CN111942023B - 信息处理装置、印刷装置、学习装置以及信息处理方法 - Google Patents

Abstract

本发明提供一种用于通过预测印刷头的喷出不良来抑制印刷品质的降低的信息处理装置、印刷装置、学习装置以及信息处理方法等。信息处理装置(200)包括对学习完毕模型进行存储的存储部(230)、接受部(210)和处理部(220)。学习完毕模型为，根据将与喷出不良的要因相关的喷出不良要因信息、和表示被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，而对喷出不良的预测条件进行了机器学习而获得的学习完毕模型。接受部(210)从印刷装置(1)接受喷出不良要因信息。处理部(220)根据所接受的喷出不良要因信息和学习完毕模型，来预测印刷头(31)的喷出不良。

Description

信息处理装置、印刷装置、学习装置以及信息处理方法

技术领域

本发明涉及一种信息处理装置、印刷装置、学习装置以及信息处理方法等。

背景技术

一直以来，在喷墨打印机中，使用了一种对喷嘴的喷出不良进行检测的方法。喷出不良表示喷嘴堵塞而无法喷出液滴的情况。例如，在专利文献1中，公开了一种基于两个检测单元来检测喷嘴的喷出不良的方法。在专利文献1中，第一检测单元使用线阵相机来直接监视印刷物。第二检测单元监视压电元件的驱动信号。压电元件被用于从喷嘴喷出油墨。

在专利文献1的方法中，实施如下处理，即，在第一检测单元中被检测到喷出不良的情况下，使用第二检测单元来实施判断，且基于两个判断结果来确定发生了喷出不良的喷嘴。由于在实际上检测到了喷出不良之后执行清洁等恢复处理，因此，产生损纸。损纸是指不堪使用的印刷物，此处特别地表示因油墨未被适当喷出而导致印刷品质未达到所要求的水准的印刷物。

专利文献1：日本特开2013-111768号公报

发明内容

本公开内容的一个方式涉及一种信息处理装置，该信息处理装置包括：存储部，其存储学习完毕模型，所述学习完毕模型是，根据将与喷出油墨的印刷头的喷出不良的要因有关的喷出不良要因信息、和表示通过从所述印刷头被喷出的所述油墨而被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，对所述印刷头的所述喷出不良的预测条件进行了机器学习而获得的；接受部，其从具备所述印刷头的印刷装置接受所述喷出不良要因信息；处理部，其根据所接受的所述喷出不良要因信息和所述学习完毕模型，来预测所述印刷头的所述喷出不良。

附图说明

图1是印刷装置的结构例。

图2是表示印刷头周边的结构的图。

图3是表示多个印刷头的排列的图。

图4是表示印刷头周边的结构的其他的图。

图5是摄像部的结构例。

图6是印刷头的剖视图。

图7是说明基于残余振动的波形信息的喷出不良的判断方法的图。

图8是对气泡混入进行说明的示意图。

图9是对油墨增粘进行说明的示意图。

图10是对异物附着进行说明的示意图。

图11是说明与喷嘴状态相对应的残余振动的波形信息的图。

图12是学习装置的结构例。

图13是神经网络的说明图。

图14是训练数据的示例。

图15是神经网络的输入和输出的示例。

图16是训练数据的其他的示例。

图17是神经网络的输入和输出的其他的示例。

图18是神经网络的输入和输出的其他的示例。

图19是信息处理装置的结构例。

图20是信息处理装置的其他的结构例。

图21是说明信息处理装置中的处理的流程图。

图22是说明推论处理中的神经网络的结构的图。

图23是说明追加学习的处理的流程图。

具体实施方式

以下，对本实施方式进行说明。另外，在下文所说明的本实施方式并非不当地对被记载于权利要求书的内容进行限定的内容。此外，在本实施方式中说明的结构的全部并不限于为必须结构要件。

1.概要

1.1印刷装置的结构例

图1是表示本实施方式所涉及的印刷装置1的结构的图。如图1所示，印刷装置1包括：输送单元10、滑架单元20、头单元30、驱动信号生成部40、油墨抽吸单元50、擦拭单元55、冲洗单元60、第一检查单元70、第二检查单元80、检测器群90和控制器100。印刷装置1为朝向纸张、布、薄膜等印刷介质喷出油墨的装置，且与计算机CP可通信地进行连接。为了使印刷装置1印刷图像，计算机CP将与该图像相对应的印刷数据发送至印刷装置1。印刷数据除了包括表示上述图像的印刷图像数据之外，还包括印刷设定信息。印刷设定信息为，用于确定印刷介质的尺寸、印刷品质、颜色设定等的信息。

输送单元10向预定的方向输送印刷介质。印刷介质为例如纸张S。纸张S既可以为预定尺寸的印刷纸张，也可以为连续纸。以下，将印刷介质被输送的方向记载为输送方向。如图2所示，输送单元10具有上游侧辊12A以及下游侧辊12B和带14。当未图示的输送电机进行旋转时，上游侧辊12A以及下游侧辊12B进行旋转，从而带14进行旋转。被输送的印刷介质被带14输送至作为可执行印刷处理的区域即印刷区域。印刷区域是指与头单元30对置的区域。通过带14对纸张S进行输送，从而使纸张S相对于印刷头31在输送方向上进行移动。

滑架单元20使包含印刷头31的头单元30进行移动。滑架单元20具有滑架和滑架电机，所述滑架被支承成可沿着导轨在纸张S的纸张宽度方向上进行往复移动。滑架通过该滑架电机的驱动，从而与印刷头31一体地进行移动。通过滑架在纸张宽度方向上进行移动，从而使位于印刷区域的印刷头31向与印刷区域不同的维护区域进行移动。维护区域是指可执行恢复处理的区域。

头单元30对被输送单元10输送至印刷区域的纸张S喷出油墨。头单元30通过对于输送中的纸张S喷出油墨，从而在纸张S上形成点，进而将图像印刷在纸张S上。本实施方式所涉及的印刷装置1为例如行式头方式的打印机，头单元30能够一次形成相当于纸张宽度的量的点。此外，如图3所示，头单元30具有沿着纸张宽度方向排列成交错列状的多个印刷头31、和基于来自控制器100的头控制信号来控制印刷头31的头控制部HC。

各印刷头31在其下表面上具有例如黑色油墨喷嘴列、蓝绿色油墨喷嘴列、品红色油墨喷嘴列、以及黄色油墨喷嘴列，且分别从各喷嘴列朝向纸张S喷出不同颜色的油墨。此外，本实施方式所涉及的印刷头31也可以具备仅某一特定的油墨颜色的喷嘴列。另外，虽然实际的喷嘴的位置如图3所示那样在输送方向上的位置不同，但是通过使喷出的定时不同，从而能够考虑将由各印刷头31的喷嘴列构成的喷嘴群作为排列成一列的喷嘴。

通过对于输送中的纸张S，从各喷嘴间歇性地喷出油墨滴，从而喷嘴群在纸张S上形成光栅线。例如，第一喷嘴在纸张S上形成第一光栅线，第二喷嘴在纸张S上形成第二光栅线。在以下的说明中，将光栅线的方向称为栅格方向。

在喷嘴中发生了喷出不良的情况下，在纸张S上未形成适当的点。喷出不良表示喷嘴堵塞而未适当地喷出油墨滴的状态。此外，在以下的说明中，将未被适当地形成的点称为点不良。一旦发生喷嘴的喷出不良，则在印刷中几乎不会自发地恢复，因此，喷出不良连续地发生。然后，由于在纸张S上在栅格方向上连续地发生点不良，因此，在印刷图像上，点不良作为白色或者亮条纹而被观察到。

驱动信号生成部40生成驱动信号。当驱动信号被施加给作为驱动元件的压电元件PZT时，压电元件PZT进行伸缩，且与各喷嘴Nz相对应的压力室331的容积发生变化。在印刷处理时、使用第二检查单元80的喷出不良的检测处理时和冲洗处理时等，驱动信号被施加给印刷头31。关于包括压电元件PZT的印刷头31的具体例，利用图6，在下文中进行记述。

油墨抽吸单元50从印刷头31的喷嘴Nz抽吸头内的油墨，并向头外排出。油墨抽吸单元50通过在使未图示的盖与印刷头31的喷嘴面紧贴的状态下，使未图示的抽吸泵进行动作，将盖的空间设为负压，从而对印刷头31内的油墨和混入印刷头31内的气泡一起进行抽吸。由此，能够使喷嘴Nz的喷出不良恢复。

擦拭单元55去除附着于印刷头31的喷嘴面上的纸粉等异物。擦拭单元55具有能够与印刷头31的喷嘴面抵接的擦拭件。擦拭件由具有可挠性的弹性部件构成。当滑架通过滑架电机的驱动从而在纸张宽度方向上进行移动时，擦拭件的顶端部与印刷头31的喷嘴面抵接并挠曲，来对喷嘴面的表面进行清洁。由此，擦拭单元55能够去除附着于喷嘴面上的纸粉等异物，从而能够从因该异物而堵塞的喷嘴Nz中正常地喷出油墨。

冲洗单元60接收并贮留通过印刷头31实施冲洗动作而被喷出的油墨。冲洗动作是指，将与印刷的图像无关的驱动信号施加给驱动元件，且强制性地使油墨滴从喷嘴Nz连续地喷出的动作。由此，能够抑制头内的油墨增粘、干燥而无法喷出适当量的油墨的情况，因此，能够使喷嘴Nz的喷出不良恢复。

第一检查单元70基于被形成于纸张S上的印刷图像的状态来检查喷出不良。第一检查单元70包括摄像部71和图像处理部72。另外，虽然在图1中，分别记载了图像处理部72和控制器100，但是图像处理部72也可以由控制器100来实现。对于摄像部71的详细情况以及图像处理部72中的处理的详细情况，在下文中进行记述。

第二检查单元80基于印刷头31内的油墨的状态，针对每一个喷嘴Nz而检查喷出不良。第二检查单元80包括A/D转换部82。A/D转换部82对于压电元件PZT中的检测信号而实施A/D转换，并输出数字信号。此处的检测信号为残余振动的波形信息。此外，在本实施方式中，对于A/D转换后的数字信号也记载为残余振动的波形信息。对于残余振动的波形信息的详细、以及基于该波形信息的喷出不良的检测方法，利用图6～图11，在下文中进行记述。

控制器100为用于实施印刷装置1的控制的控制单元。控制器100包括：接口部101、处理器102、存储器103和单元控制电路104。接口部101在作为外部装置的计算机CP与印刷装置1之间实施数据的收发。处理器102为用于实施印刷装置1整体的控制的运算处理装置。处理器102为例如CPU(Central Processing Unit，中央处理器)。存储器103用于确保储存处理器102的程序的区域和作业区域等。处理器102通过基于被储存在存储器103中的程序的单元控制电路104来控制各单元。

检测器群90对印刷装置1内的状况进行监视，其包括例如温度传感器91、湿度传感器92、气压传感器93、海拔传感器94。另外，海拔传感器94由例如温度传感器和气压传感器的组合来实现。实现海拔传感器94的传感器既可以为例如温度传感器91以及气压传感器93，也可以为不同的传感器。此外，检测器群90也可以包括被利用于印刷介质的输送等的控制的旋转式编码器、对被输送的印刷介质的有无进行检测的纸张检测传感器、用于对滑架的移动方向的位置进行检测的线性编码器等未图示的结构。

此外，在上文中，对印刷头31以覆盖纸张宽度的方式而被设置的行式头方式的印刷装置1进行了说明。但是，本实施方式的印刷装置1并不被限定于行式头方式，也可以为串行头方式。串行头方式是指，通过使印刷头31在主扫描方向上往复从而实施相当于纸张宽度的量的印刷的方式。

图4为示意性地表示串行头方式的印刷装置1中的印刷头31周边的结构的俯视图。印刷头31具备多个喷嘴Nz，且根据处理器102的指示，通过针对印刷介质从喷嘴Nz喷射油墨，从而在印刷介质上形成图像。如图4所示，印刷头31具备多个，且被搭载在滑架21上。作为一个示例，在使用四色的油墨的情况下，针对每一个颜色的油墨而设置印刷头31。

滑架21搭载印刷头31以及摄像部71，且使它们在纸张宽度方向上进行移动。纸张宽度方向也可以换言之为主扫描方向。滑架21通过未图示的驱动源以及传动装置而沿着滑架轨道22进行移动。滑架21从处理器102取得滑架控制信号，且基于该滑架控制信号而被驱动。

如图4所示，在印刷时，对于在输送方向上被输送的纸张S，从通过滑架21而在纸张宽度方向上进行移动的印刷头31喷出油墨，从而在纸张S上形成图像。印刷介质的输送与行式头方式同样地由输送单元10来实施。

1.2第一检查单元

图5为被包含于第一检查单元70中的摄像部71的结构例，且为表示摄像部71的内部结构的纵剖视图。摄像部71在于下方处具有开口部的箱型的壳体712中搭载有摄像单元711、控制板714、第一光源715以及第二光源716。另外，摄像部71并不被限定于图5的结构。

第一光源715和第二光源716为，对摄像对象的被摄体照射摄影用的光的N个(N≥2)光源，各自的发光正面方向DL1、DL2互相地相对于被摄体而被设置在正反射的位置。第一光源715和第二光源716为例如白色的发光二极管，且通过由控制板714控制驱动用的电压以及电流，从而控制光量。

摄像单元711包括透镜和摄像元件。摄像单元711以光轴朝向第一光源715和第二光源716的正反射的反射位置、并在与作为被摄体的印刷介质之间具有预定的设置距离的方式而被设置。

利用图2以及图4如上述的那样，摄像部71被设置在印刷头31的附近。行式头方式的印刷装置1无需在印刷时将头单元30在纸张宽度方向上进行输送，就能够实现高速印刷。但是，由于假设在印刷时不使摄像部71进行移动，因此，为了对纸张宽度整体进行拍摄，优选地使用广角的摄像部71、或者设置多个摄像部71。在使用串行头方式的印刷装置1的情况下，在印刷中摄像部71也随着滑架21的驱动而进行移动。因此，存在以下优点，即，通过在滑架21的往复驱动期间实施多次摄像，从而容易地对纸张宽度整体进行拍摄这样的优点。在本实施方式中，也可以采用任意的方式，在下文中，对通过摄像部71适当地对印刷物进行拍摄的情况进行说明。

例如，在使用行式头方式的印刷装置1的情况下，如上述那样，能够考虑将由多个印刷头31的喷嘴列构成的喷嘴群作为排列成一列的喷嘴Nz。因此，根据预先的设计，喷嘴群中的给定的喷嘴Nz的位置、和在印刷介质中从该给定的喷嘴Nz被喷出的油墨的喷落位置的关系是已知的。喷嘴Nz和喷落位置的关系为已知这点在串行头方式的印刷装置1中也是相同的。期待由摄像部71拍摄到印刷结果的摄像图像数据成为将用于该印刷的印刷图像数据的图像以预定倍率放大或缩小后获得的图像数据。此处的预定倍率为，能够基于喷嘴间隔、印刷介质的输送间距、摄像元件的分辨率、摄像部71的透镜结构等设计而计算出来的信息。

图像处理部72通过针对印刷图像数据实施由上述预定倍率实现的变倍处理，从而制作出与摄像图像数据相同的分辨率的基准数据。图像处理部72通过对摄像图像数据和基准数据进行比较，来检测喷嘴Nz的喷出不良。

具体而言，印刷装置1的控制器100基于从计算机CP接收到的印刷图像数据而针对纸张S开始印刷处理。摄像部71与印刷处理并行地对被印刷于纸张S上的图像进行拍摄。

图像处理部72通过从计算机CP取得印刷图像数据，且对该印刷图像数据进行加工，从而制作出基准数据。图像处理部72对于摄像图像数据和基准数据的各像素，计算出像素值的差分，且基于被计算出的像素值的差分，来判断各色的点不良部位。点不良部位表示因未从喷嘴Nz喷出油墨而未在印刷介质上适当地形成点的部位。具体而言，如果像素值的差分为预定值以下，则图像处理部72判断为无点不良部位，如果像素值的差分高于预定值，则判断为存在点不良部位。因此，通过基于拍摄到的图像来对点不良进行判断，从而能够针对多个喷嘴中的各喷嘴Nz而判断是否发生了喷出不良。

但是，基于摄像图像数据的喷出不良的检查并不限于始终能够进行。例如，在印刷图像数据的给定的像素被设定为与印刷介质的颜色相同的颜色的情况下，对应的喷嘴Nz不需要在该像素的位置喷出油墨。例如，在印刷介质为通常的印刷纸张的情况下，在印刷白色区域时，实施以不喷出油墨的方式而维持印刷介质的原始颜色的控制。

在这种情况下，由于原本对于上述给定的像素就不实施油墨的喷出，因此，无法判断是否是点不良部位。例如，在使用了例如给定的喷嘴Nz一次也不喷出油墨这样的印刷图像数据的情况下，即使对该印刷图像数据的印刷结果进行了拍摄，也无法判断针对该给定的喷嘴Nz的喷出不良。此外，如果考虑到判断精度，则关于给定的喷嘴Nz，优选地将多次喷出、即印刷结果中的多个点作为判断对象。

如上所述，在利用摄像部71的喷出不良的判断中，优选使用包含图案的印刷图像数据，该图案使成为判断对象的各喷嘴Nz分别喷出预定次数以上的油墨滴。在本实施方式中，将上述图案记载为可检测图案。即，由第一检查单元70实施的喷出不良的检查的执行条件成为，印刷图像数据包含可检测图案。

1.3第二检查单元

图6为印刷头31的剖视图。各印刷头31具有壳体32、流道单元33、压电元件单元34。壳体32为用于收纳并固定压电元件PZT等的部件，且由例如环氧树脂等非导电性的树脂材料制作。

流道单元33具有流道形成基板33a、喷嘴板33b和振动板33c。在流道形成基板33a中的一方的表面上接合有喷嘴板33b，在另一方的表面上接合有振动板33c。在流道形成基板33a上形成有成为压力室331、油墨供给道332以及共同油墨室333的空部或槽。该流道形成基板33a由例如硅基板制作。在喷嘴板33b上设置由多个喷嘴Nz构成的喷嘴群。该喷嘴板33b由具有导电性的板状的部件、例如较薄的金属板制作。在振动板33c中的与各压力室331相对应的部分设置有隔膜部334。该隔膜部334通过压电元件PZT而进行变形，以使压力室331的容积发生变化。另外，通过存在有振动板33c或粘合层等，从而使压电元件PZT和喷嘴板33b处于电绝缘的状态。

压电元件单元34具有压电元件群341和固定板342。压电元件群341呈梳齿状。而且，每个梳齿为压电元件PZT。各压电元件PZT的顶端面被粘合在相对应的隔膜部334所具有的岛部335上。固定板342对压电元件群341进行支承，并且成为相对于壳体32的安装部。压电元件PZT为电气机械转换元件的一个示例，且通过当被施加驱动信号时在长边方向上进行伸缩，从而对压力室331内的液体赋予压力变化。在压力室331内的油墨中，因压力室331的容积的变化而产生压力变化。能够利用该压力变化而使油墨滴从喷嘴Nz喷出。另外，代替作为电气机械转换元件的压电元件PZT，也可以设为通过产生对应于被施加的驱动信号的气泡从而使油墨滴喷出的结构。

图7为对由第二检查单元80实施的喷出不良的检测原理进行说明的图。如图7所示，当对压电元件PZT施加驱动信号时，压电元件PZT进行挠曲而使振动板33c进行振动。即使停止向压电元件PZT施加驱动信号，也在振动板33c上产生残余振动。当振动板33c因残余振动而发生振动时，压电元件PZT根据振动板33c的残余振动进行振动并输出信号。因此，通过使振动板33c产生残余振动，且对在此时的压电元件PZT上产生的信号进行检测，从而能够求出各压电元件PZT的特性。将基于因残余振动而产生于压电元件PZT的信号的波形的信息标记为残余振动的波形信息或者波形图案。

与压电元件PZT的残余振动相对应的检测信号被输入至第二检查单元80。第二检查单元80的A/D转换部82实施针对检测信号的A/D转换处理，且输出作为数字数据的波形信息。波形信息被存储在存储器103中，且被用于后述的学习处理、推论处理。另外，第二检查单元80也可以包括未图示的噪声降低部等。此外，作为第二检查单元80的输出的波形信息并不被限定于波形本身，也可以为与周期或振幅有关的信息。这种情况下的第二检查单元80包括未图示的波形整形部、脉冲宽度检测部等测量部。通过对于与各喷嘴Nz对应的压电元件PZT依次取得波形信息，从而能够对各压电元件PZT的特性进行检测。

图8～图10为对喷出不良的主要原因进行例示的图。图11为对与喷嘴Nz的状态相对应的残余振动的波形信息进行例示的图。图8为表示在印刷头31的内部混入了气泡的状态的示意图。在图8中，OB1为气泡。如图11所示，在混入了气泡的情况下，残余振动的波形与正常状态下的波形相比，周期变短。图9为表示印刷头31的内部的油墨增粘后的状态的示意图。增粘表示油墨的粘度与正常状态相比增加的状态。如图11所示，在油墨增粘了的情况下，残余振动的波形与正常状态下的波形相比，周期变长。图10为表示在印刷头31的下表面、即喷嘴面上附着了异物的状态的示意图。在图10中，OB2为纸粉等异物。如图11所示，在附着了异物的情况下，残余振动的波形与正常状态下的波形相比，振幅降低。如上所述，通过对残余振动的波形信息进行判断，从而能够进行喷出不良的检查。

1.4本实施方式的方法

在专利文献1中，也公开了组合两个检测单元的方法。但是，由于专利文献1为在发生了喷出不良的情况下实施适当的对策，因此，难以抑制损纸的产生。具体而言，在喷出不良发生之后，直到通过恢复处理而消除该喷出不良为止所印刷出的印刷物因印刷品质降低而成为损纸。由于在商用打印机等中，无法将品质较低的印刷物作为商品来使用，因此，损纸的产生导致较大的损失。

利用上述残余振动的波形信息的判断为，对因气泡混入、油墨增粘、异物附着等喷出不良要因而引起的波形信息的变化进行检测的方法。因此，可以认为，通过使用残余振动的波形信息，从而能够在喷出不良发生前进行检测。例如，可以考虑，即使气泡混入在油墨中，并不立即发生喷出不良，而根据该气泡的尺寸和位置来确定是否会成为喷出不良。因此，只要能够在轻度的气泡混入的阶段中对该混入进行检测，则能够通过实施恢复处理，从而防止喷出不良于未然。

但是，例如，如专利文献1所公开那样，利用残余振动的波形信息的判断处理是通过对周期或振幅的值和给定的阈值进行比较而被实施的。为了基于残余振动的波形信息而高精度地检测喷出不良发生的情况，需要设定适当的阈值，与阈值设定有关的用户负担较大。更何况，如果想要在印刷结果中未发生明确的点不良的阶段、即未发生堵塞等喷出不良的阶段中预测将来的喷出不良，则阈值设定就更加困难了。

基于以上说明，在本实施方式中，通过实施利用了喷出不良要因信息的机器学习，从而实施喷出不良的预测处理。由于能够通过实施机器学习，来高精度地推定将来是否发生喷出不良，因此，能够抑制损纸的产生。此外，只要能够进行高精度的推定，也能够抑制过量地实施清洁或冲洗等恢复处理的情况。因此，能够抑制伴随着恢复处理的油墨消耗。此外，由于也能够抑制因恢复处理而导致印刷停止的情况，因此，能够提高生产率。

另外，在本实施方式中，将表示被形成于印刷介质上的图像的印刷图像信息用于学习。狭义而言，印刷图像信息是指基于被形成于印刷介质上的图像的喷出不良的判断结果，该判断结果作为机器学习中的正确标签而被利用。因此，容易自动地收集用于学习处理的训练数据，能够有效地执行学习处理。以下，详细地对本实施方式的学习处理、推论处理进行说明。

2.学习处理

2.1学习装置的结构例

图12为表示本实施方式的学习装置400的结构例的图。学习装置400包括取得用于学习的训练数据的取得部410、和基于该训练数据而实施机器学习的学习部420。

取得部410为例如从其他设备取得训练数据的通信接口。或者，取得部410也可以取得学习装置400所保持的训练数据。例如，学习装置400包括未图示的存储部，取得部410为用于从该存储部读出训练数据的接口。本实施方式中的学习为例如监督学习(supervised learning)。监督学习中的训练数据为将输入数据和正确标签对应起来了的数据组。

学习部420实施基于取得部410所取得的训练数据的机器学习，并生成学习完毕模型。另外，本实施方式的学习部420由下述的硬件构成。硬件能够包括处理数字信号的电路以及处理模拟信号的电路中的至少一方。例如，硬件能够由被安装于电路基板上的一个或多个电路装置、一个或多个电路元件构成。一个或多个电路装置为例如IC等。一个或多个电路元件为例如电阻、电容器等。

此外，学习部420也可以由下述的处理器来实现。本实施方式的学习装置400包括：存储信息的存储器、和基于被存储于存储器中的信息而进行动作的处理器。信息为例如程序和各种数据等。处理器包括硬件。处理器能够使用CPU、GPU(Graphics Processing Unit：图形处理器)、DSP(Digital Signal Processor：数字信号处理器)等各种处理器。存储器既可以为SRAM(Static Random Access Memory：静态随机存储器)、DRAM(Dynamic RandomAccess Memory：动态随机存储器)等半导体存储器，又可以为寄存器，也可以为硬盘装置等磁存储装置，还可以为光盘装置等光学式存储装置。例如，存储器储存能够由计算机读取的命令，且通过该命令由处理器来执行，从而学习装置400的各部的功能作为处理来实现。此处的命令既可以为构成程序的命令组的命令，也可以为针对处理器的硬件电路而指示动作的命令。例如，通过存储器存储对学习算法进行规定的程序，且处理器根据该学习算法来进行动作，从而执行学习处理。

更加具体而言，取得部410取得印刷头31的喷出不良要因信息、和基于因从印刷头31被喷出的油墨而被形成于印刷介质上的图像的检测结果的印刷图像信息。具体而言，印刷头31的喷出不良是指印刷头31所包含的喷嘴Nz的喷出不良。学习部420基于将喷出不良要因信息和印刷图像信息对应起来了的数据组，而对印刷头31的喷出不良的预测条件进行机器学习。此处的预测条件表示，用于判断为将来发生喷出不良的可能性变高的喷出不良要因信息的数值、范围、变化倾向等各种条件。换言之，学习部420基于喷出不良要因信息而生成用于对在将来是否会发生喷出不良进行预测的学习完毕模型。

喷出不良要因信息是指与喷出不良要因有关的信息。喷出不良要因是指成为喷出不良的要因的事项，例如为使用图8～图10所述的气泡混入、油墨增粘、异物附着等。

而且，在印刷装置1的印刷头31通过对压电元件施加电压而喷出油墨的情况下，喷出不良要因信息包括因电压向压电元件的施加而产生的残余振动的波形信息。具体而言，压电元件是指上述的压电元件PZT。如上所述，残余振动的波形信息因气泡混入等而发生变化，因此，是与喷出不良要因有关的信息。如此，能够通过将残余振动的波形信息设为机器学习的对象，从而适当地预测喷出不良的发生。

此外，已知温度、湿度、气压、海拔等印刷装置1的使用环境对气泡混入等喷出不良要因的发生程度产生影响。由于因温度等环境参数发生变化，因此，在印刷装置1内易于产生气泡的部位、气泡的产生容易度、所产生的气泡的移动的容易度等会发生变化。此外，包含粘度的油墨的特性也因温度等而发生变化。此外，如果温度等发生变化，则向喷嘴面的异物附着的容易度也发生变化。例如，因湿度等环境发生变化，在喷嘴面中的静电的发生程度变高的情况下、或印刷介质的表面变得易于起毛的情况下，异物易于附着。如上所述，由于温度等环境参数可谓是与喷出不良要因相关的信息，因此，被包括在本实施方式的喷出不良要因信息中。而且，通过将环境参数作为机器学习的对象，从而能够适当地预测喷出不良的发生。

印刷图像信息包括通过对被形成于印刷介质上的图像进行感测从而被取得的图像数据、以及基于该图像数据而被求出的信息。基于图像数据而被求出的信息包括例如基于印刷头31的喷出不良的印刷品质的判断结果。更加具体而言，印刷图像信息也可以为表示在印刷结果中是否产生竖条纹或横条纹的判断结果的信息。

印刷图像信息为例如基于由被设置于印刷装置1上的摄像部71拍摄到的图像的信息。这样，能够基于由摄像部71获得的摄像结果、即摄像图像数据来实施机器学习。具体而言，摄像部71为区域图像传感器，且能够在一次的感测中取得较广的区域的图像数据。通过利用印刷图像信息，从而能够直接地检测出印刷结果中的异常。

此外，摄像部71也可以被设置在包含印刷头31的头单元30上。更加具体而言，如图4所示，摄像部71被设置在搭载印刷头31的滑架21上。这样，被喷出有油墨的区域、与由摄像部71拍摄的区域十分接近。例如，摄像部71也可以将被喷有油墨的区域作为摄像区域。由于能够缩短从印刷完成到印刷图像信息的取得为止的时间，因此，能够迅速地确认印刷结果。特别是，在印刷装置1为串行头方式的打印机的情况下，通过将摄像部71搭载在滑架21上，从而能够一边使摄像部71进行移动，一边对印刷结果进行拍摄。但是，本实施方式的印刷图像信息也可以与例如专利文献1同样地使用线图像传感器来取得。

根据本实施方式的方法，基于组合了喷出不良要因信息和印刷图像信息后获得的数据组，来实施机器学习。通过利用学习结果，从而能够基于例如被实测出的喷出不良要因信息，来高精度地推定是否发生喷出不良。因此，例如，在利用残余振动的波形信息的情况下，无需通过人手来设定阈值等，就能够进行高精度的判断。此外，由于能够预测将来的喷出不良，因此，能够在实际上油墨未被喷出之前，执行适当的恢复处理。即，能够抑制损纸的产生。

图12所示的学习装置400也可以被包括在例如图1所示的印刷装置1中。在这种情况下，学习部420与印刷装置1的控制器100相对应。更加具体而言，学习部420也可以为处理器102。印刷装置1将来自第二检查单元80的残余振动的波形信息、或者来自检测器群90的感测数据作为工作信息而进行积累。取得部410也可以为读出被积累于存储器103中的工作信息的接口。此外，印刷装置1也可以将所积累的工作信息发送至计算机CP或服务器系统等外部设备。取得部410也可以为从该外部设备接收学习所需的训练数据的接口部101。

此外，学习装置400也可以被包括在与印刷装置1不同的设备中。例如，学习装置400既可以被包括在对印刷装置1的工作信息进行收集的外部设备中，也可以被包括在能够与该外部设备进行通信的其他的装置中。

2.2神经网络

作为机器学习的具体例，而对于利用神经网络的机器学习进行说明。图13为神经网络的基本的结构例。神经网络为在计算机上对脑功能进行模拟的数学模型。将图13的一个圆圈称为节点或者神经元。在图13的示例中，神经网络具有输入层、两个中间层、和输出层。输入层为I，中间层为H1以及H2，输出层为O。此外，在图13的示例中，输入层的神经元数为3，中间层的神经元数分别为4，输出层的神经元数为1。但是，中间层的层数、或者各层所包括的神经元的数量能够进行各种各样的变形实施。输入层所包括的神经元分别与第一中间层、即H1的神经元进行结合。第一中间层所包括的神经元分别与第二中间层、即H2的神经元进行结合，第二中间层所包括的神经元分别与输出层的神经元进行结合。另外，中间层也可以换言之为隐含层。

输入层为分别输出输入值的神经元。在图13的示例中，神经网络接受x1、x2、x3以作为输入，输入层的各神经元分别输出x1、x2、x3。另外，也可以对输入值实施一些预处理，输入层的各神经元输出预处理后的值。

在中间层之后的各神经元中，实施模拟了在脑中将信息作为电气信号来进行传递的样子的运算。由于在脑中，信息传递的容易度根据突触的结合强度而变化，因此，在神经网络中，用权重W来表现该结合强度。图13的W1为输入层与第一中间层之间的权重。W1表示输入层所包含的给定的神经元、与第一中间层所包含的给定的神经元之间的权重的集合。在将输入层的第p个神经元数与第一中间层的第q个神经元之间的权重表现为w¹ _pq的情况下，图13的W1为包括w¹ ₁₁～w¹ ₃₄的12个权重的信息。更加广义而言，权重W1为由仅输入层的神经元数与第一中间层的神经元数的乘积的个数的权重构成的信息。

在第一中间层中的第1个神经元中，实施下式(1)所示的运算。在一个神经元中，实施如下运算，该运算为对与该神经元连接的前一层的各神经元的输出进行求和，再加上偏差值的运算。下式(1)中的偏差值为b1。

数学式1

此外，如上式(1)所示那样，在一个神经元的运算中，使用作为非线性函数的激活函数f。激活函数f使用例如下式(2)所示的ReLU函数。ReLU函数为，变量如果是0以下则为0，如果大于0则为变量本身的值的函数。但是，已知激活函数f能够利用各种函数，既可以利用S形函数，也可以利用改良了ReLU函数的函数。虽然在上式(1)中，例示了关于h1的运算式，但是只要在第一中间层的其他神经元中实施相同的运算即可。

数学式2

此外，对于其之后的层也是同样的。例如，在将第一中间层与第二中间层之间的权重设为W2的情况下，在第二中间层的神经元中，实施利用第一中间层的输出和权重W2的积和运算，并实施加上偏差值而应用激活函数的运算。在输出层的神经元中，实施对其前一层的输出进行加权、并加上偏差值的运算。如果为图13的示例，则输出层的前一层为第二中间层。神经网络将在输出层的运算结果作为该神经网络的输出。

如从以上的说明中可理解的那样，为了从输入获得所期望的输出，需要设定适当的权重和偏差值。另外，在下文中，也将权重记载为加权系数。此外，假设也可以在加权系数中包括偏差值。在学习中，预先准备将给定的输入x和该输入中的正确的输出对应起来了的数据组。正确的输出为正确标签。神经网络的学习处理能够认为是，基于该数据组而求出最有可能的加权系数的处理。另外，在神经网络的学习处理中，已知有误差反向传播算法(Back propagation)等各种各样的学习方法。在本实施方式中，由于能够广泛地应用这些学习方法，因此，省略详细的说明。在使用神经网络的情况下的学习算法是指，例如实施进行上式(1)等的运算而取得顺方向结果的处理、以及使用误差反向传播算法来更新加权系数信息的处理这两方的算法。

此外，神经网络并不限定于图13所示的结构。例如，在本实施方式的学习处理以及后述的推论处理中，也可以使用广泛已知的卷积神经网络(CNN：Convolutional neuralnetwork)。CNN具有卷积层以及池化层。卷积层实施卷积运算。具体而言，在此的卷积运算是指过滤器处理。池化层实施缩小数据的纵横的尺寸的处理。在CNN中，通过实施使用了误差反向传播算法等的学习处理，从而学习用于卷积运算的过滤器的特性。即，在神经网络中的加权系数中，包括CNN中的过滤器特性。此外，作为神经网络，也可以使用RNN(Recurrentneural network：循环神经网络)等其他结构的网络。

另外，在上文中，对于学习完毕模型为使用神经网络的模型的示例进行了说明。但是，本实施方式中的机器学习并不限定于利用神经网络的方法。例如，能够在本实施方式的方法中应用SVM(support vector machine，支持向量机)等广知的各种方式的机器学习或者从这些方式发展出的方式的机器学习。

2.3训练数据的示例和学习处理的详细

2.3.1训练数据和学习处理的示例

图14为对在印刷装置1中被取得的观测数据、和基于该观测数据而被取得的训练数据进行说明的图。另外，图14为对于给定的一个喷嘴Nz所取得的观测数据，对于其他的喷嘴Nz也取得同样的观测数据。此外，图14中的i以及j为满足1＜i＜j的自然数。

观测数据包括喷出不良要因信息和印刷图像信息，喷出不良要因信息包括温度信息、湿度信息、气压信息、残余振动的波形信息。另外，喷出不良要因信息也可以包括海拔信息等其他的信息。

摄像部71通过对给定的区域的印刷结果进行拍摄，从而取得摄像图像数据。此处的摄像图像数据表示被用于一次判断处理的图像数据。摄像图像数据也可以为一个摄像部71通过一次摄像所取得的数据。或者，摄像图像数据即可以为将一个摄像部71按照时间序列所摄像的多个图像合成而获得的合成图像数据，也可以为将多个摄像部71所拍摄到的图像合成而获得的合成图像数据。如上所述，图像处理部72通过对摄像图像数据和基准数据进行比较，从而针对多个喷嘴的各喷嘴Nz而取得印刷结果是正常、还是异常的判断结果。

第二检查单元80在取得一个摄像图像数据的期间，对于各喷嘴Nz至少输出一次残余振动的波形信息。具体的取得定时能够进行各种变形实施，例如，如果为串行头方式的印刷装置1，每当滑架21的一次往复时，观测一次残余振动的波形信息。此处的波形信息为例如波形本身，具体而言，为按照时间序列所取得的多个振幅值的集合。但是，波形信息也可以为振幅的最大值、周期等的信息。

温度传感器91在取得一个摄像图像数据的期间，至少输出一次感测结果即温度信息。或者，温度传感器91也可以在该期间中输出多个温度信息，且将其平均值等统计值作为喷出不良要因信息来使用。关于湿度传感器92、气压传感器93等其他的传感器也是同样的，湿度信息以及气压信息能够利用各种样式的信息。另外，温度传感器91、湿度传感器92以及气压传感器93已知有各种结构的传感器，由于在本实施方式中能够广泛地应用它们，因此，省略详细的说明。

如上所述，通过适当地将来自印刷装置1的各部的输出对应起来，从而针对各喷嘴Nz取得如图14所示那样的时间序列的观测数据。在图14中，T_s(s为正整数)表示在与T_s+1相比更靠过去的定时中所取得的温度信息。对于其他信息也是同样的，图14中的各信息为按照从上朝下的顺序所取得的时间序列的信息。在此，印刷图像信息为通过直接地对印刷结果进行拍摄从而被输出的信息。因此，在印刷图像信息为“异常”的情况下，在印刷结果中产生纵条纹或横条纹，即，印刷品质劣化。

由此，在本实施方式中，也可以将印刷图像信息作为正确标签来使用。由机器学习取得的学习完毕模型针对喷出不良要因信息，根据基于印刷图像信息的喷出不良的判断结果作为正确标签而被对应起来了的数据组，从而被机器学习。通过设为这样，能够自动地取得正确标签。由于能够有效地取得大量的训练数据，因此，能够提高学习精度。

例如，关于图14所示的各观测数据，可以考虑将喷出不良要因信息作为输入，并将印刷图像信息即判断结果作为正确标签来执行学习处理。但是，由这样的机器学习取得的学习完毕模型成为，在与被输入的喷出不良要因信息相对应的定时中，输出是否在喷嘴Nz中发生了喷出不良的模型。例如，在输入了在当前时刻所取得的喷出不良要因信息的情况下，学习完毕模型在当前时间点输出在喷嘴Nz中是否发生了喷出不良的判断结果。在使用这样的方法的情况下，与现有的方法比较，具有能够提高基于波形信息等的判断精度这样的效果。此外，由于能够根据喷出不良要因信息推定喷出不良，因此，具有在印刷图像数据不包括可检测图案的情况下也能够应对的效果。但是，由于实际上在喷出不良发生之后对该喷出不良进行检测，因此，难以抑制损纸的产生。

因此，在本实施方式中，通过按时间序列对印刷图像信息进行解析，从而实施对于印刷图像信息的加工处理。换言之，基于印刷图像信息的喷出不良的判断结果并不限定于单一的定时中的判断结果，也包括按时间序列的解析结果。以下，将学习部420作为实施该加工处理的部件来进行说明，但是加工处理既可以在印刷装置1中被实施，也可以在对工作信息进行收集的服务器系统等中被实施。

如图14的A1所示，具体而言，学习部420对作为判断结果的印刷图像信息从正常变化为异常的点进行检测。本实施方式中的喷出不良要因信息是指与喷出不良要因有关的信息。可以考虑在因喷出不良要因而发生喷出不良的情况下，并不从完全正常的状态立即变化为异常的状态，而是在异常发生之前存在其预兆。例如，在混入气泡的情况下，在气泡混入后，并不立即成为油墨未被喷出的状态，而是首先气泡从流道混入，并在继续印刷的过程中，混入的气泡的位置等进行变化，在该气泡成为妨碍油墨的喷出的状态时发生喷出不良。由此，可以认为，在异常发生前的预定期间中，即使印刷结果自身为正常，也会因气泡混入而对喷出不良要因信息产生一些变化。对于油墨增粘或异物附着等其他的喷出不良要因也是同样的。由此，学习部420通过在异常发生前的预定期间中，例如将图14的A2所示的范围的判断结果改写为异常，从而生成训练数据。

图14的训练数据1为加工处理后的数据例。在此，为了对印刷结果是虽然正常但是存在之后变化为异常的可能性的状态、还是实际上印刷结果发生了异常的状态进行区别，学习部420对前者分配称为“异常1”这样的正确标签，对后者分配称为“异常2”这样的正确标签。但是，也可以将它们汇总地分类为“异常”。在图14的示例中，关于B2的范围的数据，正确标签成为“异常1”，关于B3的数据，正确标签成为“异常2”。此外，关于B1的范围，由于为即使经过某种程度的期间、也维持正常的印刷结果的范围，因此，被分配称为“正常”的正确标签。

图15为表示本实施方式中的神经网络的模型的一个示例。神经网络NN1接受喷出不良要因信息以作为输入，并将表示喷出不良的判断结果的信息作为输出数据进行输出。具体而言，表示喷出不良的判断结果的信息是指，表示是正常、或者是存在将来发生喷出不良的可能性的异常1、或者是已发生了喷出不良的异常2的信息。神经网络NN1的输出层也可以为例如广泛已知的softmax层。在这种情况下，神经网络NN1的输出为，表示正常的概率数据、表示异常1的概率数据、和表示异常2的概率数据这三个数据。

例如，基于图14的训练数据的学习处理根据以下的流程来实施。首先，学习部420向神经网络NN1输入输入数据，且通过使用此时的权重来实施顺方向的运算，从而取得输出数据。在使用图14所示的训练数据的情况下，输入数据为喷出不良要因信息。如上所述，由顺方向的运算求出的输出数据是总和为1的三个概率数据。

学习部420基于被求出的输出数据和正确标签来对误差函数进行运算。例如，在使用图14的训练数据的情况下，正确标签为对应的概率数据的值成为1、其他两个概率数据的值成为0的信息。例如，在被分配了“异常1”的情况下，具体的正确标签为，作为异常1的概率数据成为1、作为正常的概率数据以及作为异常2的概率数据成为0的信息。

学习部420计算出由顺方向的运算求出的三个概率数据、与对应于正确标签的三个概率数据之间的相异度以作为误差函数，且在误差变小的方向上更新加权系数信息。另外，关于误差函数，已知有各种形式，在本实施方式中，能够广泛地应用它们。此外，虽然加权系数信息的更新是使用例如误差反向传播算法来实施的，但是，也可以使用其他方法。

以上为基于一个训练数据的学习处理的概要。学习部420也通过对于其他的训练数据重复同样的处理，从而学习适当的加权系数信息。例如，学习部420将所取得的数据的一部分作为训练数据，并将剩余部分作为测试数据。测试数据也可以换言之为评价数据、验证数据。然后，学习部420针对由训练数据生成的学习完毕模型应用测试数据，并实施学习直到正确率为预定阈值以上为止。

另外，在学习处理中，已知通过增加训练数据的数量从而提高了精度。在图14中，例示出在给定的一个喷嘴Nz中直到出现一次称为异常的判断结果为止所取得的观测数据。但是，优选为，针对该喷嘴Nz，通过取得多个观测数据，从而准备更多的训练数据。

此外，学习部420也可以针对多个喷嘴Nz按每一个喷嘴Nz而制作学习完毕模型。但是，如利用图6而上述的那样，各印刷头31、各喷嘴Nz的结构相同。因此，可以考虑在发生了成为喷出不良要因的事项的情况下的喷出不良要因信息的倾向在多个喷嘴Nz中是共同的。由此，学习部420也可以基于和多个喷嘴Nz相关的训练数据而制作出一个学习完毕模型。通过设为这样，能够有效地收集训练数据。

但是，在根据观测数据来生成训练数据1时的加工处理中，需要按时间序列对印刷图像信息进行解析。由此，在根据观测数据来生成训练数据1的阶段中，优选为，按每一个喷嘴Nz来实施处理。对于训练数据1的取得后，无需考虑各数据是否为与任意的喷嘴Nz相关的信息，能够将所有的训练数据1利用在和神经网络NN1相关的学习处理中。

此外，即使喷嘴Nz的结构自身为共同的，如果喷出的油墨不同，则也存在喷出不良要因信息的倾向不同的可能性。因此，在将使用种类不同的多个油墨的印刷装置1作为对象的情况下，学习部420也可以按每一个油墨种类来生成学习完毕模型。油墨种类既可以为蓝绿色或品红色等颜色的种类，也可以为与染料或颜料等的颜色材料有关的种类，还可以为该双方。或者，学习部420也可以通过在学习处理中的输入中追加油墨种类的信息，从而生成能够与多个种类的油墨相对应的学习完毕模型。

2.3.2训练数据的其他示例

此外，用于本实施方式的学习处理的训练数据以及神经网络的结构并不被限定于图14以及图15所示的内容。图16为对在印刷装置1中被取得的观测数据、和基于该观测数据而被取得的训练数据的其他示例进行说明的图。另外，在图16中，为了简化说明，将喷出不良要因信息记载为X_i等。具体而言，X_i为在对应的定时中的温度信息、湿度信息、气压信息、残余振动的波形信息等的集合，例如X_i＝(T_i、H_i、P_i、W_i)。关于观测数据，与图14相同。

学习部420基于观测数据而生成训练数据2以及训练数据3。训练数据2是指，与该定时相比更靠未来的定时下的喷出不良要因信息作为正确标签而和给定的定时下的喷出不良要因信息的历史信息对应起来了的数据组。历史信息是指时间序列的喷出不良要因信息。虽然在图16中。示出了历史信息为可变长度、并且也不妨碍为一个喷出不良要因信息的情况的示例，但是历史信息也可以为固定长度的数据。训练数据3为观测数据本身，并且为印刷图像信息作为正确标签而与喷出不良要因信息对应起来了的数据组。

图17为表示本实施方式中的神经网络NN2的模型的一个示例。另外，虽然在图17以及后述的图18中简化了记载，但是神经网络NN2以及NN3与例如神经网络NN1同样地具有输入层、一个或多个中间层、和输出层。

学习部420基于训练数据2，实施神经网络NN2的学习处理。学习部420通过将训练数据2中的历史信息输入至神经网络NN2，且利用此时的加权系数信息来实施顺方向的运算，从而取得输出数据。顺方向运算的结果为将来的喷出不良要因信息的预测值。例如，在使用图16所示的训练数据2的情况下，图17中的p为1以上且j-1以下的整数。学习部420基于被求出的输出数据和正确标签对误差函数进行运算。例如，在(X₁、X₂、……、X_j-1)为输入数据的情况下，正确标签为X_j。由此，学习部420将顺方向的运算结果与X_j的相异度作为误差函数计算出来，且在误差变小的方向上对加权系数信息进行更新。也通过基于多个训练数据而对神经网络NN2反复实施上述处理，从而确定加权系数信息。

图18为表示本实施方式中的神经网络NN3的模型的一个示例。学习部420基于训练数据3而实施神经网络NN3的学习处理。学习部420通过将训练数据3中的喷出不良要因信息输入至神经网络NN3，且利用此时的加权系数信息来实施顺方向的运算，从而取得输出数据。顺方向运算的结果为该时间点下的喷出不良的判断结果。更加具体而言，输出数据为作为正常的概率数据以及作为异常的概率数据这两个数据。学习部420基于被求出的输出数据和正确标签而对误差函数进行运算。例如，在X_i为输入数据的情况下，正确标签为作为正常的概率数据成为1、作为异常的概率数据成为0的信息。学习部420将顺方向的运算结果与正确标签的相异度作为误差函数计算出来，且在误差变小的方向上更新加权系数信息。也通过基于多个训练数据来对神经网络NN3重复上述处理，从而确定加权系数信息。

通过利用神经网络NN3，从而能够基于喷出不良要因信息而高精度地推定是否发生了喷出不良。此外，通过利用神经网络NN2，从而能够基于喷出不良要因信息的历史信息，来预测将来的喷出不良要因信息。即，通过组合上述两个神经网络，从而能够预测将来的喷出不良要因信息，并基于该喷出不良要因信息实施喷出不良的判断。由此，能够预测将来是否发生喷出不良。

如图14～图18所示，本实施方式的方法只要能够基于喷出不良要因信息和印刷图像信息来预测将来的喷出不良即可，能够针对具体的模型的样式、训练数据的结构而进行各种变形实施。

3.推论处理

3.1信息处理装置的结构例

图19是表示本实施方式的推论装置的结构例的图。推论装置为信息处理装置200。信息处理装置200包括接受部210、处理部220和存储部230。

存储部230根据将喷出不良要因信息和印刷图像信息对应起来了的数据组，而对机器学习了印刷头31的喷出不良的预测条件而获得的学习完毕模型进行存储。接受部210接受温度、湿度、印刷的有无等使用状况信息以作为输入。处理部220基于作为输入而接受到的喷出不良要因信息和学习完毕模型，来输出表示与喷出不良有关的判断结果的信息。

如上所述，考虑到各种喷出不良的要因，本实施方式中的喷出不良要因信息是指与喷出不良要因有关的信息。通过利用被实测出的喷出不良要因信息，从而能够高精度地预测将来的喷出不良。由此，能够抑制因喷出不良而导致的损纸的产生。

另外，学习完毕模型被用作作为人工智能软件的一部分的程序模块。处理部220根据来自被存储于存储部230中的学习完毕模型的指令，而输出表示基于作为输入的喷出不良要因信息的喷出不良的预测结果的数据。

信息处理装置200的处理部220与学习装置400的学习部420同样地，由包括处理数字信号的电路以及处理模拟信号的电路中的至少一方的硬件构成。此外，处理部220也可以通过下述的处理器来实现。本实施方式的信息处理装置200包括：存储信息的存储器、和根据被存储于存储器中的信息进行动作的处理器。处理器能够使用CPU、GPU、DSP等各种处理器。存储器既可以为半导体存储器，又可以为寄存器，也可以为磁存储装置，还可以为光学式存储装置。此处的存储器为例如存储部230。即，存储部230为半导体存储器等信息存储介质，学习完毕模型等的程序被存储在该信息存储介质中。

另外，根据学习完毕模型的处理部220中的运算，即，用于根据输入数据而输出输出数据的运算既可以通过软件来执行，也可以通过硬件来执行。换言之，上式(1)等的求和运算也可以被软件性地执行。或者，上述运算也可以通过FPGA(field-programmable gatearray：现场可编程门阵列)等电路装置来执行。此外，上述运算也可以通过软件和硬件的组合来执行。如此，处理部220根据来自被存储于存储部230中的学习完毕模型的指令的动作能够通过各种方式来实现。例如学习完毕模型包括推论算法、和被用于该推论算法中的参数。推论算法是指，基于输入数据来实施上式(1)的求和运算等的算法。参数是指通过学习处理所取得的参数，例如为加权系数信息。在这种情况下，推论算法和参数双方被存储在存储部230中，处理部220也可以通过读出该推论算法和参数，从而软件性地实施推论处理。或者，推论算法也可以由FPGA等来实现，存储部230也可以存储参数。

图19所示的信息处理装置200被包括在例如图1所示的印刷装置1中。即，本实施方式的方法能够应用于包括信息处理装置200的印刷装置1中。在这种情况下，处理部220与印刷装置1的控制器100相对应，狭义而言，与处理器102相对应。存储部230与印刷装置1的存储器103相对应。接受部210与读出被积累于存储器103中的喷出不良要因信息的接口相对应。此外，印刷装置1也可以将积累的工作信息发送至计算机CP或服务器系统等外部设备。接受部210也可以为从该外部设备接收推论所需的喷出不良要因信息的接口部101。但是，信息处理装置200也可以被包括在与印刷装置1不同的设备中。例如信息处理装置200被包含在从多个印刷装置1对包含喷出不良要因信息的工作信息进行收集的服务器系统等外部设备中。外部设备实施根据收集的工作信息而对各印刷装置1实施与喷出不良有关的推定处理，且实施将被推定出的信息发送至印刷装置1的处理。

在上文中，分开地对学习装置400和信息处理装置200进行了说明。但是，本实施方式的方法并不限定于此。例如，如图20所示，信息处理装置200也可以包括取得部410和学习部420，其中，所述取得部410取得喷出不良要因信息和印刷图像信息，所述学习部420基于将喷出不良要因信息和印刷图像信息对应起来了的数据组，来对喷出不良的预测条件进行机器学习。换言之，信息处理装置200除了包括图19的结构之外，还包括与图12所示的学习装置400相对应的结构。通过设为这样，能够在相同的装置中有效地执行学习处理和推论处理。

此外，本实施方式的信息处理装置200所实施的处理也可以作为信息处理方法来实现。信息处理方法为以下方法，即，取得学习完毕模型，从具备印刷头31的印刷装置1接受喷出不良要因信息，并根据接受的喷出不良要因信息和学习完毕模型来预测印刷头31的喷出不良的方法。如上所述，此处的学习完毕模型为，根据将与喷出油墨的印刷头31的喷出不良的要因有关的喷出不良要因信息、和表示通过从印刷头31被喷出的油墨而被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，而对印刷头的喷出不良的预测条件进行了机器学习而获得的学习完毕模型。

3.2推论处理的流程

图21为说明信息处理装置200中的处理的流程图。当该处理开始时，首先，接受部210取得喷出不良要因信息(S101)。接下来，处理部220根据取得的喷出不良要因信息、和被存储于存储部230中的学习完毕模型，实施与喷出不良有关的判断处理(S102)。在利用图15所示的神经网络NN1的情况下，S102中的处理是指，求出分别表示正常、异常1、异常2的三个概率数据，并确定其中的最大值的处理。

此外，处理部220也可以在S102中利用图17以及图18所示的两个神经网络。图22为说明这种情况下的处理的示意图。处理部220将包含取得的最新的喷出不良要因信息在内的时间序列的喷出不良要因信息输入至神经网络NN2。然后，处理部220将神经网络NN2的输出数据输入至神经网络NN3。神经网络NN2的输出数据为将来的喷出不良要因信息的预测值。神经网络NN3的输出数据为表示与将来的喷出不良有关的预测结果的信息，且为表示正常或者异常的两个概率数据。

另外，在利用图16以及图17而上述的示例中，神经网络NN2对未来1定时的喷出不良要因信息进行预测。但是，为了抑制损纸的产生，优选为，能够以具有某种程度的时间性的富余的方式来对喷出不良进行预测。例如，处理部220也可以通过将利用神经网络NN2所取得的喷出不良要因信息的预测值作为输入，并进一步实施使用神经网络NN2的运算，从而对未来2定时以上的喷出不良要因信息进行预测。处理部220通过将预测结果输入至神经网络NN3，从而能够对未来2定时以上的喷出不良进行预测。或者，学习部420也可以以神经网络NN2输出未来2定时以上的喷出不良要因信息的预测值的方式，来实施训练数据2的制作处理以及学习处理。

在S102的处理后，处理部220对判断结果是否为异常进行判断(S103)。在判断结果为异常的情况下(在S103中是)，处理部220实施喷出不良的恢复处理(S104)。恢复处理是指，指示由油墨抽吸单元50实施的油墨抽吸、由擦拭单元55实施的擦拭、由冲洗单元60实施的冲洗等用于消除喷出不良的控制的处理。或者，处理部220也可以在S104中实施用于向用户通知喷出不良的通知处理。例如，处理部220在印刷装置1的未图示的显示部或者计算机CP的显示部中，实施显示用于通知发生了喷出不良的情况的画面、用于督促用户执行恢复处理的画面的处理。但是，通知处理并不限定于显示，既可以为使LED(light emittingdiode)等发光部发光的处理，也可以为从扬声器输出警告音的处理。此外，处理部220也可以在通知用户喷出不良的同时，执行恢复处理。

另外，也可以在利用神经网络NN1的情况下，处理部220根据判断结果是异常1、还是异常2来变更S104中的处理。在为异常2的情况下，由于已经发生了喷出不良，因此，优选为，立即执行恢复处理。另一方面，在为异常1的情况下，虽然存在发生喷出不良的可能性，但是在当前时间点未发生喷出不良的可能性较高。因此，例如，处理部220在判断结果为“异常2”的情况下，自动地执行恢复处理，并且在判断结果为“异常1”的情况下，执行用于督促用户执行恢复处理的通知处理。另外，处理部220也可以在为异常1的情况下和为异常2的情况下实施相同的处理。在这种情况下，也可以在学习阶段中不区别异常1和异常2，而是将双方作为相同“异常”来实施学习处理。

如上所述，处理部220根据喷出不良的预测结果，来实施喷出不良的恢复处理、或者与喷出不良有关的通知处理。由此，能够在喷出不良的发生前执行适当的对策、或者督促适当的对策。因此，能够抑制喷出不良本身的发生，因此，能够抑制损纸的产生。

另外，如图21所示，在对印刷头31的喷出不良进行预测的推论处理中，印刷图像信息并非必须的。但是，印刷图像信息为，能够用于印刷物的色调判断、印字位置的偏移判断等的信息。因此，印刷装置1优选为与图21所示的处理不同地，是周期性地取得印刷图像信息。此外，在如后述的那样实施更新学习完毕模型的追加学习的情况下，为了制作训练数据，需要取得印刷图像信息。

4.追加学习

在本实施方式中，也可以明确地区分学习阶段和推论阶段。例如，学习处理预先在印刷装置1的厂家等处实施，在印刷装置1出厂时在该印刷装置1的存储器103中存储了学习完毕模型。然后，在使用印刷装置1的阶段中，固定地使用被存储的学习完毕模型。

但是，本实施方式的方法并不限定于此。本实施方式的学习处理也可以包括生成初期学习完毕模型的初期学习、和更新学习完毕模型的追加学习。初期学习模型是指例如上述那样，在出厂前被预先存储于印刷装置1中的通用的学习完毕模型。然后，追加学习是指，用于例如与个别的用户的使用状况或伴随着印刷装置1的经时变化而产生的头和机体的性能变化相配合地更新学习完毕模型的学习处理，也能够通过在出厂后更新学习完毕模型，从而维持印刷品质。

追加学习也可以在学习装置400中被执行，学习装置400也可以为与信息处理装置200不同的装置。但是，信息处理装置200实施为了推论处理而取得喷出不良要因信息的处理。该喷出不良要因信息能够作为追加学习中的训练数据的一部分来利用。如果考虑这一点，则追加学习也可以在信息处理装置200中被实施。具体而言，如图20所示，信息处理装置200包括取得部410和学习部420。取得部410取得喷出不良要因信息。例如，取得部410取得接受部210在图21的S101中接受到的信息。学习部420根据将印刷图像信息相对于喷出不良要因信息对应起来了的数据组，来更新学习完毕模型。

具体而言，此处的印刷图像信息是指，通过对摄像图像数据和基准数据进行比较而被取得的喷出不良的判断结果。通过设为这样，由于在工作中的印刷装置1中能够容易地累积训练数据，因此，能够适当地更新学习完毕模型。但是，如上所述，在印刷图像数据不包括可检测图案的情况下，无法根据摄像图像数据来判断喷出不良。由此，为了更新学习完毕模型，印刷图像信息需要为通过对包括能够检测喷出不良的图案的图像进行拍摄而被取得的信息。

图23为说明追加学习的流程图。当该处理开始时，取得部410将喷出不良要因信息和印刷图像信息对应起来并取得(S201)。S201中的印刷图像信息为摄像图像数据。学习部420从控制器100取得印刷图像数据，且对取得的印刷图像数据是否包括可检测图案进行判断(S202)。在包括可检测图案的情况下(在S202中为是)，根据印刷图像数据、和在S201中取得的摄像图像数据而对喷出不良进行判断(S203)，且将判断结果和喷出不良要因信息对应起来。通过以上的处理，从而取得相当于图14的观测数据的数据。

在判断结果为“异常”的情况下(在S204中为是)，最新的观测数据与图14的A1相对应。由此，如图14的B2所示，学习部420对于过去n定时的喷出不良要因信息，分配称为“异常1”的正确标签(S205)。n为给定的整数，如果是图14的示例，则n＝j-i。此外，如图14的B3所示，学习部420对于最新定时的喷出不良要因信息，分配称为“异常2”的正确标签(S206)。此外，如图14的B1所示，学习部420对于n+1定时以上之前的喷出不良要因信息，分配称为“正常”的正确标签(S207)。由此，取得与图14的训练数据1相同的数据。由此，学习部420将基于训练数据的学习处理作为追加学习来执行(S208)。

此外，在印刷图像数据未包括可检测图案的情况下(在S202中为否)，由于无法对于最新定时进行正常或者异常的判断，因此，学习部420不实施正确标签的分配或学习处理而结束处理。此外，在判断结果为正常的情况下(在S204中为否)，学习部420不实施正确标签的分配或学习处理而结束处理。

在图23的示例中，在根据印刷图像信息而被判断为异常的情况下，执行追加学习。如果考虑印刷装置1或信息处理装置200的存储器容量，也可以对预先保持的数据进行限定。此外，学习部420无需将被添加了正确标签的所有数据设为学习的对象。例如，如果考虑预先对喷出不良进行预测的情况，则学习部420也可以将分配有称为异常1的正确标签的训练数据作为对象而实施追加学习。

或者，也可以在根据印刷图像信息而被判断为正常的情况下、或者在印刷图像数据不包含可检测图案的情况下，实施学习处理。如图14的A2以及B2所示的那样，即使基于印刷图像信息的判断结果为正常，也存在正确标签被改写为异常1的情况。但是，成为改写的对象的观测数据并不限定于到过去n定时为止。因此，存在用“正常”来确定与n+1定时相比更靠前的正确标签的情况。例如，在到定时1～定时n+1为止的所有期间中，在判断结果为正常的情况下，与定时1相对应的正确标签为“正常”，无法被改写为“异常1”。由此，在这种情况下，学习部420也可以对于定时1中的喷出不良要因信息分配称为“正常”的正确标签，并执行追加学习。

另外，在图23中，对于利用图15所示的神经网络NN1的追加学习进行了说明。但是，追加学习也可以将图17以及图18所示的神经网络NN2以及NN3作为对象来实施。

例如，印刷装置1连续性地取得喷出不良要因信息来作为工作信息。学习部420使用将最新的喷出不良要因信息作为正确标签、且将与其相比更靠过去的时间序列的喷出不良要因信息作为输入的训练数据，来实施神经网络NN2的追加学习。在NN2的学习中，不管印刷图像数据是否包括可检测图案。

此外，在印刷图像数据包括可检测图案的情况下，学习部420对于最新的喷出不良要因信息，使用将作为判断结果的印刷图像信息作为正确标签而分配的训练数据，来实施神经网络NN3的追加学习。在NN3的学习中，利用图16如上述的那样，无需印刷图像信息的按时间序列的解析，能够实施基于给定的1定时的数据的追加学习。

如上所述，本实施方式的信息处理装置包括对学习完毕模型进行存储的存储部、接受部、和处理部。学习完毕模型为，根据将与喷出油墨的印刷头的喷出不良的要因有关的喷出不良要因信息、和表示由从印刷头被喷出的油墨形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，对印刷头的喷出不良的预测条件进行了机器学习而获得的学习完毕模型。接受部从具备印刷头的印刷装置接受喷出不良要因信息。处理部根据所接受的喷出不良要因信息和学习完毕模型，来预测印刷头的喷出不良。

根据本实施方式的方法，根据对喷出不良要因信息和印刷图像信息的关系进行了机器学习而获得的结果、即学习完毕模型，来预测喷出不良。通过使用机器学习，能够高精度地推定将来是否发生喷出不良。由于能够在喷出不良发生前实施恢复处理等，因此，能够抑制不适当的印刷被实施的情况。

此外，印刷图像信息也可以为基于由被设置于印刷装置上的摄像部拍摄到的图像的信息。

通过设为这样，能够将基于摄像图像的信息用于机器学习。

此外，摄像部也可以被设置在搭载印刷头的滑架上。

通过设为这样，能够迅速地且有效地对印刷结果进行拍摄。

此外，印刷头也可以通过向压电元件施加电压，从而喷出油墨。喷出不良要因信息包括因向压电元件施加电压而产生的残余振动的波形信息。

通过设为这样，能够根据发生于压电元件的残余振动的波形，来预测喷出不良。

此外，喷出不良要因信息也可以包括温度信息、湿度信息、气压信息以及海拔信息中的至少一个信息。

通过设为这样，能够基于与喷出不良关联的环境参数，适当地预测喷出不良。

此外，信息处理装置也可以包括取得部和学习部，所述取得部取得将喷出不良要因信息和印刷图像信息对应起来了的数据组，所述学习部根据所取得的数据组，对喷出不良的预测条件进行机器学习。

通过设为这样，能够在信息处理装置中执行学习处理。

此外，也可以设为，在印刷图像信息为通过对包括能够检测出喷出不良的图案的图像进行拍摄而被取得的信息的情况下，学习部根据将在与印刷图像信息的印刷相对应的定时被取得的喷出不良要因信息、和印刷图像信息对应起来了的数据组，来更新学习完毕模型。

通过设为这样，能够根据印刷装置的具体的状态，执行追加的学习处理。

此外，学习完毕模型也可以设为，根据基于印刷图像信息的喷出不良的判断结果作为正确标签而与喷出不良要因信息对应起来了的数据组，被进行机器学习。

通过设为这样，能够自动地取得正确标签，因此，能够有效地实施学习处理。

此外，处理部也可以根据喷出不良的预测结果，实施喷出不良的恢复处理或者实施与喷出不良有关的通知处理。

通过设为这样，能够根据喷出不良的预测结果，实施适当的对策。

此外，本实施方式的印刷装置包括在上述的任意一个中记载的信息处理装置和印刷头。

此外，本实施方式的学习装置包括取得部和学习部。取得部取得将与喷出油墨的印刷头的喷出不良的要因有关的喷出不良要因信息、和表示通过从印刷头被喷出的油墨而被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组。学习部根据所取得的数据组，对印刷头的喷出不良的预测条件进行机器学习。

根据本实施方式的方法，根据喷出不良要因信息和印刷图像信息，对将来发生喷出不良的条件进行机器学习。通过利用机器学习，从而能够高精度地预测是否发生喷出不良。

此外，本实施方式的信息处理方法为，取得学习完毕模型，并从具备印刷头的印刷装置接受喷出不良要因信息，且根据所接受的喷出不良要因信息和学习完毕模型来预测印刷头的喷出不良的方法。学习完毕模型为，根据将与喷出油墨的印刷头的喷出不良的要因有关的喷出不良要因信息、和表示通过从印刷头被喷出的油墨而被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，对印刷头的喷出不良的预测条件进行了机器学习而获得的学习完毕模型。

另外，虽然如上述那样对于本实施方式详细地进行了说明，但是能够在实际上未从本实施方式的新内容以及效果脱离的范围内进行很多的变形，这对于本领域技术人员是能够容易地理解的。因此，这样的改变例全部包含在本公开内容的范围内。例如，在说明书或者附图中，与至少一次、更加广义或者意思相同而不同字的用语一起记载的用语能够在说明书或者附图的任意部位替换为该不同字的用语。此外，本实施方式以及改变例的所有的组合也被包括在本公开内容的范围中。此外，学习装置、信息处理装置以及包括这些装置的系统的结构以及动作等也并不限定于在本实施方式中所说明的内容，能够进行各种各样的变形实施。

符号说明

CP…计算机；HC…头控制部；Nz…喷嘴；PZT…压电元件；S…纸张；1…印刷装置；10…输送单元；12A…上游侧辊；12B…下游侧辊；14…带；20…滑架单元；21…滑架；22…滑架轨道；30…头单元；31…印刷头；32…壳体；33…流道单元；33a…流道形成基板；33b…喷嘴板；33c…振动板；34…压电元件单元；40…驱动信号生成部；50…油墨抽吸单元；55…擦拭单元；60…冲洗单元；70…第一检查单元；71…摄像部；72…图像处理部；80…第二检查单元；82…A/D转换部；90…检测器群；91…温度传感器；92…湿度传感器；93…气压传感器；94…海拔传感器；100…控制器；101…接口部；102…处理器；103…存储器；104…单元控制电路；200…信息处理装置；210…接受部；220…处理部；230…存储部；331…压力室；332…油墨供给道；333…共同油墨室；334…隔膜部；335…岛部；341…压电元件群；342…固定板；400…学习装置；410…取得部；420…学习部；711…摄像单元；712…壳体；714…控制板；715…第一光源；716…第二光源。

Claims (7)

1.一种信息处理装置，其特征在于，包括：

存储部，其存储学习完毕模型，所述学习完毕模型是，根据将与喷出油墨的印刷头的喷出不良的要因有关的喷出不良要因信息和表示通过从所述印刷头被喷出的所述油墨而被形成于印刷介质上的图像的印刷图像信息对应起来了的数据组，对所述印刷头的所述喷出不良的预测条件进行了机器学习而获得的；

接受部，其从具备所述印刷头的印刷装置接受所述喷出不良要因信息；

处理部，其根据所接受的所述喷出不良要因信息和所述学习完毕模型，来预测所述印刷头的所述喷出不良；

取得部，其取得将所述喷出不良要因信息和所述印刷图像信息对应起来了的所述数据组；

学习部，其根据所取得的所述数据组，对所述喷出不良的所述预测条件进行机器学习，

所述印刷头通过对压电元件施加电压，从而喷出所述油墨，

所述喷出不良要因信息包括因所述电压向所述压电元件的施加而产生的残余振动的波形信息，

所述喷出不良要因信息包括温度信息、湿度信息、气压信息以及海拔信息中的至少一个信息，

在所述印刷图像信息为通过对包括能够检测出所述喷出不良的图案在内的图像进行拍摄而被取得的信息的情况下，

所述学习部根据将在与所述印刷图像信息的印刷相对应的定时下被取得的所述喷出不良要因信息和所述印刷图像信息对应起来了的所述数据组，来更新所述学习完毕模型。

2.如权利要求1所述的信息处理装置，其特征在于，

所述印刷图像信息为基于由被设置于所述印刷装置上的摄像部拍摄到的图像的信息。

3.如权利要求2所述的信息处理装置，其特征在于，

所述摄像部被设置在搭载所述印刷头的滑架上。

4.如权利要求1所述的信息处理装置，其特征在于，

所述学习完毕模型根据将基于所述印刷图像信息的所述喷出不良的判断结果作为正确标签而与所述喷出不良要因信息对应起来了的所述数据组，被进行机器学习。

5.如权利要求1所述的信息处理装置，其特征在于，

所述处理部根据所述喷出不良的预测结果，实施所述喷出不良的恢复处理或者实施与所述喷出不良有关的通知处理。

6.一种印刷装置，其特征在于，包括：

权利要求1至5中的任意一项所述的信息处理装置；

所述印刷头。

7.一种信息处理方法，使用权利要求1至5中的任意一项所述的信息处理装置，其特征在于，

取得所述学习完毕模型；

从所述印刷装置接受所述喷出不良要因信息；

根据所接受的所述喷出不良要因信息和所述学习完毕模型，来预测所述印刷头的所述喷出不良。

Images