따른 화상 형성 장치의 구성을 도시한 블록도이다.
"화상 형성 장치"란 프린터(printer), 스캐너(scanner), 팩스기(fax machine), 복합기(multi-function printer, MFP) 또는 디스플레이 장치 등과 같이 화상 형성 작업을 수행할 수 있는 모든 종류의 장치일 수 있다. 또한, "인쇄 데이터"란 프린터에서 인쇄 가능한 포맷으로 변환된 데이터일 수 있다. 또한, "스캔 파일"이란 스캐너에서 화상을 스캔하여 생성한 파일일 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1은 일실시예에 따라, 스캔 작업으로 발생된 세로줄을 제거하기 위해, 화상 형성 장치 및 서버의 동작을 설명하기 위한 개념도이다.
화상 형성 장치(10)의 동작 110에서, 화상 형성 장치(10)는 스캔 작업에 따라 생성된 스캔 이미지에서 세로줄 현상을 검출할 수 있다. 세로줄 현상은, 이미지(111)에 도시된 바와 같이, 스캔 환경에 의해 발생되는 먼지 등으로 인하여 스캔 이미지(111)에 검은색 또는 흰색의 세로줄(vertical streak)이 포함되는 현상이다. 화상 형성 장치(10)는 스캔 이미지에서 검출된 세로줄에 대한 세로줄 정보를 획득하고, 서버(20)로 세로줄 정보를 전송할 수 있다.
서버(20)의 동작 120에서, 서버(20)는 세로줄 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다. 세로줄의 심각도는 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정하는 데에 기준이 될 수 있다.
서버(20)의 동작 130에서, 서버(20)는 세로줄의 심각도에 기초하여, 세로줄을 제거하는 민감도를 조절하는 제어 파라미터를 결정할 수 있다. 예를 들면, 세로줄의 심각도가 기준 심각도 보다 높으면, 서버(20)는 제어 파라미터의 값을 상향 조정할 수 있다. 서버(20)의 동작 140에서, 서버(20)는 화상 형성 장치(10)의 세로줄 모니터링에 기초하여, 세로줄 제거 또는 세로줄 예방에 대한 가이드 정보를 생성할 수 있다. 서버(20)는 가이드 정보를 화상 형성 장치(10)로 전송할 수 있다.
화상 형성 장치(10)의 동작 150에서, 화상 형성 장치(10)는 서버(20)에서 수신된 가이드 정보에 기초하여, 세로줄을 제거하는 민감도를 조정할 수 있다. 화상 형성 장치(10)의 동작 160에서, 화상 형성 장치(10)는 조정된 세로줄을 제거하는 민감도에 따라 스캔 작업을 수행할 수 있다. 화상 형성 장치(10)는 이미지(161)에 도시된 바와 같이, 세로줄 현상이 완화된 스캔 이미지를 획득할 수 있다.
도 2는 일실시예에 따라, 서버의 동작 방법을 나타낸 흐름도이다.
서버(20)의 동작 210에서, 서버(20)는 화상 형성 장치(10)의 스캔 작업으로 생성된 스캔 이미지에서 검출된, 적어도 하나의 세로줄 정보에 대한 세로줄 정보 및 스캔 환경 정보를 획득할 수 있다.
예를 들면, 세로줄 정보는 스캔 작업으로 생성된 각 스캔 이미지로부터 검출된 세로줄의 위치, 두께, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다. 예를 들면, 세로줄은, 복수의 스캔 이미지들에서 검출된 세로줄 후보 픽셀에 대한 세로줄 후보 정보가 누적된 정보에 기초하여 검출될 수 있다. 세로줄을 검출하는 방법은 도 3 및 도 11에서 설명한다. 검출된 세로줄의 정보는 세로줄 서브 정보로 획득될 수 있고, 복수의 세로줄 서브 정보가 누적된 결과에 기초하여 세로줄 정보가 획득될 수 있다. 예를 들면, 20 페이지의 스캔 이미지로부터 검출된 세로줄에 대한 세로줄 서브 정보가 획득될 수 있고, 10개의 세로줄 서브 정보가 누적되어 세로줄 정보가 획득될 수 있다. 즉, 소정 세로줄 정보는 200 페이지가 스캔된 스캔 이미지들에서 검출된 세로줄의 정보일 수 있다.
세로줄 정보에는, 누적된 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보가 포함될 수 있다. 또한, 세로줄의 불량 레벨은, 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무 중 적어도 하나에 기초하여 결정될 수 있다.
예를 들면, 스캔 환경 정보는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 소정 스캔 작업의 스캔 형식, 스캔 매수 중 적어도 하나의 정보일 수 있다.
한편, 화상 형성 장치(10)에서 세로줄 정보가 획득되는 경우, 서버(20)는 화상 형성 장치(10)로 주기적으로 세로줄 정보를 요청할 수 있다. 서버(20)는 화상 형성 장치(10)로부터 세로줄 정보를 수신할 수 있다.
또한, 화상 형성 장치(10)가 복수의 스캔 이미지들에서 검출된 세로줄 후보 픽셀에 대한 세로줄 후보 정보를 서버(20)로 전송하는 경우, 서버(20)는, 세로줄 후보 정보에 기초하여, 세로줄을 검출하고, 검출된 세로줄에 대한 세로줄 정보를 획득할 수 있다.
서버(20)의 동작 220에서, 서버(20)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측할 수 있다.
예를 들면, 서버(20)는 세로줄 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다. 또한, 서버(20)는 세로줄 정보 및 스캔 환경 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다.
예를 들면, 세로줄의 심각도는 스캔 이미지 상에 포함된 세로줄이 스캔 이미지 상의 컨텐츠를 훼손한 정도 또는 스캔 이미지의 품질을 나타낼 수 있다. 여기서, 세로줄의 심각도는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정하는 데에 기준이 될 수 있다. 예를 들면, 세로줄의 심각도는 수치로 표현될 수 있다.
예를 들면, 서버(20)는 적어도 하나의 세로줄에 대한 불량 레벨이 임계 레벨을 초과하는 빈도에 기초하여, 세로줄의 심각도를 진단할 수 있다. 여기서, 세로줄에 대한 불량 레벨은, 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무 중 적어도 하나에 기초하여 결정될 수 있다. 임계 레벨은 세로줄을 제거하는 민감도를 조정하는 강도 레벨의 조정이 필요한 레벨을 나타낼 수 있다.
구체적인 예를 들면, 소정 스캔 작업량에서 불량 레벨이 임계 레벨을 초과한 횟수가 3회 미만이면, 세로줄의 심각도는 보통이고, 불량 레벨이 임계 레벨을 초과한 횟수가 3회 이상이고 7회 미만이면, 세로줄의 심각도는 높음이고, 불량 레벨이 임계 레벨을 초과한 횟수가 7회 이상이면, 세로줄의 심각도는 매우 높음으로 설정될 수 있다. 소정 스캔 작업량에서 세로줄에 대한 불량 레벨이 임계 레벨을 초과한 횟수가 5회 이상이면, 서버(20)는 세로줄의 심각도가 높다고 결정할 수 있다.
예를 들면, 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 제1 스캔 작업에 대한 제1 세로줄 정보 및 제1 스캔 작업시의 제1 스캔 환경 정보 중 하나 이상을 적용하여, 제1 세로줄에 대한 세로줄의 심각도를 진단할 수 있다.
여기서, 세로줄의 심각도를 진단하는 학습 모델은, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 사용자의 피드백 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델일 수 있다. 예를 들면, 세로줄에 대한 사용자의 피드백 정보에는, 화상 형성 장치(10)에서 세로줄을 제거하는 민감도를 조정한 이력 정보, 세로줄 현상에 따른 진단 또는 수리 서비스를 신청한 이력 정보 중 적어도 하나의 정보가 포함될 수 있다. 즉, 서버(20)가 세로줄 정보와 사용자의 피드백 정보 간의 상관 관계 및 세로줄의 특성과 세로줄이 검출된 스캔 환경의 특성 간의 상관 관계를 반영하여 세로줄의 심각도를 진단함으로써, 스캔 이미지 상에 포함된 세로줄의 상태에 따라 심각도를 정확하게 진단할 수 있다.
예를 들면, 서버(20)는 세로줄 정보 및 스캔 환경 정보에 기초하여, 세로줄의 발생을 예측할 수 있다. 여기서, 세로줄 정보에는, 세로줄 후보 정보를 포함할 수 있다. 세로줄 후보 정보는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다.
예를 들면, 서버(20)는 화상 형성 장치(10)의 제1 스캔 작업 시의 스캔 환경 정보, 및 제1 스캔 작업 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득할 수 있다. 서버(20)는 화상 형성 장치(10)로부터 스캔 환경 정보 및 세로줄 후보 정보를 수신할 수 있다.
예를 들면, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다. 세로줄 후보 정보는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다. 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 소정 스캔 작업으로 인해 세로줄의 발생을 예측할 수 있다.
여기서, 세로줄의 발생을 예측하는 학습 모델은, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델일 수 있다.
즉, 세로줄의 발생을 예측하는 학습 모델은, 화상 형성 장치(10)의 스캔 환경과 스캔 환경 정보에서 세로줄 발생 여부 간의 상관 관계, 및 세로줄 정보와 세로줄 정보에 대응되는 세로줄 후보 정보 간의 상관 관계를 학습함으로써, 어떠한 스캔 환경에서 스캔 작업시에 세로줄이 발생될 수 있는지와 어떠한 세로줄 후보에서 스캔 작업시에 세로줄이 발생될 수 있는지를 예측하는 학습 모델을 생성할 수 있다.
서버(20)의 동작 230에서, 서버(20)는 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여, 세로줄의 현상을 감소시키기 위한 조치 정보를 화상 형성 장치(10) 또는 화상 형성 장치(10)를 관리하는 관리 장치(30)로 전송할 수 있다.
예를 들면, 세로줄 현상을 감소시키기 위한 조치 정보는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 소정 강도 레벨의 정보, 소정 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드하는 가이드 정보, 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 포함할 수 있다.
예를 들면, 강도 레벨의 결정과 관련하여, 서버(20)는 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여, 제1 강도 레벨을 결정할 수 있다.
예를 들면, 세로줄의 심각도가 미리 설정된 기준 심각도보다 높다고 판단되거나, 소정 세로줄이 발생될 것으로 예측되면, 서버(20)는 강도 레벨을 기준 강도 레벨에서 상향 조정된 제1 강도 레벨로 결정할 수 있다.
예를 들면, 세로줄의 심각도가 미리 설정된 기준 심각도보다 낮다고 판단되면, 서버(20)는 강도 레벨을 기준 강도 레벨로 유지할 수 있다. 여기서, 강도 레벨이 기준 강도 레벨에서 상향 조정된 이력이 있으면, 서버(20)는 강도 레벨을 하향 조정하여 제1 강도 레벨을 결정할 수 있다.
서버(20)는 제1 강도 레벨의 정보를 포함하는 조치 정보를 화상 형성 장치(10) 또는 화상 형성 장치(10)를 관리하는 관리 장치(30)로 전송할 수 있다.
예를 들면, 서버(20)는 강도 레벨에 제1 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드 하는 가이드 정보를 화상 형성 장치(10)로 전송할 수 있다.
예를 들면, 서버(20)는 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 및 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 화상 형성 장치(10)로 전송할 수 있다.
예를 들면, 스캔 환경 정보에서 소정 스캔 작업으로 인해 제1 세로줄의 발생이 예측되면, 서버(20)는 제1 세로줄이 발생되지 않도록 예방을 가이드하는 제1 가이드 정보를 획득할 수 있다. 서버(20)는 제1 가이드 정보를 화상 형성 장치(10)로 전송할 수 있다.
도 3은 일실시예에 따라, 화상 형성 장치에서 세로줄 정보를 획득하는 방법을 설명하기 위한 도면이다.
화상 형성 장치(10)는 스캔 작업 시에 스캔 페이지 각각에 대한 세로줄 후보 정보(301, 302, 303, 304, 305, 306, 307, 320)를 획득하고, 세로줄 후보 정보(301, 302, 303, 304, 305, 306, 307, 320)를 저장할 수 있다. 예를 들면, 세로줄 후보 정보(301, 302, 303, 304, 305, 306, 307, 320)에는 세로줄 후보 픽셀의 위치 정보(1, 2, 3, 4)가 포함될 수 있다. 세로줄 후보 픽셀을 검출하는 방법은 도 10a 내지 도 10c에서 설명한다.
화상 형성 장치(10)는 복수의 세로줄 후보 정보들(300)을 누적한 결과에 기초하여, 적어도 하나의 세로줄을 검출할 수 있다. 예를 들면, 화상 형성 장치(10)는 복수의 세로줄 후보 정보들(300)을 누적한 결과에 기초하여, 세로줄 후보 픽셀들 중 부주사 방향으로 연속성이 있는 픽셀을 검출할 수 있다. 연속성이 있는 픽셀은, 부주사 방향으로 세로줄 후보 픽셀의 연속성의 길이가 소정 길이 이상이거나, 세로줄 후보 픽셀의 연속성의 빈도가 소정 빈도 이상인 픽셀일 수 있다. 화상 형성 장치(10)는 연속성이 있는 픽셀의 위치 정보(1, 3)에 기초하여, 적어도 하나의 세로줄을 검출할 수 있다. 세로줄을 검출하는 방법은 도 11에서 설명한다.
화상 형성 장치(10)는 적어도 하나의 세로줄에 대한 세로줄 서브 정보(330)를 획득할 수 있다. 화상 형성 장치(10)는 N개(N은 자연수)의 세로줄 서브 정보를 획득하고, N개의 세로줄 서브 정보를 누적한 결과에 기초하여, 세로줄 정보(340)를 획득할 수 있다. 예를 들면, 세로줄 정보(340)에는 누적된 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보가 포함될 수 있다. 예를 들면, 세로줄의 불량 레벨은, 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무 중 적어도 하나에 기초하여 결정될 수 있다.
도 4는 일실시예에 따라, 세로줄의 심각도의 진단 또는 세로줄의 발생의 예측에 이용되는 인공 신경망을 개략적으로 도시한 도면이다.
서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 제1 세로줄 정보 및 제1 스캔 환경 정보 중 하나 이상을 적용하여, 제1 세로줄에 대한 세로줄의 심각도를 진단할 수 있다. 또한, 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 제1 스캔 환경 정보 및 세로줄 후보 정보 중 하나 이상을 적용하여, 제1 스캔 환경 정보가 나타내는 제1 스캔 환경에서 소정 스캔 작업으로 인한 세로줄의 발생을 예측할 수 있다. 즉, 서버(20)는 소정의 학습 모델을 이용하여 세로줄의 심각도의 진단 또는 세로줄의 발생을 예측할 수 있다. 또한, 화상 형성 장치(10)에서 소정의 학습 모델을 학습할 수 있는 조건이 충족되면, 화상 형성 장치(10)는 소정의 학습 모델을 이용하여 세로줄의 심각도의 진단 또는 세로줄의 발생을 예측할 수 있다. 소정의 학습 모델은 인공 신경망 구조에 기반하여 생성될 수 있다.
도 4를 참고하면, 인공 신경망은 입력 레이어(input layer)(410), 적어도 하나 이상의 히든 레이어(hidden layer)(420, 430) 및 출력 레이어(output layer)(440)를 포함할 수 있다. 또한, 인공 신경망을 통한 연산은 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)에서 수행될 수 있다. 또는, 서버(20) 및 화상 형성 장치(10)는 별도의 인공 신경망을 통한 연산을 수행하기 위한 별도의 프로세서, 컨트롤러, 또는 칩을 통하여 수행할 수도 있다.
또한, 히든 레이어(420, 430)에서 수행된 학습 및 훈련을 통해 각 레이어와 노드 사이의 가중치가 학습이 될 수 있다. 예를 들면, 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)는 반복적인 학습을 통하여 복수의 세로줄 정보와 상기 복수의 세로줄 정보에 대한 사용자의 피드백 정보 간의 상관 관계를 나타내는 가중치의 값, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 스캔 환경 정보 간의 상관 관계를 나타내는 가중치의 값을 획득할 수 있다. 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)는 획득된 가중치의 값이 적용되어 훈련된 인공 신경망에서, 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델을 생성할 수 있다.
다른 예를 들면, 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)는 반복적인 학습을 통하여 복수의 세로줄 정보 및 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계를 나타내는 가중치의 값을 획득할 수 있다. 또한, 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)는 반복적인 학습을 통하여 복수의 세로줄 정보와 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계를 나타내는 가중치의 값을 획득할 수 있다. 서버(20) 내의 프로세서(1440) 또는 화상 형성 장치(10) 내의 프로세서(1550)는 획득된 가중치의 값이 적용되어 훈련된 인공 신경망에서, 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델을 생성할 수 있다.
도 5는 일실시예에 따라, 세로줄의 심각도를 진단하는 학습 모델에 기초하여, 세로줄의 심각도를 진단하는 서버의 동작을 설명하기 위한 도면이다.
서버(20)는 세로줄의 심각도를 진단하는 학습 모델(500)을 이용하여, 화상 형성 장치(10)의 스캔 작업으로 발생된 세로줄의 심각도를 진단할 수 있다.
학습 모델(500)의 동작 510에서, 서버(20)는 복수의 세로줄 정보, 복수의 세로줄에 대한 사용자의 피드백 정보, 및 복수의 스캔 환경 정보를 획득할 수 있다. 예를 들면, 세로줄 정보에는, 누적된 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보가 포함될 수 있다. 복수의 세로줄 정보는 세로줄 정보가 복수 개가 수집된 정보이다. 또한, 사용자의 피드백 정보에는, 화상 형성 장치(10)에서 세로줄을 제거하는 민감도를 조정한 이력 정보, 세로줄 현상에 따른 진단 또는 수리 서비스를 신청한 이력 정보 중 적어도 하나의 정보가 포함될 수 있다. 또한, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 소정 스캔 작업의 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다.
학습 모델(500)의 동작 520에서, 서버(20)는 복수의 세로줄 정보와 복수의 세로줄에 대한 사용자의 피드백 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계에 기초하여, 세로줄의 심각도를 진단하는 학습 모델(500)을 학습할 수 있다.
예를 들면, 서버(20)는 세로줄 정보와 사용자의 피드백 정보 간의 상관 관계를 학습함으로써, 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 등의 값이 소정 값을 가질 때 세로줄의 소정 심각도가 높은지, 낮은지를 결정할 수 있다.
예를 들면, 서버(20)는 세로줄 정보 및 스캔 환경 정보 간의 상관 관계를 학습함으로써, 어떠한 스캔 환경에서 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 등의 값을 증가시켜, 세로줄의 소정 심각도를 높이는지를 결정할 수 있다.
학습 모델(500)의 동작 525에서, 서버(20)는 화상 형성 장치(10)로부터 화상 형성 장치(10)에 대한 세로줄 정보, 또는 스캔 환경 정보를 획득할 수 있다.
학습 모델(500)의 동작 530에서, 서버(20)는 학습 모델(500)에 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 적용하여, 세로줄의 심각도를 진단할 수 있다.
학습 모델(500)의 동작 535에서, 서버(20)는 화상 형성 장치(10)에서 발생되는 세로줄의 심각도를 진단한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 획득할 수 있다. 예를 들면, 서버(20)는 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정할 수 있다. 서버(20)는 강도 레벨의 정보를 포함하는 조치 정보를 화상 형성 장치(10) 또는 화상 형성 장치(10)를 관리하는 관리 장치(30)로 전송할 수 있다.
도 6은 일실시예에 따라, 세로줄의 심각도에 따라 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정하는 서버의 동작을 설명하기 위한 도면이다.
서버(20)의 동작 610에서, 서버(20)는 세로줄의 심각도가 미리 설정된 기준 심각도보다 높은지를 판단할 수 있다. 판단 결과, 세로줄의 심각도가 미리 설정된 기준 심각도보다 높으면, 서버(20)는 동작 615를 수행할 수 있다. 또한, 소정 스캔 작업에 따라 소정 세로줄이 발생될 것으로 예측되면, 서버(20)는 동작 615를 수행할 수 있다. 반면에, 세로줄의 심각도가 미리 설정된 기준 심각도보다 낮으면, 서버(20)는 동작 620을 수행할 수 있다.
서버(20)의 동작 615에서, 서버(20)는 강도 레벨을 기준 강도 레벨에서 상향 조정된 제1 강도 레벨로 결정할 수 있다.
서버(20)의 동작 620에서, 서버(20)는 강도 레벨이 상향 조정된 이력이 존재하는지를 판단할 수 있다. 판단 결과, 강도 레벨이 상향 조정된 이력이 있으면, 서버(20)의 동작 625에 따라, 서버(20)는 강도 레벨을 하향 조정하여 제1 강도 레벨을 결정할 수 있다. 반면에, 강도 레벨이 상향 조정된 이력이 없으면, 서버(20)의 동작 630에 따라, 서버(20)는 강도 레벨을 기준 강도 레벨로 유지할 수 있다.
도 7은 일실시예에 따라, 세로줄의 심각도를 진단한 결과에 기초하여, 세로줄 제거를 위한 가이드 정보를 표시하는 화상 형성 장치의 동작을 설명하기 위한 도면이다.
화상 형성 장치(10)의 스캔 작업으로 생성된 스캔 이미지에서 적어도 하나의 세로줄이 검출될 수 있다. 서버(20)는 화상 형성 장치(10)로부터 세로줄 정보를 수신할 수 있다. 서버(20)는 세로줄 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다. 서버(20)는 세로줄의 심각도에 따라, 세로줄을 제거하기 위한 가이드 정보를 결정할 수 있다. 예를 들면, 서버(20)는 세로줄의 심각도를 5개의 등급으로 분류할 수 있다. 1등급은 세로줄의 심각도가 매우 낮은 등급이고, 2등급은 세로줄의 심각도가 낮은 등급이고, 3등급은 세로줄의 심각도가 보통 등급이고, 4등급은 세로줄의 심각도가 높은 등급이고, 5등급은 세로줄의 심각도가 매우 높은 등급일 수 있다. 서버(20)는 소정 등급에 대응되는 가이드 정보를 생성할 수 있다. 서버(20)는 가이드 정보를 화상 형성 장치(10)로 전송할 수 있다. 화상 형성 장치(10)는 서버(20)로부터 수신된 가이드 정보를 표시할 수 있다.
도 7의 이미지(710) 및 이미지(720)을 참고하면, 세로줄의 심각도의 등급이 매우 낮은 등급인 제1 등급 또는 낮은 등급인 제2 등급인 경우, 화상 형성 장치(10)는 세로줄이 검출되었음을 알리는 정보와 스캔 글래스 또는 스캔 스트립을 닦도록 안내하는 정보를 포함하는 가이드 정보를 표시할 수 있다.
도 7의 이미지(730)을 참고하면, 세로줄의 등급이 높은 등급인 4등급인 경우, 화상 형성 장치(10)는 세로줄의 제거 레벨을 상향 조정하도록 가이드 하는 가이드 정보를 표시할 수 있다.
도 7의 이미지(740)을 참고하면, 세로줄의 등급이 매우 높은 등급인 5 등급인 경우, 화상 형성 장치(10)는 엔지니어 방문이 필요하다는 정보 및 방문 서비스 신청 정보를 가이드 하는 가이드 정보를 표시할 수 있다.
도 8은 일실시예에 따라, 세로줄의 발생을 예측하는 학습 모델에 기초하여, 세로줄의 발생을 예측하는 서버의 동작을 설명하기 위한 도면이다.
서버(20)는 세로줄의 발생을 예측하는 학습 모델(800)을 이용하여, 화상 형성 장치(10)의 스캔 작업으로 세로줄의 발생 가능성을 예측할 수 있다. 예를 들면, 서버(20)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상의 정보를 세로불의 발생을 예측하는 학습 모델(800)에 적용하여, 세로줄의 발생 가능성을 예측할 수 있다.
학습 모델(800)의 동작 810에서, 서버(20)는 복수의 세로줄 정보, 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 및 복수의 세로줄 후보 정보를 획득할 수 있다. 예를 들면, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다. 세로줄 후보 정보에는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다.
학습 모델(800)의 동작 820에서, 서버(20)는 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여, 세로줄의 발생을 예측하는 학습 모델(800)을 학습할 수 있다.
서버(20)는 화상 형성 장치(10)의 스캔 환경과 스캔 환경 정보에서 세로줄 발생 여부 간의 상관 관계, 및 세로줄 정보와 세로줄 정보에 대응되는 세로줄 후보 정보 간의 상관 관계를 학습함으로써, 어떠한 스캔 환경에서 스캔 작업시에 세로줄이 발생될 수 있는지와 어떠한 세로줄 후보에서 스캔 작업시에 세로줄이 발생될 수 있는지를 예측할 수 있다.
학습 모델(800)의 동작 825에서, 서버(20)는 화상 형성 장치(10)로부터 화상 형성 장치(10)에 대한 스캔 환경 정보 및 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득할 수 있다.
학습 모델(800)의 동작 830에서, 서버(20)는 학습 모델(800)에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 세로줄의 발생을 예측할 수 있다.
학습 모델(800)의 동작 835에서, 서버(20)는 화상 형성 장치(10)에서 세로줄의 발생을 예측한 결과에 기초하여, 세로줄이 발생되지 않도록 예방을 가이드하는 가이드 정보를 획득할 수 있다.
도 9는 일실시예에 따라, 세로줄의 발생을 예측한 결과에 기초하여, 세로줄의 발생을 예방하기 위한 가이드 정보를 표시하는 화상 형성 장치의 동작을 설명하기 위한 도면이다.
서버(20)는 화상 형성 장치(10)로부터 소정의 스캔 작업이 수행될 스캔 환경 정보를 수신할 수 있다. 서버(20)는 스캔 환경 정보에 기초하여, 소정 스캔 작업으로 인해 세로줄이 발생될 수 있는지를 예측할 수 있다. 소정 스캔 작업 시에 세로줄이 발생될 확률이 높다고 예측되면, 서버(20)는 세로줄이 발생되지 않도록 예방을 가이드하는 가이드 정보를 생성할 수 있다. 서버(20)는 가이드 정보를 화상 형성 장치(10)로 전송할 수 있다. 화상 형성 장치(10)는 서버(20)로부터 수신된 가이드 정보를 표시할 수 있다.
도 9의 이미지(910)을 참고하면, 화상 형성 장치(10)가 설치된 사무실 내의 습도가 낮은 경우, 화상 형성 장치(10)에서 스캔 작업이 수행되면, 스캔 작업으로 생성된 스캔 이미지에는 세로줄이 발생될 수 있다.
서버(20)는 사무실 내의 습도가 낮아서, 스캔 작업 시에 세로줄이 생길 수 있음을 예측하고, 사무실 내의 습도를 높이라는 알림을 나타내는 가이드 정보를 생성할 수 있다. 서버(20)는 화상 형성 장치(10)로 가이드 정보를 전송할 수 있다. 화상 형성 장치(10)는 도 9의 이미지(910)에 도시된 바와 같이, 가이드 정보를 표시할 수 있다. 가이드 정보에는 세로줄 현상이 발생될 수 있는 원인 정보(911), 세로줄 현상을 예방할 수 있는 조치 정보(912), 스캔 환경 정보(913)가 포함될 수 있다. 또한, 스캔 환경 정보(913)에는 세로줄 현상이 발생될 수 있는 원인과 관련된 적어도 하나의 파라미터에 대한 현재 값과 세로줄 현상을 예방하기 위한 적정 값의 정보가 포함될 수 있다. 예를 들면, 세로줄 현상이 발생될 수 있는 원인이 습도와 관련된 경우, 스캔 환경 정보(913)에는 현재 습도, 적정 습도의 값이 포함될 수 있다.
도 10a 내지 도 10c는 일실시예에 따라, 세로줄 후보 픽셀을 검출하는 방법을 설명하기 위한 도면이다.
세로줄 후보 픽셀은, 스캔 이미지 상에서 감지된 각 극점에 대한 깊이, 두께, 및 컬러 중 적어도 하나의 특성에 기초하여 결정될 수 있다. 예를 들면, 소정 극점이 최고점 또는 최소점인지 여부, 소정 극점의 픽셀 대비 주변 픽셀의 밝기 차이가 미리 설정된 범위 내인지 여부, 소정 극점의 두께가 미리 설정된 두께 이내 인지 여부, 소정 극점의 픽셀에 대한 주변 픽셀들 간의 컬러 유무 또는 컬러 비율에 기초하여, 소정 극점의 픽셀이 세로줄 후보 픽셀로 결정될 수 있다.
도 10a를 참고하면, 제1 극점(1011), 제2 극점(1012), 제3 극점(1013)과 각 극점들(1011, 1012, 1013)의 주변 픽셀 간의 밝기 차이(b1, b2, b3)가 계산될 수 있다. 계산된 밝기 차이(b1, b2, b3)가 미리 설정된 밝기 범위에 포함되는지 확인될 수 있다. 미리 설정된 밝기 범위는 제1 임계값과 제2 임계값 사이의 범위일 수 있다. 예를 들면, 제1 임계값은 밝기 차이가 낮은 것으로 판단될 수 있는 기준값이고, 제2 임계값은 밝기 차이가 큰 것으로 판단될 수 있는 기준값일 수 있다.
도 10a를 참고하면, 제1 임계값 미만의 밝기 차이(b1)을 갖는 제1 극점(1011)의 픽셀은 주변 픽셀과 밝기 차이가 작아서 단순 노이즈 픽셀로 결정될 수 있다. 제2 임계값을 초과하는 밝기 차이(b3)를 갖는 제3 극점(1013)의 픽셀은 주변 픽셀과 밝기 차이가 커서 컨텐츠 영역을 나타내는 픽셀로 결정될 수 있다. 제1 임계값과 제2 임계값 사이에 포함된 밝기 차이(b2)를 갖는 제2 극점(1012)의 픽셀은 세로줄 후보 픽셀로 결정될 수 있다.
도 10b를 참고하면, 제4 극점(1021), 제5 극점(1022), 제6 극점(1023)의 두께가 미리 설정된 기준 두께 이내인지 확인될 수 있다. 예를 들면, 기준 두께 미만의 두께(d1)를 갖는 제4 극점(1021)의 픽셀은 세로줄 후보 픽셀로 결정될 수 있다. 기준 두께 이상의 두께(d2, d3)를 갖는 제5 극점(1022) 및 제6 극점(1023)은 컨텐츠 영역을 나타내는 픽셀로 결정될 수 있다.
도 10c를 참고하면, 소정 극점의 픽셀에 대한 주변 픽셀들 간의 컬러 유무 또는 컬러 비율에 기초하여, 소정 극점의 픽셀이 세로줄 후보 픽셀로 결정될 수 있다.
도 10c의 이미지(1031)을 참고하면, 소정 극점의 픽셀(1041)에 컬러가 존재하고, 소정 극점의 픽셀(1041)의 좌측의 주변 픽셀에 컬러가 미존재하고, 우측의 주변 픽셀에 픽셀(1041)의 컬러와 다른 컬러가 존재하는 경우, 픽셀(1041)은 세로줄 후보 픽셀로 결정될 수 있다.
도 10c의 이미지(1032)를 참고하면, 소정 극점의 픽셀(1042)에 컬러가 존재하고, 소정 극점의 픽셀(1042)의 좌측 및 우측의 주변 픽셀에 컬러가 미존재하나, 픽셀(1042) 대비 주변 픽셀의 컬러 비율이 미리 설정된 기준 컬러 비율을 초과하면, 픽셀(1042)은 컨텐츠 영역을 나타내는 픽셀로 결정될 수 있다.
도 10c의 이미지(1033)을 참고하면, 소정 극점의 픽셀(1043)에 컬러가 존재하고, 소정 극점의 픽셀(1043)의 좌측 및 우측의 주변 픽셀에 컬러가 미존재하고, 픽셀(1043) 대비 주변 픽셀의 컬러 비율이 미리 설정된 기준 컬러 비율 미만이면, 픽셀(1043)은 세로줄 후보 픽셀로 결정될 수 있다.
도 11은 일실시예에 따라, 세로줄 후보 픽셀의 정보에 기초하여, 세로줄을 검출하는 방법을 설명하기 위한 도면이다.
화상 형성 장치(10)는 스캔 작업 시에 스캔 페이지 각각에 대한 세로줄 후보 정보를 획득하고, 세로줄 후보 정보를 저장할 수 있다. 세로줄 후보 정보에는 세로줄 후보 픽셀의 위치 정보가 포함될 수 있다. 화상 형성 장치(10)는 복수의 세로줄 후보 정보들을 누적한 결과에 기초하여, 적어도 하나의 세로줄을 검출할 수 있다. 화상 형성 장치(10)는 적어도 하나의 세로줄에 대한 세로줄 정보를 획득할 수 있다.
도 11을 참고하면, 화상 형성 장치(10)는 복수의 세로줄 후보 정보들을 누적한 결과에 기초하여, 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀이 소정 크기 이상인지 여부, 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀의 발생 빈도가 소정 횟수 이상인지 여부를 확인할 수 있다. 화상 형성 장치(10)는 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀이 소정 크기 이상인 픽셀 또는, 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀의 발생 빈도가 소정 횟수 이상인 픽셀을 세로줄로 검출할 수 있다.
도 11을 참고하면, 화상 형성 장치(10)는 세로줄 후보 픽셀의 위치(1101, 1102, 1103, 1104) 중, 세로줄 후보 픽셀의 연속성의 길이가 소정 길이 이상이거나, 세로줄 후보 픽셀의 연속성의 빈도가 소정 빈도 이상인 위치(1102, 1103)에 대응되는 세로줄 후보 픽셀을 세로줄로 검출할 수 있다.
도 12는 일실시예에 따라, 스캔 작업에서 발생된 세로줄을 제거하기 위한 화상 형성 장치, 서버, 관리 장치 간의 동작을 설명하기 위한 도면이다.
도 12를 참고하면, 화상 형성 장치(10)의 동작 1201에서, 화상 형성 장치(10)는 스캔 작업을 수행할 수 있다. 화상 형성 장치(10)의 동작 1202에서, 화상 형성 장치(10)는 스캔 작업으로 생성된 스캔 이미지에서 적어도 하나의 세로줄을 검출할 수 있다. 화상 형성 장치(10)의 동작 1203에서, 화상 형성 장치(10)는 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 정보를 획득할 수 있다. 예를 들면, 세로줄 정보에는, 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보가 포함될 수 있다. 예를 들면, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 소정 스캔 작업의 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다.
서버(20)의 동작 1204에서, 서버(20)는 화상 형성 장치(10)로 세로줄 정보 또는 스캔 환경 정보를 요청할 수 있다. 화상 형성 장치(10)의 동작 1205에서, 화상 형성 장치(10)는 서버(20)로 세로줄 정보 또는 스캔 환경 정보를 전송할 수 있다.
서버(20)의 동작 1206에서, 서버(20)는 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 획득할 수 있다. 서버(20)의 동작 1207에서, 서버(20)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측할 수 있다. 예를 들면, 서버(20)는 적어도 하나의 세로줄에 대한 불량 레벨이 강도 레벨의 조정이 필요한 레벨을 나타내는 임계 레벨을 초과하는 빈도에 기초하여, 세로줄의 심각도를 진단할 수 있다. 다른 예를 들면, 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성된 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 적용하여, 세로줄의 심각도를 진단할 수 있다. 또 다른 예를 들면, 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 세로줄의 발생을 예측할 수 있다.
서버(20)의 동작 1208에서, 서버(20)는 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 획득할 수 있다. 여기서, 조치 정보는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 소정 강도 레벨의 정보, 소정 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드하는 가이드 정보, 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 포함할 수 있다. 서버(20)의 동작 1209에서, 서버(20)는 조치 정보를 화상 형성 장치(10)로 전송할 수 있다. 또한, 서버(20)의 동작 1210에서, 서버(20)는 조치 정보를 관리 장치(30)로 전송할 수 있다.
화상 형성 장치(10)의 동작 1211에서, 화상 형성 장치(10)는 조치 정보에 따른 소정 조치를 수행하고, 소정 스캔 작업을 수행할 수 있다.
관리 장치(30)의 동작 1212에서, 관리 장치(30)는 화상 형성 장치(10)의 모니터링을 수행할 수 있고, 모니터링 결과 및 서버(20)에서 결정된 조치에 기초하여 화상 형성 장치(10)에 대한 서비스를 준비할 수 있다. 예를 들면, 화상 형성 장치(10)의 세로줄의 심각도가 기준 심각도보다 높으면, 관리 장치(30)는 기술자가 화상 형성 장치(10)를 점검 또는 수리하는 방문 서비스를 준비할 수 있다.
도 13은 일실시예에 따라, 스캔 작업에서 세로줄의 발생을 예방하기 위한 화상 형성 장치(10), 서버(20)의 동작을 설명하기 위한 도면이다.
도 13을 참고하면, 화상 형성 장치(10)의 동작 1301에서, 화상 형성 장치(10)는 스캔 작업 요청을 수신할 수 있다. 화상 형성 장치(10)의 동작 1302에서, 화상 형성 장치(10)는 스캔 작업 시의 스캔 환경 정보를 획득할 수 있다. 또한, 화상 형성 장치(10)는 스캔 작업 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득할 수 있다.
서버(20)의 동작 1303에서, 서버(20)는 화상 형성 장치(10)로 스캔 환경 정보를 요청할 수 있다. 또한, 서버(20)는 화상 형성 장치(10)로 세로줄 후보 정보를 요청할 수 있다. 화상 형성 장치(10)의 동작 1304에서, 화상 형성 장치(10)는 서버(20)로 스캔 환경 정보 및 세로줄 후보 정보를 전송할 수 있다.
서버(20)의 동작 1305에서, 서버(20)는 스캔 환경 정보 및 세로줄 후보 정보에 기초하여, 스캔 작업으로 인해 세로줄의 발생을 예측할 수 있다. 예를 들면, 서버(20)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 소정 스캔 작업으로 인한 세로줄의 발생을 예측할 수 있다.
서버(20)의 동작 1306에서, 스캔 환경 정보에서 스캔 작업으로 인해 제1 세로줄의 발생이 예측되면, 서버(20)는 제1 세로줄이 발생되지 않도록 예방을 가이드하는 제1 가이드 정보를 획득할 수 있다. 서버(20)의 동작 1307에서, 서버(20)는 화상 형성 장치(10)로 제1 가이드 정보를 전송할 수 있다.
화상 형성 장치(10)의 동작 1308에서, 화상 형성 장치(10)는 제1 가이드 정보를 표시할 수 있다. 화상 형성 장치(10)에서 제1 가이드 정보에 따른 조치가 수행될 수 있다. 화상 형성 장치(10)에서는 세로줄 현상이 없는 스캔 이미지가 생성될 수 있는 스캔 환경이 조성될 수 있다. 화상 형성 장치(10)의 동작 1309에서, 화상 형성 장치(10)는 요청된 스캔 작업을 수행할 수 있다.
도 14는 일실시예에 따른 서버의 구성을 도시한 블록도이다.
도 14에 도시된 서버(20)는 통신 장치(1410), 스토리지(1420), 메모리(1430) 및 프로세서(1440)를 포함할 수 있다. 그러나, 도시된 구성 요소가 필수 구성 요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 서버(20)가 구현될 수 있고, 그보다 적은 구성 요소에 의해 서버(20)가 구현될 수 있다. 이하, 상기 구성 요소들에 대해 살펴본다.
통신 장치(1410)는 외부 장치와 통신을 수행할 수 있다. 구체적으로, 통신 장치(1410)는 유선 또는 무선으로 네트워크와 연결되어 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는 화상 형성 장치(10), 화상 형성 장치(10)를 관리하는 관리 장치, 전자 장치, 외부 서버일 수 있다. 통신 장치(1410)는 다양한 유무선 통신 방법 중 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들면, 또한, 통신 모듈은 근거리 통신 모듈, 유선 통신 모듈일 수 있다.
스토리지(1420)는 세로줄 정보와 관련된 정보를 저장할 수 있다. 예를 들면, 스토리지(1420)는 복수의 세로줄 정보, 복수의 세로줄 정보에 대한 피드백 정보를 저장할 수 있다. 스토리지(1420)는 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 피드백 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 스캔 환경 정보 간의 상관 관계에 기초하여 학습된, 세로줄의 심각도를 진단하는 학습 모델과 관련된 정보를 저장할 수 있다. 또한, 스토리지(1420)는 복수의 세로줄 정보, 복수의 세로줄 정보에 대한 스캔 환경 정보를 저장할 수 있다. 스토리지(1420)는 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 스캔 환경 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여 학습된, 세로줄의 발생을 예측하는 학습 모델과 관련된 정보를 저장할 수 있다. 또한, 스토리지(1420)는 서버(20)에서 실행되는 적어도 하나의 프로그램에서 이용되는 각종 데이터를 저장할 수 있다.
메모리(1430)는 소프트웨어 또는 프로그램을 저장할 수 있다. 메모리(1430)는 세로줄의 심각도의 진단 또는 세로줄의 발생의 예측에 이용되는 적어도 하나의 프로그램을 저장할 수 있다.
프로세서(1440)는 메모리(1430)에 저장된 프로그램을 실행시키거나, 메모리(1430)에 저장된 데이터 또는 파일을 읽어오거나, 새로운 파일을 메모리(1430)에 저장할 수 있다. 프로세서(1440)는 메모리(1430)에 저장된 명령어들을 실행할 수 있다.
프로세서(1440)는 화상 형성 장치(10)의 스캔 작업으로 생성된 스캔 이미지에서 검출된, 적어도 하나의 세로줄 정보에 대한 세로줄 정보를 획득할 수 있다. 여기서, 세로줄 정보는 스캔 작업으로 생성된 각 스캔 이미지로부터 검출된 세로줄의 위치, 두께, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다. 예를 들면, 세로줄은, 복수의 스캔 이미지들에서 검출된 세로줄 후보 픽셀에 대한 세로줄 후보 정보가 누적된 정보에 기초하여 검출될 수 있다. 검출된 세로줄의 정보는 세로줄 서브 정보로 획득될 수 있고, 복수의 세로줄 서브 정보가 누적된 결과에 기초하여 세로줄 정보가 획득될 수 있다.
세로줄 정보에는, 누적된 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보가 포함될 수 있다. 또한, 세로줄의 불량 레벨은, 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무 중 적어도 하나에 기초하여 결정될 수 있다.
예를 들면, 스캔 환경 정보는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 소정 스캔 작업의 스캔 형식, 스캔 매수 중 적어도 하나의 정보일 수 있다.
한편, 화상 형성 장치(10)에서 세로줄 정보가 획득되는 경우, 프로세서(1440)는 통신 장치(1410)를 통해 화상 형성 장치(10)로 주기적으로 세로줄 정보를 요청할 수 있다. 통신 장치(1410)는 화상 형성 장치(10)로부터 세로줄 정보를 수신할 수 있다.
또한, 화상 형성 장치(10)가 복수의 스캔 이미지들에서 검출된 세로줄 후보 픽셀에 대한 세로줄 후보 정보를 서버(20)로 전송하는 경우, 프로세서(1440)는, 세로줄 후보 정보에 기초하여, 세로줄을 검출하고, 검출된 세로줄에 대한 세로줄 정보를 획득할 수 있다.
프로세서(1440)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측할 수 있다.
예를 들면, 프로세서(1440)는 세로줄 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다. 또한, 프로세서(1440)는 세로줄 정보 및 스캔 환경 정보에 기초하여, 세로줄의 심각도를 진단할 수 있다.
예를 들면, 세로줄의 심각도는 스캔 이미지 상에 포함된 세로줄이 스캔 이미지 상의 컨텐츠를 훼손한 정도 또는 스캔 이미지의 품질을 나타낼 수 있다. 여기서, 세로줄의 심각도는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 강도 레벨을 결정하는 데에 기준이 될 수 있다.
예를 들면, 프로세서(1440)는 적어도 하나의 세로줄에 대한 불량 레벨이 임계 레벨을 초과하는 빈도에 기초하여, 세로줄의 심각도를 진단할 수 있다. 여기서, 세로줄에 대한 불량 레벨은, 소정 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무 중 적어도 하나에 기초하여 결정될 수 있다. 임계 레벨은 세로줄을 제거하는 민감도를 조정하는 강도 레벨의 조정이 필요한 레벨을 나타낼 수 있다.
예를 들면, 프로세서(1440)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 제1 스캔 작업에 대한 제1 세로줄 정보 및 제1 스캔 작업시의 제1 스캔 환경 정보 중 하나 이상을 적용하여, 제1 세로줄에 대한 세로줄의 심각도를 진단할 수 있다.
여기서, 세로줄의 심각도를 진단하는 학습 모델은, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 사용자의 피드백 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델일 수 있다. 예를 들면, 세로줄에 대한 사용자의 피드백 정보에는, 화상 형성 장치(10)에서 세로줄을 제거하는 민감도를 조정한 이력 정보, 세로줄 현상에 따른 진단 또는 수리 서비스를 신청한 이력 정보 중 적어도 하나의 정보가 포함될 수 있다. 즉, 프로세서(1440)가 세로줄 정보와 사용자의 피드백 정보 간의 상관 관계 및 세로줄의 특성과 세로줄이 검출된 스캔 환경의 특성 간의 상관 관계를 반영하여 세로줄의 심각도를 진단함으로써, 스캔 이미지 상에 포함된 세로줄의 상태에 따라 심각도를 정확하게 진단할 수 있다.
예를 들면, 프로세서(1440)는 세로줄 정보 및 스캔 환경 정보에 기초하여, 세로줄의 발생을 예측할 수 있다. 여기서, 세로줄 정보에는, 세로줄 후보 정보를 포함할 수 있다. 세로줄 후보 정보는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다.
예를 들면, 프로세서(1440)는 화상 형성 장치(10)의 제1 스캔 작업 시의 스캔 환경 정보, 및 제1 스캔 작업 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득할 수 있다. 프로세서(1440)는 통신 장치(1410)를 통해 화상 형성 장치(10)로부터 스캔 환경 정보 및 세로줄 후보 정보를 수신할 수 있다.
예를 들면, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다. 세로줄 후보 정보는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다. 프로세서(1440)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 소정 스캔 작업으로 인해 세로줄의 발생을 예측할 수 있다.
여기서, 세로줄의 발생을 예측하는 학습 모델은, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계, 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델일 수 있다.
즉, 세로줄의 발생을 예측하는 학습 모델은, 화상 형성 장치(10)의 스캔 환경과 스캔 환경 정보에서 세로줄 발생 여부 간의 상관 관계, 및 세로줄 정보와 세로줄 정보에 대응되는 세로줄 후보 정보 간의 상관 관계를 학습함으로써, 어떠한 스캔 환경에서 스캔 작업시에 세로줄이 발생될 수 있는지와 어떠한 세로줄 후보에서 스캔 작업시에 세로줄이 발생될 수 있는지를 예측하는 학습 모델을 생성할 수 있다.
프로세서(1440)는 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여, 세로줄의 현상을 감소시키기 위한 조치 정보를 획득할 수 있다. 통신 장치(1410)는 조치 정보를 화상 형성 장치(10) 또는 화상 형성 장치(10)를 관리하는 관리 장치(30)로 전송할 수 있다.
예를 들면, 세로줄 현상을 감소시키기 위한 조치 정보는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 소정 강도 레벨의 정보, 소정 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드하는 가이드 정보, 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 포함할 수 있다.
예를 들면, 프로세서(1440)는 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여, 제1 강도 레벨을 결정할 수 있다.
예를 들면, 세로줄의 심각도가 미리 설정된 기준 심각도보다 높다고 판단되거나, 소정 세로줄이 발생될 것으로 예측되면, 프로세서(1440)는 강도 레벨을 기준 강도 레벨에서 상향 조정된 제1 강도 레벨로 결정할 수 있다.
예를 들면, 세로줄의 심각도가 미리 설정된 기준 심각도보다 낮다고 판단되면, 프로세서(1440)는 강도 레벨을 기준 강도 레벨로 유지할 수 있다. 여기서, 강도 레벨이 기준 강도 레벨에서 상향 조정된 이력이 있으면, 프로세서(1440)는 강도 레벨을 하향 조정하여 제1 강도 레벨을 결정할 수 있다.
프로세서(1440)는 제1 강도 레벨의 정보를 포함하는 진단 결과 정보를 통신 장치(1410)를 통해 화상 형성 장치(10) 또는 화상 형성 장치(10)를 관리하는 관리 장치로 전송할 수 있다.
예를 들면, 통신 장치(1410)는 강도 레벨에 제1 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드 하는 가이드 정보를 전송할 수 있다.
예를 들면, 통신 장치(1410)는 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 및 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 전송할 수 있다.
스캔 환경 정보에서 소정 스캔 작업으로 인해 제1 세로줄의 발생이 예측되면, 프로세서(1440)는 제1 세로줄이 발생되지 않도록 예방을 가이드하는 제1 가이드 정보를 획득할 수 있다. 통신 장치(1410)는 제1 가이드 정보를 화상 형성 장치로 전송할 수 있다.
도 15는 일실시예에 따른 화상 형성 장치의 구성을 도시한 블록도이다.
도 15에 도시된 화상 형성 장치(10)는 통신 장치(1510), 스캔 장치(1520), 사용자 인터페이스 장치(1530), 메모리(1540) 및 프로세서(1550)를 포함할 수 있다. 그러나, 도시된 구성 요소가 필수 구성 요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 화상 형성 장치(10)가 구현될 수 있고, 그보다 적은 구성 요소에 의해 화상 형성 장치(10)가 구현될 수 있다. 이하, 상기 구성 요소들에 대해 살펴본다.
통신 장치(1510)는 외부 장치와 통신을 수행할 수 있다. 구체적으로, 통신 장치(1510)는 유선 또는 무선으로 네트워크와 연결되어 외부 장치와 통신을 수행할 수 있다. 여기서, 외부 장치는 화상 형성 장치(10)를 관리하는 외부 서버, 화상 형성 장치(10)를 관리하는 관리 장치(30), 전자 장치일 수 있다. 통신 장치(1510)는 다양한 유무선 통신 방법 중 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들면, 또한, 통신 모듈은 근거리 통신 모듈, 유선 통신 모듈일 수 있다.
스캔 장치(1520)는 화상 형성 장치(10) 내에서 소정 스캔 작업의 요청에 따라, 소정 스캔 작업을 수행하여 스캔 이미지를 생성할 수 있다. 예를 들면, 스캔 장치(1520)는 문서의 자동 공급을 위한 자동 문서 공급기(ADF: Automatic document Feeder)를 포함할 수 있다.
사용자 인터페이스 장치(1530)는 사용자로부터 화상 형성 장치(10)의 동작을 제어하기 위한 입력 등을 수신하기 위한 입력부와 화상 형성 장치(10)의 동작에 따른 결과 또는 화상 형성 장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들면, 사용자 인터페이스 장치(1530)는 사용자 입력을 수신하는 조작 패널, 화면을 표시하는 디스플레이 패널 등을 포함할 수 있다.
구체적으로, 입력부는, 예를 들어, 키보드, 물리 버튼, 터치스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는, 예를 들어, 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 제한되지 않고 사용자 인터페이스 장치(1530)는 다양한 입출력을 지원하는 장치를 포함할 수 있다.
메모리(1540)는 소프트웨어 또는 프로그램을 저장할 수 있다. 메모리(1540)는 스캔 이미지 상에서 세로줄을 검출하고, 세로줄을 제거하는 데에 이용되는 적어도 하나의 프로그램을 저장할 수 있다. 또한, 메모리(1540)는 세로줄의 심각도의 진단 또는 세로줄의 발생의 예측에 이용되는 적어도 하나의 프로그램을 저장할 수 있다.
프로세서(1550)는 메모리(1540)에 저장된 프로그램을 실행시키거나, 메모리(1540)에 저장된 데이터 또는 파일을 읽어오거나, 새로운 파일을 메모리(1540)에 저장할 수 있다. 프로세서(1550)는 메모리(1540)에 저장된 명령어들을 실행할 수 있다.
프로세서(1550)는 스캔 작업의 요청에 따라 스캔 장치(1520)에서 스캔 작업이 수행되도록 제어할 수 있다. 프로세서(1550)는 스캔 작업으로부터 생성된 스캔 이미지에서 적어도 하나의 세로줄을 검출할 수 있다.
예를 들면, 프로세서(1550)는, 스캔 이미지 상에서 감지된 각 극점에 대한 깊이, 두께, 및 컬러 중 적어도 하나의 특성에 기초하여, 세로줄 후보 픽셀을 결정할 수 있다. 예를 들면, 프로세서(1550)는 소정 극점이 최고점 또는 최소점인지 여부, 소정 극점의 픽셀 대비 주변 픽셀의 밝기 차이가 미리 설정된 범위 내인지 여부, 소정 극점의 두께가 미리 설정된 두께 이내 인지 여부, 소정 극점의 픽셀에 대한 주변 픽셀들 간의 컬러 유무 또는 컬러 비율에 기초하여, 소정 극점의 픽셀을 세로줄 후보 픽셀로 결정할 수 있다.
프로세서(1550)는 스캔 작업 시에 스캔 페이지 각각에 대한 세로줄 후보 정보를 획득하고, 세로줄 후보 정보를 저장할 수 있다. 세로줄 후보 정보에는 세로줄 후보 픽셀의 위치 정보가 포함될 수 있다. 프로세서(1550)는 복수의 세로줄 후보 정보들을 누적한 결과에 기초하여, 적어도 하나의 세로줄을 검출할 수 있다. 화상 형성 장치(10)는 적어도 하나의 세로줄에 대한 세로줄 정보를 획득할 수 있다.
프로세서(1550)는 복수의 세로줄 후보 정보들을 누적한 결과에 기초하여, 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀이 소정 크기 이상인 픽셀 또는, 소정 위치에서 연속적으로 누적된 세로줄 후보 픽셀의 발생 빈도가 소정 횟수 이상인 픽셀을 세로줄로 검출할 수 있다. 프로세서(1550)는 누적된 스캔 작업량에 포함된 세로줄의 개수, 위치, 두께, 밝기, 소정 빈도 수 이상으로 검출된 세로줄의 개수, 위치, 고정된 세로줄의 유무, 세로줄의 불량 레벨 중 적어도 하나의 정보를 포함하는 세로줄 정보를 획득할 수 있다.
프로세서(1550)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 획득할 수 있다. 예를 들면, 프로세서(1550)는 통신 장치(1510)를 통해 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 화상 형성 장치(10)의 스캔 작업 결과를 모니터링하는 서버(20)로 송신할 수 있다. 통신 장치(1510)는 서버(20)로부터 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측한 결과에 기초하여 결정된 조치 정보를 수신할 수 있다.
예를 들면, 조치 정보는, 화상 형성 장치(10)의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는 소정 강도 레벨의 정보, 소정 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업이 수행되도록 화상 형성 장치(10)의 동작을 가이드하는 가이드 정보, 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 포함할 수 있다.
다른 예를 들면, 프로세서(1550)는 세로줄 정보 및 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측할 수 있다.
프로세서(1550)는 적어도 하나의 세로줄에 대한 불량 레벨이 임계 레벨을 초과하는 빈도에 기초하여, 세로줄의 심각도를 진단할 수 있다. 또한, 프로세서(1550)는 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 사용자 피드백 정보 간의 상관 관계, 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델을 학습할 수 있다. 프로세서(1550)는, 화상 형성 장치(10)의 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 제1 세로줄 정보 및 제1 스캔 환경 정보 중 하나 이상을 적용하여, 제1 세로줄에 대한 세로줄의 심각도를 진단할 수 있다.
또한, 프로세서(1550)는 복수의 세로줄 정보와 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계 및 복수의 세로줄 정보와 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여, 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델을 학습할 수 있다. 예를 들면, 스캔 환경 정보에는, 화상 형성 장치(10)가 설치된 장소의 온도, 습도, 스캔 형식, 스캔 매수 중 적어도 하나의 정보가 포함될 수 있다. 세로줄 후보 정보에는, 스캔 이미지에서 검출된 세로줄 후보 픽셀에 대한 위치, 밝기, 개수 중 적어도 하나에 기초하여 획득된 정보일 수 있다.
프로세서(1550)는 화상 형성 장치(10)의 제1 스캔 작업 시의 스캔 환경 정보, 및 제1 스캔 작업 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득할 수 있다. 예를 들면, 프로세서(1550)는 화상 형성 장치(10)의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 스캔 환경 정보 및 세로줄 후보 정보를 적용하여, 소정 스캔 작업으로 인해 세로줄의 발생을 예측할 수 있다.
프로세서(1550)는 세로줄의 심각도를 진단한 결과 정보 및 세로줄 현상을 감소시키기 위한 조치 정보를 획득할 수 있다.
예를 들면, 세로줄의 심각도가 미리 설정된 기준 심각도보다 높다고 판단되거나, 소정 세로줄이 발생될 것으로 예측되면, 프로세서(1550)는 강도 레벨을 기준 강도 레벨에서 상향 조정된 제1 강도 레벨로 결정할 수 있다. 또한, 세로줄의 심각도가 미리 설정된 기준 심각도보다 낮다고 판단되면, 프로세서(1550)는 강도 레벨을 기준 강도 레벨로 유지할 수 있다. 여기서, 강도 레벨이 기준 강도 레벨에서 상향 조정된 이력이 있으면, 프로세서(1550) 는 강도 레벨을 하향 조정하여 제1 강도 레벨을 결정할 수 있다.
사용자 인터페이스 장치(1530)는 조치 정보를 표시할 수 있다. 예를 들면, 사용자 인터페이스 장치(1530)는 세로줄을 제거하는 민감도를 조정하기 위한 제1 강도 레벨의 정보를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1530)는 제1 강도 레벨이 적용된 상태에서 적어도 하나의 스캔 작업을 수행하기 위한 화상 형성 장치(10)의 동작을 가이드 하는 가이드 정보를 표시할 수 있다. 또한, 사용자 인터페이스 장치(1530)는 세로줄의 심각도를 진단한 결과 정보, 세로줄의 발생을 예측한 결과 정보, 및 화상 형성 장치(10)에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 표시할 수 있다.
또한, 스캔 환경 정보에서 소정 스캔 작업으로 인해 제1 세로줄의 발생이 예측되면, 사용자 인터페이스 장치(1530)는 제1 세로줄이 발생되지 않도록 예방을 가이드하는 제1 가이드 정보를 표시할 수 있다.
한편, 상술한 화상 형성 장치(10), 서버(20) 및 관리 장치(30)의 동작 방법은 컴퓨터 또는 프로세서에 의하여 실행 가능한 명령어 또는 데이터를 저장하는 컴퓨터 판독 가능 저장매체의 형태로 구현될 수 있다. 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터 판독 가능 저장매체를 이용하여 이와 같은 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 이와 같은 컴퓨터 판독 가능 저장매체는 read-only memory (ROM), random-access memory (RAM), flash memory, CD-ROMs, CD-Rs, CD+Rs, CD-RWs, CD+RWs, DVD-ROMs, DVD-Rs, DVD+Rs, DVD-RWs, DVD+RWs, DVD-RAMs, BD-ROMs, BD-Rs, BD-R LTHs, BD-REs, 마그네틱 테이프, 플로피 디스크, 광자기 데이터 저장 장치, 광학 데이터 저장 장치, 하드 디스크, 솔리드-스테이트 디스크(SSD), 그리고 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 저장할 수 있고, 프로세서나 컴퓨터가 명령어를 실행할 수 있도록 프로세서나 컴퓨터에 명령어 또는 소프트웨어, 관련 데이터, 데이터 파일, 및 데이터 구조들을 제공할 수 있는 어떠한 장치라도 될 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 본 개시의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (15)

  1. 화상 형성 장치의 스캔 작업으로 생성된 스캔 이미지에서 검출된, 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 획득하는 단계;
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측하는 단계; 및
    상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 상기 화상 형성 장치 또는 상기 화상 형성 장치를 관리하는 관리 장치로 전송하는 단계를 포함하는, 서버의 동작 방법.
  2. 제1항에 있어서,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 상기 세로줄의 심각도를 진단하는 단계는,
    상기 적어도 하나의 세로줄에 대한 불량 레벨이 소정 세로줄의 제거 강도에 대한 강도 레벨의 조정이 필요한 레벨을 나타내는 임계 레벨을 초과하는 빈도에 기초하여, 상기 세로줄의 심각도를 진단하는 단계를 포함하는, 서버의 동작 방법.
  3. 제1항에 있어서,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 상기 세로줄의 심각도를 진단하는 단계는,
    상기 화상 형성 장치의 소정 스캔 작업으로 생성된 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델에 상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상을 적용하여, 상기 세로줄의 심각도를 진단하는 단계를 포함하는, 서버의 동작 방법.
  4. 제3항에 있어서,
    복수의 세로줄 정보와 상기 복수의 세로줄 정보에 대한 사용자의 피드백 정보 간의 상관 관계, 및 상기 복수의 세로줄 정보와 상기 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계에 기초하여, 상기 소정 스캔 이미지에 대한 세로줄의 심각도를 진단하는 학습 모델을 학습하는 단계를 더 포함하는, 서버의 동작 방법.
  5. 제1항에 있어서,
    상기 세로줄 현상을 감소시키기 위한 조치 정보는, 상기 화상 형성 장치의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하는, 강도 레벨의 정보를 포함하고,
    상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여, 제1 강도 레벨을 결정하는 단계를 더 포함하는, 서버의 동작 방법.
  6. 제5항에 있어서,
    상기 제1 강도 레벨을 결정하는 단계는,
    상기 세로줄의 심각도가 미리 설정된 기준 심각도보다 높다고 판단되거나, 소정 세로줄이 발생될 것으로 예측되면, 상기 강도 레벨을 기준 강도 레벨에서 상향 조정된 상기 제1 강도 레벨로 결정하는 단계; 및
    상기 세로줄의 심각도가 상기 기준 심각도보다 낮다고 판단되면, 상기 강도 레벨을 상기 기준 강도 레벨로 유지하는 단계를 포함하는, 서버의 동작 방법.
  7. 제1항에 있어서,
    상기 적어도 하나의 세로줄에 대한 세로줄 정보를 획득하는 단계는,
    상기 스캔 작업으로 생성된 각 스캔 이미지 별로 검출된 세로줄의 위치, 두께, 밝기, 개수 중 적어도 하나에 기초하여, 상기 세로줄 정보를 획득하는 단계를 포함하는, 서버의 동작 방법.
  8. 제1항에 있어서,
    상기 세로줄 현상을 감소시키기 위한 조치 정보를 상기 화상 형성 장치로 전송하는 단계는,
    상기 화상 형성 장치의 적어도 하나의 스캔 작업으로 발생될 세로줄을 제거하는 민감도를 조정하기 위한 제1 강도 레벨의 정보를 전송하는 단계;
    상기 제1 강도 레벨이 적용된 상태에서 상기 적어도 하나의 스캔 작업이 수행되도록 상기 화상 형성 장치의 동작을 가이드하는 가이드 정보를 전송하는 단계; 및
    상기 세로줄의 심각도를 진단한 결과 정보, 상기 세로줄의 발생을 예측한 결과 정보, 및 상기 화상 형성 장치에 대한 방문 서비스를 알리는 알림 정보 중 적어도 하나의 정보를 전송하는 단계 중 적어도 하나의 단계를 포함하는, 서버의 동작 방법.
  9. 제1항에 있어서,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 상기 세로줄의 발생을 예측하는 단계는,
    상기 화상 형성 장치의 제1 스캔 작업 시의 스캔 환경 정보, 및 상기 제1 스캔 작업 이전에 생성된 스캔 이미지에서의 세로줄 후보 정보를 획득하는 단계; 및
    상기 화상 형성 장치의 소정 스캔 작업으로 생성될 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델에 상기 스캔 환경 정보 및 상기 세로줄 후보 정보를 적용하여, 상기 소정 스캔 작업으로 인한 세로줄의 발생을 예측하는 단계를 더 포함하는, 서버의 동작 방법.
  10. 제9항에 있어서,
    복수의 세로줄 정보와 상기 복수의 세로줄 정보에 대한 복수의 스캔 환경 정보 간의 상관 관계 및 상기 복수의 세로줄 정보와 상기 복수의 세로줄 정보에 대응되는 복수의 세로줄 후보 정보 간의 상관 관계에 기초하여, 상기 소정 스캔 이미지에 대한 세로줄의 발생을 예측하는 학습 모델을 학습하는 단계를 더 포함하는, 서버의 동작 방법.
  11. 제9항에 있어서,
    상기 세로줄 현상을 감소시키기 위한 조치 정보를 상기 화상 형성 장치로 전송하는 단계는,
    상기 스캔 환경 정보에서 상기 소정 스캔 작업으로 인해 제1 세로줄의 발생이 예측되면, 상기 제1 세로줄이 발생되지 않도록 예방을 가이드하는 제1 가이드 정보를 획득하는 단계; 및
    상기 제1 가이드 정보를 상기 화상 형성 장치로 전송하는 단계를 더 포함하는, 서버의 동작 방법.
  12. 화상 형성 장치와 통신을 수행하는 통신 장치;
    스토리지;
    프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고,
    상기 프로세서는, 상기 명령어들을 실행함으로써,
    상기 화상 형성 장치의 스캔 작업으로 생성된 스캔 이미지에서 검출된, 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 정보 중 하나 이상을 획득하고,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단 또는 세로줄의 발생을 예측하고,
    상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 상기 화상 형성 장치 또는 상기 화상 형성 장치를 관리하는 관리 장치로 전송하는, 서버.
  13. 외부 장치와 통신을 수행하는 통신 장치;
    스캔 장치;
    사용자 인터페이스 장치;
    프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고,
    상기 프로세서는, 상기 명령어들을 실행함으로써,
    상기 스캔 장치를 통해 수행된 스캔 작업으로부터 생성된 스캔 이미지에서 적어도 하나의 세로줄을 검출하고,
    상기 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 작업 정보를 획득하고,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 획득하고,
    상기 조치 정보에 따라 소정 조치를 수행하고, 상기 적어도 하나의 스캔 작업을 수행하는, 화상 형성 장치.
  14. 제13항에 있어서,
    상기 프로세서는, 상기 명령어들을 실행함으로써,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상을, 상기 화상 형성 장치의 스캔 작업 결과를 모니터링 하는 서버로 송신하고,
    상기 서버로부터 상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여 결정된 상기 조치 정보를 수신하는, 화상 형성 장치.
  15. 외부 장치와 통신을 수행하는 통신 장치;
    스캔 장치;
    사용자 인터페이스 장치;
    프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리를 포함하고,
    상기 프로세서는, 상기 명령어들을 실행함으로써,
    상기 스캔 장치를 통해 수행된 스캔 작업으로부터 생성된 스캔 이미지에서 적어도 하나의 세로줄을 검출하고,
    상기 적어도 하나의 세로줄에 대한 세로줄 정보 및 스캔 환경 작업 정보를 획득하고,
    상기 세로줄 정보 및 상기 스캔 환경 정보 중 하나 이상에 기초하여, 세로줄의 심각도를 진단하거나, 세로줄의 발생을 예측하고,
    상기 세로줄의 심각도를 진단 또는 상기 세로줄의 발생을 예측한 결과에 기초하여, 세로줄 현상을 감소시키기 위한 조치 정보를 획득하고,
    상기 조치 정보에 따라 소정 조치를 수행하고, 상기 적어도 하나의 스캔 작업을 수행하는, 화상 형성 장치.
KR1020190122667A 2019-10-02 2019-10-02 서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거 KR20210039878A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190122667A KR20210039878A (ko) 2019-10-02 2019-10-02 서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거
EP20872792.5A EP3928502A4 (en) 2019-10-02 2020-05-20 ELIMINATING VERTICAL STREAMS IN SERVER-BASED SCANNING IMAGES
US17/604,953 US20220182511A1 (en) 2019-10-02 2020-05-20 Remove vertical streak in scanned images based on server
PCT/US2020/033716 WO2021066884A1 (en) 2019-10-02 2020-05-20 Remove vertical streak in scanned images based on server

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190122667A KR20210039878A (ko) 2019-10-02 2019-10-02 서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거

Publications (1)

Publication Number Publication Date
KR20210039878A true KR20210039878A (ko) 2021-04-12

Family

ID=75338484

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190122667A KR20210039878A (ko) 2019-10-02 2019-10-02 서버에 기반하여 스캔 이미지에 포함된 세로줄을 제거

Country Status (4)

Country Link
US (1) US20220182511A1 (ko)
EP (1) EP3928502A4 (ko)
KR (1) KR20210039878A (ko)
WO (1) WO2021066884A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230254426A1 (en) * 2022-02-10 2023-08-10 Toshiba Tec Kabushiki Kaisha Image reading device

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5168643B2 (ja) * 2008-06-23 2013-03-21 株式会社リコー 状態判別方法、状態判別システム及び画像形成装置
US8233669B2 (en) * 2009-09-17 2012-07-31 Xerox Corporation System and method to detect changes in image quality
KR102037445B1 (ko) * 2013-07-17 2019-10-28 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 화상독취장치 및 그의 세로줄 보정 방법
JP6700933B2 (ja) * 2016-04-20 2020-05-27 キヤノン株式会社 画像形成装置
JP6732514B2 (ja) * 2016-04-22 2020-07-29 キヤノン株式会社 画像形成装置
JP6201001B1 (ja) * 2016-04-28 2017-09-20 株式会社Pfu 画像処理装置、画像処理方法、および、プログラム
EP3438757B1 (en) * 2017-08-04 2021-03-24 Canon Kabushiki Kaisha Image forming apparatus

Also Published As

Publication number Publication date
US20220182511A1 (en) 2022-06-09
WO2021066884A1 (en) 2021-04-08
EP3928502A4 (en) 2022-10-12
EP3928502A1 (en) 2021-12-29

Similar Documents

Publication Publication Date Title
US10187532B2 (en) Image processing apparatus, image processing method, and storage medium
JP2007281959A (ja) 故障診断システム及び故障診断方法
JP6234181B2 (ja) 画像処理装置、情報処理装置、画像処理装置の制御方法、情報処理装置の制御方法、及びプログラム
US8233669B2 (en) System and method to detect changes in image quality
JP4872979B2 (ja) 画像処理装置、画像形成装置及びプログラム
JP7487568B2 (ja) 画像検査装置、表示方法及びプログラム
US20220182511A1 (en) Remove vertical streak in scanned images based on server
JP2011137895A (ja) 白抜け検出装置、画像形成装置および白抜け検出プログラム
JP2016046595A (ja) 画像処理装置、画像処理方法ならびにプログラム
KR101500441B1 (ko) 화상형성장치, 호스트장치 및 화상형성장치의 진단방법
JP2015170200A (ja) 故障予測装置及び故障予測方法
JP2012078795A (ja) 画像形成装置
US8725872B2 (en) Information processing apparatus, image forming apparatus, information processing method, image forming method, and computer readable medium
US11445070B2 (en) Determining print quality based on information obtained from rendered image
JP2010067068A (ja) 画像特徴分類装置及びプログラム
US11995487B2 (en) Identify type of screen according to image quality of image forming apparatus
JP2016025646A (ja) 画像処理装置、画像処理方法ならびにプログラム
JP6477367B2 (ja) 障害予測管理装置、障害予測管理プログラム
JP7272035B2 (ja) 画像処理システム、画像処理方法、およびプログラム
JP7139882B2 (ja) 診断システム、画像形成装置、診断方法およびプログラム
JP2017191294A (ja) 画像処理装置、制御方法、及びプログラム
KR102195640B1 (ko) 화상 형성 장치의 네트워크 진단을 수행하는 호스트 장치 및 방법, 네트워크 진단이 수행되는 화상 형성 장치 및 이를 제어하는 방법
CN101958999B (zh) 主机设备、图像形成设备和用于图像形成设备的诊断方法
KR20210023376A (ko) 광 검출 소자를 이용한 레이저 스캔 장치 상태 판단
JP2023100044A (ja) 変位量算出装置