JP2009229191A

JP2009229191A - 品質予測装置、品質予測方法、品質予測プログラム、およびコンピュータ読取可能な記録媒体

Info

Publication number: JP2009229191A
Application number: JP2008073821A
Authority: JP
Inventors: Shigehiko Kanetani; 重彦金谷; Eiichiro Fukuzaki; 英一郎福崎
Original assignee: NARAKEN CHUSHO KIGYO SIEN CENTER; NARAKEN CHUSHO KIGYO SIEN CT
Current assignee: NARAKEN CHUSHO KIGYO SIEN CENTER; NARAKEN CHUSHO KIGYO SIEN CT
Priority date: 2008-03-21
Filing date: 2008-03-21
Publication date: 2009-10-08

Abstract

【課題】鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能な品質予測装置を提供する。
【解決手段】品質予測装置１は、複数の食品サンプルに対する機器分析結果からスペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出部１１と、波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定部１２と、特徴量評価値と鑑定人による品質評価値との相関度を求める相関度算出部１３と、相関度の絶対値が閾値よりも大きいか否かを判定する相関度判定部１４と、相関度の絶対値が閾値よりも大きいと判定された場合、この相関度を相関度算出部１３が求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定部１５と、有効波長を用いて各食品サンプルの品質予測値を決定するモデル式作成部１６と、を備えている。
【選択図】図１

Description

本発明は、機器分析によるスペクトルデータを用いて、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能な品質予測装置、品質予測方法、品質予測プログラム、およびコンピュータ読取可能な記録媒体に関する。

従来、食品の美味しさ、風味等の品質評価は、官能試験に依存している。すなわち、食品の品質評価は、食品の品質を鑑定する鑑定人による食品の外観、芳香、色および味に基づく官能試験により決定される。しかしながら、鑑定人が有する技能を獲得するためには経験年数がかかると共に、客観性および再現性が低いという問題が生じていた。

この問題を解決するために、近年では、鑑定人に依存することなく、食品の品質予測を行う方法が研究されている。この方法では、食品に含まれる構成成分（化学構造）を全て抽出し、抽出した食品の構成成分を定量化することができれば、食品の品質評価を悉皆的にかつ的確に把握することが可能となる。しかしながら、例えば緑茶の場合、現在のところ約６００の化合物の存在が報告されている（非特許文献３）ため、全ての構成成分を定量化する方法によって食品の品質予測を行うことは困難である。

そこで、全ての構成成分を定量化するのではなく、食品の構成成分の全体的な特徴を測定することによって食品の品質予測を行う方法が研究されている。

食品の構成成分を定量化して食品の品質予測を行うために用いられる測定法のひとつとして、ＮＩＲ（近赤外スペクトル；近赤外分光分析）測定法、例えばＦＴ−ＮＩＲ（フーリエ変換近赤外スペクトル）測定法がある。ＦＴ−ＮＩＲ測定法とは、サンプルの近赤外の波長域１０００ｎｍ〜２５００ｎｍにおける吸光度を連続的に測定する方法である。食品の構成成分の定量化を行うためにＦＴ−ＮＩＲ測定法を用いることにより、食品の構成成分（混合成分）の全体的な特徴を測定することができ、この特徴を用いて食品の品質予測を行うことができる。すなわち、ＦＴ−ＮＩＲ測定法は、食品の構成成分を分離して定量化するのではなく、食品の構成成分の全体的な特徴を測定する方法である。

ここで、ＦＴ−ＮＩＲ測定法を用いて食品の品質予測を行う方法として、本発明の出願人は、特許文献１に係る出願を知見している。特許文献１には、緑茶サンプルに対して前処理を行うことにより分析サンプルを行う工程、分析サンプルに対して機器分析を行うことにより分析結果を得る工程、および分析結果を数値データに変換して多変量解析する工程を含む緑茶の品質予測方法が開示されている。また、この緑茶の品質予測方法の一例として、特許文献１には、ＦＴ−ＮＩＲ測定法を用いて機器分析を行った緑茶サンプルに対して多変量解析を行うことにより、緑茶の品質を簡便に予測することが可能な方法が記載されている。この場合の多変量解析では、緑茶サンプルに対して主成分分析（ＰＣＡ）を行うことによって緑茶の等級と関連性が高い波数域を求めた後、この波数域の全データについて２次微分を行っている。なお、ＦＴ−ＮＩＲ測定法を用いて機器分析を行った緑茶サンプルに対して多変量解析を行う品質予測方法については、非特許文献２にも記載されている。

さらに、上記ＰＬＳ法以外の方法を用いた多変量解析のひとつとして、ムービング・ウインドウＰＬＳ（Moving Window - Partial Least Square；ＭＷ−ＰＬＳ）法がある（非特許文献１）。ムービング・ウインドウＰＬＳ（ＭＷ−ＰＬＳ）法とは、有効波長および波数領域を容易に見つけ出し、高い精度の検量線を作成することが可能な方法である。非特許文献１では、ＭＷ−ＰＬＳ法を用いることにより、ＮＨ_４ＯＨおよびＨ_２Ｏ_２の最良のスペクトル範囲を決定している。

なお、非特許文献３では、ＡＥＤＡ（Aroma Extract Dilution Analysis）法を改良したＯＡＳＩＳ（Original Aroma Simultaneously Input to the Sniffing port method）法を用いて緑茶に含まれる特徴香気成分を評価する方法が開示されている。ＯＡＳＩＳ法とは、ガスクロマトグラフィ（ＧＣ）により分離した緑茶揮発性成分と緑茶中より発生する香気を連続的に混合し、その混合香気を嗅ぐことで緑茶に含まれる特徴香気成分を評価する方法である。
特願２００８−２０４５８号明細書（平成２０年１月３１日出願） Youngbok Lee, Hoeil Chung, Mark A.Arnold, "Improving the robustness of a partial least squares (PLS) model based on pure component selectivity analysis and range optimization: Case study for analysis of an etching solution containing hydrogen peroxide", Analytica Chimica Acta 572 (2006) 93-101, 2006 Tatsuhiko Ikeda, Shigehiko Kanaya, Tsutomu Yonetani, Akio Kobayashi, and Eiichiro Fukusaki, "Prediction of Japanese Green Tea Ranking by Fourier Transform Near-Infrared Reflectance Spectroscopy", J Agric Food Chem 55(24): 9908-9912.(2007) 服部祥治、「新規評価方法OASISを活用した緑茶香気分析に関する研究」、北海道大学大学院農学研究科邦文紀要（Memories of the Faculty of Agriculture, Hokkaido University）, 28(1): 85-120

しかしながら、非特許文献１に記載の方法では、相関式を求める最適領域を探索することは可能であるが、複数の離れた最適領域を同時に探索することができない。また、ムービング・ウインドウ内に、波長間の吸光度に強い相関がある場合には、ムービング・ウインドウ内全ての波長の吸光度を用いることになるため、冗長な相関式を求めることになるという問題を生じる。

また、特許文献１および非特許文献１〜３には、緑茶のサンプルデータから品質予測に有効な波長を決定し、当該決定した有効な波長を用いて緑茶の品質予測を行う方法については開示されていない。特に、特許文献１および非特許文献１〜３には、緑茶のサンプルデータに対して高次の微分を行った後の緑茶のサンプルデータから品質予測に有効な波長を決定し、当該決定した有効波長を用いて緑茶の品質予測を行う方法については開示されていない。

本発明は、上記問題点に鑑みてなされたものであり、その目的は、機器分析によるスペクトルデータを用いて、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能な品質予測装置を提供することにある。

本発明に係る品質予測装置は、上記課題を解決するため、食品の品質予測を行う品質予測装置であって、複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出手段と、上記特徴量抽出手段が食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定手段と、上記特徴量評価値決定手段が決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出手段と、上記相関度算出手段が求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定手段と、上記相関度判定手段によって上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出手段が求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定手段と、上記有効波長決定手段が決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定手段と、を備えたことを特徴とする。

本発明に係る品質予測方法は、上記課題を解決するため、食品の品質予測を行う品質予測装置における品質予測方法であって、複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出ステップと、上記特徴量抽出ステップにおいて食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定ステップと、上記特徴量評価値決定ステップにおいて決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出ステップと、上記相関度算出ステップにおいて求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定ステップと、上記相関度判定ステップにおいて上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出ステップにおいて求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定ステップと、上記有効波長決定ステップにおいて決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定ステップと、を含むことを特徴とする。

上記構成によれば、品質予測装置および品質予測方法では、機器分析結果からスペクトルの特徴量を抽出し、該スペクトルの特徴量を用いて特徴量評価値を決定する。この特徴量評価値と、鑑定人による品質評価値との相関度を求め、この相関度の絶対値が予め設定された閾値よりも大きい場合には、この相関度を求めたときに用いた特徴量評価値における波長を有効波長として決定する。そして、この有効波長を用いることによって各食品の品質予測値を決定する。すなわち、品質予測装置および品質予測方法では、機器分析結果の波長域から食品の品質予測値を決定することに適切である波長だけを抽出し、この抽出した波長を有効波長として決定している。

これにより、品質予測装置および品質予測方法では、精度よく食品の品質予測を行うことができ、信頼性の高い食品の品質予測結果を提供することができる。すなわち、品質予測装置および品質予測方法を用いることによって、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能となる。

さらに、本発明に係る品質予測装置は、上記特徴量抽出手段は、上記機器分析結果に対して波長について微分することによって波長毎に高次の微分係数まで求め、該求めた微分係数のうち同次数の微分係数を抽出してベクトル表現したものを上記スペクトルの特徴量として抽出してもよい。

上記構成によれば、特徴量抽出手段は、同次数の微分係数を抽出してベクトル表現したものをスペクトルの特徴量としている。このとき、特徴量抽出手段は、このベクトル表現のために、機器分析結果に対して波長について微分することによって波長毎に高次の微分係数を求める。

これにより、品質予測装置の有効波長決定手段は、機器分析結果においてより多くの波長を有効波長として決定することができる。すなわち、品質予測装置では、高次の微分係数を用いてベクトル表現したものをスペクトルの特徴量とすることができるため、精度のよい食品の品質予測を簡単に行うことができる。

さらに、本発明に係る品質予測装置は、上記品質予測値決定手段は、多変量解析を行うことによって各食品サンプルの品質予測値を決定するモデル式を作成してもよい。また、本発明に係る品質予測装置は、上記多変量解析は、部分最小二乗法を用いた回帰分析であってもよい。

上記構成によれば、品質予測装置は、多変量解析を行うことによって得られるモデル式を作成（構築）することによって、食品の品質予測を行う。また、品質予測装置では、多変量解析として、特に部分最小二乗法を用いた回帰分析を用いている。

これにより、品質予測装置は、機器分析結果に含まれる有効波長を変数として用いて、精度よく食品の品質予測を行うことができる。

さらに、本発明に係る品質予測装置は、上記機器分析結果は、近赤外分光分析によって得られる、食品サンプルの吸光度を示すデータであってもよい。

上記構成によれば、品質予測装置は、食品サンプルの吸光度を示すスペクトルデータを用いて、精度よく食品の品質予測を行うことができる。

さらに、本発明に係る品質予測装置は、ユーザ操作を取得する操作画面を表示する表示手段をさらに備えていてもよい。

上記構成によれば、ユーザは、表示手段に表示される操作画面を操作することによって、品質予測装置に食品の品質予測を簡単に行わせることができ、この品質予測結果を簡単に知ることができる。

なお、上記品質予測装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記各手段として動作させることにより上記品質予測装置をコンピュータにて実現させる品質予測プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明に係る品質予測装置は、以上のように、複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出手段と、上記特徴量抽出手段が食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定手段と、上記特徴量評価値決定手段が決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出手段と、上記相関度算出手段が求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定手段と、上記相関度判定手段によって上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出手段が求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定手段と、上記有効波長決定手段が決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定手段と、を備えた構成である。

また、本発明に係る品質予測方法は、以上のように、複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出ステップと、上記特徴量抽出ステップにおいて食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定ステップと、上記特徴量評価値決定ステップにおいて決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出ステップと、上記相関度算出ステップにおいて求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定ステップと、上記相関度判定ステップにおいて上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出ステップにおいて求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定ステップと、上記有効波長決定ステップにおいて決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定ステップと、を含む方法である。

それゆえ、品質予測装置および品質予測方法では、精度よく食品の品質予測を行うことができ、信頼性の高い食品の品質予測結果を提供することができる。すなわち、品質予測装置および品質予測方法を用いることによって、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能となる。

本発明の一実施形態について図１〜図９に基づいて説明すると以下の通りである。

〔機器分析装置２の概要〕
まず、本発明の一実施形態に係る品質予測装置１に供給するスペクトルデータを生成する機器分析装置２について説明する。機器分析装置２は、ＮＩＲ（近赤外スペクトル；近赤外分光分析）測定法により食品サンプルの任意の波長域における吸光度を測定するものであり、例えばＦＴ−ＮＩＲ（フーリエ変換近赤外スペクトル）測定装置が挙げられる。なお、ＦＴ−ＮＩＲ測定装置は、食品サンプルの波長域１０００ｎｍ〜２５００ｎｍにおいて得られる透過率を連続的に測定し、この透過率を吸光度に変換するものである。すなわち、ＦＴ−ＮＩＲ測定装置は、食品サンプルの波長域１０００ｎｍ〜２５００ｎｍにおける吸光度を連続的に測定するものであるといえる。

また、ＦＴ−ＮＩＲ測定装置では、品質予測を行いたい食品が例えば緑茶、紅茶等の固体である場合には、食品を粉末した後、この粉末を溶媒でペースト状にして測定を行う。粉末をペースト状にするための溶媒としては、例えばＩＲ測定用試料の調整のために試料に応じて通常選択される溶媒が用いられる。なお、ＦＴ−ＮＩＲ測定装置では、品質予測を行いたい食品が例えばワイン等のような液体である場合には、液体をそのまま用いて測定を行う。

機器分析装置２が食品サンプルに対して機器分析測定を行った結果、図３に示すような食品サンプルのスペクトルデータが得られる。図３に示すスペクトルデータは、食品サンプルが緑茶であり、機器分析装置２がＦＴ−ＮＩＲ測定装置である場合のスペクトルデータである。すなわち、機器分析装置２は、図３に示すような、食品サンプルの複雑なスペクトルプロファイルデータを得るための測定装置である。

本発明に係る品質予測装置１は、上記機器分析装置２で得られる、吸光度を示すスペクトルデータを用いて食品の品質を予測するものであり、以下にその詳細を説明する。なお、本実施形態において、特に断りのない場合には、機器分析装置２とはＦＴ−ＮＩＲ測定装置を指すものとする。

〔品質予測装置１の概要〕
ここで、本発明の一実施形態に係る品質予測装置１の概略構成について図１を用いて説明する。図１は、本発明に係る品質予測装置の概略構成を示す機能ブロック図である。

品質予測装置１は、様々な食品の品質を、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の品質評価を予測することが可能な装置である。すなわち、品質予測装置１は、後述のように、食品サンプルのスペクトルの特徴量から食品の品質予測に関連する波長を決定し、この決定した波長を用いてモデル式を構築するものである。これにより、品質予測装置１は、食品サンプルの品質予測値を精度よく推定する、すなわち官能試験の結果（品質評価値）との相関度の高いモデル式を構築（作成）するものである。

ここで、本発明に係る品質予測装置１は、図１に示すように、特徴量抽出部（特徴量抽出手段）１１、特徴量評価値決定部（特徴量評価値決定手段）１２、相関度算出部（相関度算出手段）１３、相関度判定部（相関度判定手段）１４、有効波長決定部（有効波長決定手段）１５、モデル式作成部（品質予測値決定手段）１６、および表示部（表示手段）１７を機能ブロックとして備える。なお、これら各機能ブロックは、例えば、ＣＰＵ（central processing unit）がＲＯＭ（read only memory）等に記憶されているプログラムをＲＡＭ（random access memory）等に読み出し実行することにより実現できる。

特徴量抽出部１１は、品質予測装置１が機器分析装置２から取得した複数の食品サンプルの各スペクトルデータから、スペクトルの特徴量を抽出するものである。具体的には、特徴量抽出部１１は、各スペクトルデータの任意の波長においてテイラー展開を行うことにより、同次数の微分係数を食品サンプル毎にベクトル表現した形として、スペクトルの特徴量を抽出する。

特徴量評価値決定部１２は、特徴量抽出部１１から出力されたスペクトルの特徴量から、特徴量評価値を決定するものである。具体的には、特徴量評価値決定部１２は、特徴量抽出部１１が食品サンプル毎に抽出したスペクトルの特徴量を波長毎の微分係数に分類した後、これらの微分係数に対して波長毎に順位付けを行い、波長毎の特徴量評価値（微分係数の順位）を決定する。すなわち、特徴量評価値決定部１２は、波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定するものである。

相関度算出部１３は、特徴量評価値決定部１２から出力された波長毎の特徴量評価値と、鑑定人が鑑定した結果である品質評価値との相関度を、スピアマンの順位相関係数を用いて算出するものである。

相関度判定部１４は、相関度算出部１３から出力された相関度の絶対値と予め設定された閾値とを比較して、相関度の絶対値が閾値よりも大きいか否かを判定するものである。また、相関度判定部１４は、相関度の絶対値が閾値よりも大きいと判定した場合には、相関度を算出したときに用いた特徴量評価値における波長を有効波長決定部１５に出力する。

有効波長決定部１５は、相関度判定部１４で相関度の絶対値が閾値よりも大きいと判定された場合の特徴量評価値における波長を、有効波長として決定するものである。

モデル式作成部１６は、有効波長決定部１５で決定された有効波長と、部分最小二乗法（Partial Least Square法、ＰＬＳ法）とを用いて、各食品サンプルの品質予測値を決定するモデル式を作成するものである。

表示部１７は、操作画面、機器分析装置２から取得するスペクトルデータ、品質予測装置１での処理結果等を表示するものである。表示部１７は、例えば後述の図９に示すユーザ操作を取得する操作画面としてのメイン画面３等を表示する。

〔品質予測装置１における処理の流れ〕
次に、本発明に係る品質予測装置１における処理の流れについて、図２を用いて説明する。図２は、本発明に係る品質予測装置１における処理の流れを示すフローチャートである。ここでは、品質予測装置１が品質予測する食品サンプルの数をｎ個とする。

まず、品質予測装置１において品質予測を行いたい各食品サンプルのスペクトルデータが、機器分析装置２の測定結果として入力される（Ｓ１）。品質予測装置１に上記スペクトルデータが入力されると、特徴量抽出部１１は、これらのスペクトルデータからスペクトルの特徴量を食品サンプル毎に抽出する（Ｓ２）。

具体的には、特徴量抽出部１１は、機器分析装置２からｎ個の食品サンプルのスペクトルデータを取得すると、ｎ個のスペクトルデータの任意の波長に対してそれぞれテイラー展開を行う。すなわち、特徴量抽出部１１は、機器分析装置２から受け取ったスペクトルデータにおける任意の波長ｓの近傍の波長ｂの周りで、以下の式（１）に示すテイラー展開を行う。すなわち、特徴量抽出部１１は、複雑なスペクトルデータを高次の微分係数まで波長毎に分解している。

なお、上記では、特徴量抽出部１１は、機器分析装置２で得られた複雑なスペクトルデータを高次の微分係数まで波長毎に分解するために（すなわち、スペクトルデータから高次の微分係数を得るために）、テイラー展開法を用いているが、同様の効果を奏するものであればどのような方法を用いてもよい。

そして、特徴量抽出部１１は、波長ｓ（ｓ＝ｓ_１，ｓ_２，・・・，ｓ_ｊ，・・・，ｓ_ｍ）の近傍にてテイラー展開を行うことによって得られる微分係数を、以下の式（２）に示すように表現することにより、スペクトルの特徴量を抽出する。ここで、式（２）は、食品サンプルｉ（ｉ＝１，２，・・・，ｎ）におけるスペクトルデータについて、ｋ次微分までテイラー展開を行った場合の、ｋ次（同次数）の微分係数をベクトル表現した形として得られるスペクトルの特徴量ｘ_ｉ ^（ｋ）を示すものである。なお、波長ｓ_１，ｓ_２，・・・，ｓ_ｍは、食品サンプルｉのスペクトルデータにおける任意の波長を示すものである。

次に、特徴量抽出部１１は、スペクトルの特徴量ｘ_ｉ ^（ｋ）をｎ個の食品サンプル毎に抽出すると、これらのスペクトルの特徴量ｘ_ｉ ^（ｋ）を特徴量評価値決定部１２に出力する。特徴量評価値決定部１２は、特徴量抽出部１１から出力されたスペクトルの特徴ｘ_ｉ ^（ｋ）を波長ｓ_１，ｓ_２，・・・，ｓ_ｍ毎に分類し（Ｓ３）、波長毎に分類したスペクトルの特徴量を用いた特徴量評価値を決定する（Ｓ４）。

具体的には、特徴量評価値決定部１２は、例えば波長ｓ_１の場合、ｎ個の食品サンプルにおけるスペクトルの特徴量ｘ_ｉ ^（ｋ）から波長ｓ_１の微分係数（ｆ_１ ^（ｋ）（ｓ_１）、ｆ_２ ^（ｋ）（ｓ₁）、・・・、ｆ_ｎ ^（ｋ）（ｓ_１））を抽出する。つまり、特徴量評価値決定部１２は、スペクトルの特徴量ｘ_ｉ ^（ｋ）から波長ｓ_ｊ（ｊ＝１，・・・，ｍ）毎の微分係数を抽出することによって、波長ｍ個分の微分係数に分類する。

特徴量評価値決定部１２は、スペクトルの特徴量ｘ_ｉ ^（ｋ）を波長ｍ個分の微分係数に分類すると、波長毎にこの微分係数に順位付けを行い、波長毎に特徴量評価値（微分係数の順位）ｘｒａｎｋを決定する。すなわち、特徴量評価値決定部１２は、特徴量評価値ｘｒａｎｋを決定することにより、実数値である微分係数を整数値に変換している。なお、食品サンプルｉの波長ｓ_ｊ（ｋ次微分）における特徴量評価値は、ｘｒａｎｋ_ｉ ^（ｋ）（ｓ_ｊ）と表現される。

例えば波長ｓ_１の微分係数（ｆ_１ ^（ｋ）（ｓ_１）、ｆ_２ ^（ｋ）（ｓ₁）、・・・、ｆ_ｎ ^（ｋ）（ｓ_１））の場合で、ｆ_２ ^（ｋ）（ｓ_１）＜ｆ_１ ^（ｋ）（ｓ₁）＜・・・＜ｆ_ｎ ^（ｋ）（ｓ_１）となっている場合を考える。この場合、波長ｓ_１における特徴量評価値ｘｒａｎｋ_１ ^（ｋ）（ｓ_１）＝２、ｘｒａｎｋ_２ ^（ｋ）（ｓ_１）＝１となる。すなわち、特徴量評価値決定部１２は、各微分係数の実数値の小さい順番に並び替えることによって、微分係数の順位付けを行う。

次に、特徴量評価値決定部１２は、波長毎の特徴量評価値を相関度算出部１３に出力する。相関度算出部１３は、特徴量評価値決定部１２から出力された波長毎の特徴量評価値ｘｒａｎｋと、鑑定人が鑑定した結果である品質評価値Ｙとの相関度を算出する（Ｓ５）。具体的には、相関度算出部１３は、次式（３）に示すスピアマンの順位相関係数を用いることにより、上記特徴量評価値ｘｒａｎｋと品質評価値Ｙとの相関度ｒを波長毎に算出する。

なお、品質予測装置１は、機器分析装置２で測定される食品サンプルの品質評価値Ｙを、機器分析装置２からスペクトルデータと共に取得してもよいし、ユーザ入力によって取得してもよい。また、相関度算出部１３は、上記相関度ｒの算出においてスピアマンの順位相関係数を用いているが、これに限らず、相関度ｒを算出可能な方法であればどのような方法を用いてもよい。

相関度算出部１３は、算出した相関度ｒを相関度判定部１４に出力する。相関度判定部１４は、相関度算出部１３から出力された相関度ｒの絶対値と予め設定された閾値ｒ_ｔｈとを比較して、相関度ｒの絶対値が閾値ｒ_ｔｈよりも大きいか否かを判定する（Ｓ６）。すなわち、相関度判定部１４は、

であるか否かを判定する。なお、上記閾値ｒ_ｔｈは、例えば０．９０と設定されているが、これに限らず、相関度ｒに対して相関関係があると通常判定する程度の閾値が設定されていればよい。また、閾値ｒ_ｔｈは、品質予測装置１を用いるときにユーザが適宜設定してもよいし、品質予測装置１の製造時に予め設定されていてもよい。

そして、相関度判定部１４は、相関度ｒが閾値ｒ_ｔｈよりも大きいと判定した場合（Ｓ６でＹＥＳ）、この相関度ｒを算出したときに用いた特徴量評価値ｘｒａｎｋにおける波長ｓを有効波長決定部１５に出力する。すなわち、相関度判定部１４は、Ｓ６でＹＥＳの場合、特徴量評価値決定部１２によって決定された特徴量評価値ｘｒａｎｋと品質評価値Ｙとの相関が高いと判定する。一方、相関度判定部１４によって、相関度ｒが閾値ｒ_ｔｈ以下であると判定された場合には（Ｓ６でＮＯ）、品質予測装置１における処理を終了する。

有効波長決定部１５は、相関度判定部１４から出力された波長ｓを受け取ると、この波長ｓをモデル式作成部１６で作成されるモデル式ｙで用いる波長として有効であると判断し、この波長ｓを有効波長ｓ^’-として決定する（Ｓ７）。すなわち、有効波長決定部１５は、相関度判定部１４で相関度ｒが閾値ｒ_ｔｈよりも大きいと判定されたときの特徴量評価値ｘｒａｎｋにおける波長ｓを有効波長ｓ^’として決定する。そして、有効波長決定部１５は、決定した有効波長ｓ^’をモデル式作成部１６に出力する。

モデル式作成部１６は、有効波長決定部１５から出力された有効波長ｓ^’と、ＰＬＳ法とを用いることによって、各食品サンプルの品質予測値を決定する線形式のモデル式ｙを次式（４）のように作成する（Ｓ８）。

なお、式（４）のｓ^’ _１，・・・，ｓ^’ _ｊ，・・・，ｓ^’ _ｍは、有効波長決定部１５において有効波長ｓ^’として決定された波長である。

また、モデル式作成部１６は、式（４）に示すモデル式ｙを作成するときに、予測誤差（予測能）Ｒ_ｐｒｅｄ ^２を用いて因子数を決定する。なお、モデル式作成部１６がモデル式ｙを作成するときに用いるＰＬＳ法および予測誤差Ｒ_ｐｒｅｄ ^２については後述する。

以上のように、品質予測装置１では、上述のようにモデル式ｙを作成することによって、鑑定人による品質評価値Ｙと相関度の高いモデル式ｙを作成することができる。従って、本発明に係る品質予測装置１は、精度よく食品の品質予測を行うことができ、信頼性の高い食品の品質予測結果を提供することができる。すなわち、品質予測装置１を用いることによって、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能となる。

〔ＰＬＳ法によるモデル式の作成〕
モデル式作成部１６にて用いられるＰＬＳ法について説明する。ＰＬＳ法は、多変量解析で用いられる回帰分析という統計的手法であり、変数（例えば波数、波長）間に相関を有するスペクトルデータからの検量線作成に有効な手法である。なお、多変量解析とは、一般に、複数の変数に関するデータをもとにして、これらの変数間の相互関連を分析する統計的手法である。これにより、品質予測装置１は、機器分析装置２から出力されたスペクトルデータに含まれる有効波長を変数として用いて、食品の品質予測を行うことができる。

通常、変数間の相関が高いと、用いる変数の組合せによっては回帰精度が著しく低下するが、ＰＬＳ法では、これを避けるために、変数を互いに無相関な変数（潜在変数）に変換し、この潜在変数を用いて回帰を行う。すなわち、ＰＬＳ法とは、データの変数を直交変換し、その新たな変数を用いて（重）回帰分析を行う解析手法である。

ＰＬＳ法について、より具体的には説明する。ここでは、説明を簡略化するために、食品サンプルｉにおける有効波長ｓ^’ _ｊのｋ次の微分係数ｆ_ｉ ^（ｋ）（Ｓ^’ _ｊ）をｘ_ｉｊと表記する。また、食品サンプル数をＮ個、有効波長の個数をＭ個とする。なお、モデル式ｙ_ｉおよびｋ次の微分係数ｘ_ｉｊは、

と変換されているものとする。つまり、ここではＰＬＳ法によるモデル式ｙとして、

を求めることになる。

まず、Ｎ個の食品サンプルについての全スペクトルの特徴量およびモデル式を行列で記述すると、全スペクトルの特徴量Ｘおよびモデル式ｙは、

と表せる。ＰＬＳ法では、式（５）を導くために、ラグランジュの未定乗数法を用いる。

すなわち、ｗをＭ個の要素からなる大きさ１のベクトルと定義すると共に、未定乗数をμとし、

とおく。ここで、Ｇ（ｗ，μ）についてｗ_ｋで偏微分し、偏微分したＧ（ｗ，μ）を０とおくと、

となる。これを解くと、ｗ_ｋは、

と求められる。次に、ｗ_ｋ（ｋ＝１）を用いて、第１の潜在変数ｔ_１

とおき、この第１の潜在変数ｔ_１を用いて、

を求める。ここで、ｐ_１は第１成分のローディングベクトル、ｑ_１は第１成分の係数である。以上より、第１のパラメータ（ｔ_１，ｐ_１，ｑ_１）が求められる。

次に、上記ｐ_１およびｑ_１を解くと、

と表すことができる。また、Ｅは残差を示す行列、ｆは残差を示すベクトルである。続いて、

を求め、式（６）以降の過程を繰り返すことによって、第２のパラメータ（ｔ_２，ｐ_２，ｑ_２）を求める。これをＡ回繰り返すことにより、Ａ組のパラメータ（ｔ_１，ｐ_１，ｑ_１），（ｔ_２，ｐ_２，ｑ_２），・・・，（ｔ_Ａ，ｐ_Ａ，ｑ_Ａ）を求めることができる。

また、Ａ組のパラメータを用いて、ｐ_ｋ（ｋ＝１，・・・，Ａ）およびｑ_ｋ（ｋ＝１，・・・，Ａ）を解くと、

と表すことができる。ここで、上式のＴ、Ｐ、ｑは、

と表すことができる。ここで、Ｔ、Ｐ、ｑはそれぞれＡ個の因子よりなる潜在変数、ローディングベクトルおよび係数である。

また、式（５）における係数ａ_ｋ（ｋ＝１，・・・，Ａ）は、

より求めることができる。ここで、上式のＷは、Ｗ＝［ｗ_１，ｗ_２，・・・，ｗ_Ａ］と表されるＡ個の因子よりなる重みベクトルである。なお、係数ａ_０は、

とする。

次に、モデル式ｙにおいて最適な因子数（Ａの数；潜在変数の数）を決定するために、ここではクロスバリデーションという検証法を用いて予測誤差Ｒ_ｐｒｅｄ ^２（Ａ）を求める。クロスバリデーションとは、測定データ（ここでは機器分析装置２にて測定されるスペクトルデータ）を推定用と検証用とに分け、検証時の予測誤差が最小になるように因子数を決める方法である。

Ｎ個の食品サンプルのうちｕ番目の食品サンプルを除いた残りの食品サンプルの成分数（有効波長ｓ^’の個数）Ａ＝１，２，・・・，Ｍにおけるモデル式（上式（５））を求める。このとき求められる予測値をそれぞれｙ_ｕ（１），ｙ_ｕ（２），・・・,ｙ_ｕ（Ｍ）、実測値をｙ_ｕ（ｏｂｓ）とする。

全ての食品サンプルにおいて同様の操作をＭ回繰り返す。そして、

を計算し、予測誤差Ｒ_ｐｒｅｄ ^２（Ａ）を最大にするときのＡを最適な因子数として決定する。すなわち、因子数とは、重みベクトルＷに含まれる因子Ａの数を指し、有効波長決定部１５で決定された有効波長ｓ^’を全て用いて、最適な重みベクトルＷ＝［ｗ_１，ｗ_２，・・・，ｗ_Ａ］を計算することによって求められる。

〔実施例〕
次に、本発明に係る品質予測装置１における食品の品質予測例を以下に説明する。本実施例は、鑑定人（マイスター）によって１〜６４ランクの品質鑑定がなされた緑茶（奈良県産：大和茶）のうちの１３サンプルを用いて品質予測装置１に品質予測を行わせたものである。

まず、エッペンドルフ管（２ｍｌ）に乾燥茶葉（２００ｍｇ）を入れ、ボールミルを用いて２０Ｈｚで１０分間粉砕した後、さらにグリセロール（６００μｌ）を加えて、粉砕した乾燥茶葉をグリセロールに溶かす。そして、グリセロールに溶かした乾燥茶葉を、再度ボールミルを用いて２０Ｈｚで１０分間ホモジナイズし、ペースト状の緑茶サンプルを生成する。なお、乾燥茶葉を溶かす溶液としては、グリセロールに限らず、ヘキサン、アセトニトリル、香油等であってもよい。

次に、機器分析装置２としてＦＴ−ＮＩＲ測定装置を用いて、得られたペースト状のサンプルを１０００ｎｍ〜２５００ｎｍの波長域で吸光度を測定した。なお、本実施例では、ＦＴ−ＮＩＲ測定装置として、ミラー速度が１．２６５９ｃｍ／ｓ、分解能が８ｃｍ^−１であるＳｍａｒｔＮｅａｒ−ＩＲＵｐＤＲＩＦＴ、ＣａＦ_２ビームスプリッタ、および冷却ＩｎＧａＡｓ検出器を装着したＮＩＣＯＬＥＴ６７００ＦＴ−ＩＲ（サーモエレクトロン株式会社）を用いた。また、データポイントの総数は、各スペクトルデータにつき１５５７（１０００ｎｍ〜２５００ｎｍ）であった。

品質予測装置１の特徴量抽出部１１は、上述のように、緑茶サンプルの吸光度を示すスペクトルデータを機器分析装置２から取得すると、当該スペクトルデータに対してテイラー展開を行うことにより、０〜４次の微分係数を得て、これらの微分係数をスペクトルの特徴量ｘ_ｉ ^（ｋ）（ｋ≦４）として表現する。

次に、特徴量評価値決定部１２は、特徴量抽出部１１によって得られたスペクトルの特徴量ｘ_ｉ ^（ｋ）を波長毎に分類し、分類したスペクトルの特徴量を用いて特徴量評価値ｘｒａｎｋを決定し、相関度算出部１３に出力する。相関度算出部１３は、スピアマンの順位相関係数を用いて、特徴量評価値決定部１２で決定された特徴量評価値ｘｒａｎｋと鑑定人が鑑定した結果である品質評価値Ｙとの相関度ｒを算出する。

相関度判定部１４は、相関度算出部１３で算出された相関度ｒが閾値ｒ_ｔｈ＝０．９０よりも大きいと判定した場合には、相関度ｒを算出したときに用いた特徴量評価値ｘｒａｎｋにおける波長ｓを有効波長決定部１５に出力する。そして、有効波長決定部１５は、相関度判定部１４から出力された波長ｓを有効波長ｓ^’として決定する。

ここで、図４は、品質予測装置１において得られる、ある緑茶サンプルの吸光度を示すスペクトルデータと相関度ｒとを示す図である。また、図４の（ａ）は、機器分析装置２から取得する緑茶サンプルの吸光度を示すスペクトルデータ（生データ）、図４の（ｂ）〜（ｅ）は、それぞれ上記スペクトルデータ（生データ）に対して１〜４次微分を行ったときのスペクトルデータである。なお、図４に示すグラフでは、縦軸を相関度ｒ、横軸を波長（ｎｍ）としている。

さらに、図４に示す「有効測定点の数（｜ｒ｜＞０．９）」は、有効波長決定部１５で決定された有効波長の個数を示すものであり、図４の（ａ）〜（ｅ）にそれぞれ対応するように示されている。

図４の（ａ）に示すように、スペクトルデータ（生データ）の場合（０次微分の場合）、相関度判定部１４によって相関度ｒの絶対値が予め設定された閾値ｒ_ｔｈ＝０．９０よりも大きいと判定される波長の個数、すなわち有効波長決定部１５で有効波長ｓ^’として決定される波長の個数は０個であった。また、（ｂ）に示すように、１次微分の場合も、相関度判定部１４が有効波長ｓ^’として決定する波長の個数は０個であった。

また、図４の（ｃ）〜（ｅ）に示すように、有効波長決定部１５が有効波長ｓ^’として決定する波長の個数は、２次微分の場合には１０個、３次微分の場合には２２個、４次微分の場合には２０個となった。

すなわち、有効波長決定部１５は、特徴量抽出部１１にて抽出されるスペクトルの特徴量ｘ_ｉ ^（ｋ）が２次（ｋ＝２）以上の微分係数であれば、有効波長ｓ^’を決定することができる。また、有効波長決定部１５は、スペクトルの特徴量ｘ_ｉ ^（ｋ）が３次（ｋ＝３）以上の場合には、スペクトルデータにおいてより多くの波長を有効波長ｓ^’として決定することができる。

次に、有効波長決定部１５は、相関度判定部１４で相関度ｒが閾値ｒ_ｔｈ（＝０．９０）よりも大きいと判定された場合の波長ｓを有効波長ｓ^’として決定し、この有効波長ｓ^’をモデル式作成部１６に出力する。モデル式作成部１６は、この有効波長ｓ^’およびＰＬＳ法を用いてモデル式ｙを作成する。

ここで、図５は、２〜４次の微分係数において、ＰＬＳ法を用いて作成されるＰＬＳ回帰式（モデル式）における予測誤差の評価結果を示す図である。なお、図５に示すグラフでは、縦軸を予測誤差Ｒ_ｐｒｅｄ ^２、横軸を潜在変数の数（因子数）としている。また、図６の（ａ）〜（ｃ）は、それぞれ２〜４次の微分係数での各有効波長におけるＰＬＳ回帰式の係数を示す図である。なお、図６では、波長毎のＰＬＳ回帰式への寄与を把握することができる。

図５に示す予測誤差の評価結果により、モデル式作成部１６は、２次の微分係数（2nd derivative）の場合に作成するＰＬＳ回帰式での潜在変数の数は４因子、３次の微分係数（3rd derivative）の場合には３因子、４次の微分係数（4th derivative）の場合には５因子と決定することにより、各ＰＬＳ回帰式を構築した。なお、ＰＬＳ法および予測誤差については上述したので、ここではその説明を割愛する。

また、図７は、モデル式作成部１６が作成したモデル式の示す緑茶の品質予測値と、鑑定人が鑑定した結果である緑茶の品質評価値との相関度を示す図である。なお、図７に示すグラフでは、縦軸をモデル式ｙが示す品質予測値（Predicated）、縦軸を鑑定人が鑑定した結果である品質評価値（observed）を示している。すなわち、品質予測装置１における緑茶の品質予測値と鑑定人による品質評価値とが一致する場合には、図７に示す各記号（２次微分の場合；四角、３次微分の場合；三角、４次微分の場合；丸）は、図７に示す一点鎖線上にプロットされる。

図７に示すように、２〜４次の微分係数の場合に作成されたモデル式ｙが示す品質予測値は、緑茶１３サンプルの何れにおいても、鑑定人による品質評価値との相関度（相関度０．９５以上）が高いことがわかる。

すなわち、品質予測装置１では、食品として緑茶を用いた場合であっても、上述のようにモデル式作成部１６がモデル式ｙを作成することによって、鑑定人による品質評価値と相関度の高いモデル式ｙを作成することができる。従って、本発明に係る品質予測装置１は、精度よく緑茶の品質予測を行うことができ、信頼性の高い緑茶の品質予測結果を提供することができる。

なお、上記では、品質予測装置１は、品質予測を行いたい食品として緑茶を用いたが、これに限らず、例えば紅茶、ワイン等の通常鑑定人による品質評価が行われることが多い食品についても同様の効果を得ることができる。

ここで、本実施例における品質予測装置１および機器分析装置２で行われる一連の処理を実行可能な品質予測プログラムは、Ｊａｖａ（登録商標）言語を用いて作成されている。なお、品質予測プログラムに用いられる言語としては、Ｊａｖａ（登録商標）言語に限らず、品質予測装置１および機器分析装置２で行われる一連の処理についてプログラムを作成することが可能なプログラミング言語であればよい。なお、品質予測プログラムは、少なくとも品質予測装置１で行われる処理を実行可能なプログラムであればよい。

品質予測装置１および機器分析装置２は、図８に示すメイン画面（操作画面）３に表示される各種ボタンに対してユーザ操作を検知した場合には、各種ボタンの機能に応じた処理を行う。ここで、図８は、品質予測装置１および機器分析装置２での処理が実行されるときに起動するメイン画面を示す図であり、品質予測装置１の表示部１７に表示される画面の一例である。なお、メイン画面３は、品質予測装置１の表示部１７に表示されなくてもよく、品質予測装置１と別途設けられた表示手段により表示されていてもよい。以下、図８に示すメイン画面３に表示された各種ボタンの機能について説明する。

図８に示すメイン画面３には、「File Selection(1/cm)」ボタン３１、「Differentiation」ボタン３２、「Spearman^’s c.c」ボタン３３、「Peak Selection」ボタン３４、「PLS」ボタン３５、「Estimation by PLS model」ボタン３６、および「PLS(cross-validation)」ボタン３７が含まれる。

「File Selection(1/cm)」ボタン３１は、機器分析装置２に処理を実行させるものであり、具体的には、食品サンプルの波長域１０００ｎｍ〜２５００ｎｍにおいて得られる透過率を吸光度に変換させるものである。

「Differentiation」ボタン３２は、品質予測装置１に処理を実行させるものであり、具体的には、機器分析装置２での測定結果であるスペクトルデータに対して高次微分を行わせ、高次の微分係数を取得させるためのものである。なお、市販のソフトウェアでは、２次までの微分係数を求めることしかできなかったが、本発明に係る品質予測装置１に用いられる品質予測プログラムでは、４次までの微分係数を求めることが可能である。

「Spearman^’s c.c」ボタン３３は、品質予測装置１に処理を実行させるものであり、具体的には、スピアマンの順位相関関係を求めさせるものである。また、「Peak Selection」ボタン３４は、品質予測装置１に処理を実行させるものであり、具体的には、ユーザ設定によって閾値を決定させるものである。

「PLS」ボタン３５は、品質予測装置１に処理を実行させるものであり、具体的には、ＰＬＳ回帰式を求めさせるものである。また、「Estimation by PLS model」ボタン３６は、品質予測装置１に処理を実行させるものであり、具体的には、ＰＬＳ回帰式による食品の品質予測を行わせる（すなわち、食品の品質ランキング（品質評価）を予測させる）ものである。さらに、「PLS(cross-validation)」ボタン３７は、品質予測装置１に処理を実行させるものであり、具体的に、ＰＬＳ回帰式の有効因子数を決定させるものである。

図９は、緑茶サンプルに対して品質予測装置１における処理を行ったときに作成されるモデル式の一例を示す図である。図９では、モデル式作成部１６が、図４に示すスペクトルデータを得たときの緑茶サンプルを用いて、３次の微分係数を得たときに作成したモデル式ｙを示している。

また、図９では、モデル式作成部１６が、有効波長決定部１５で決定された有効波長ｓ^’全て（３次の微分係数の場合は２２個；図４参照）を用いてモデル式ｙを作成した場合を示す。なお、モデル式作成部１６は、図９に示すモデル式ｙから、図５に示す予測誤差Ｒ_ｐｒｅｄ ^２が最大になるときの因子数（３次の微分係数の場合は３因子）を用いてモデル式ｙを作成することも可能である。

以上のように、品質予測装置１および機器分析装置２は、図８に示すメイン画面３を各種ボタンに対するユーザ操作を検知した場合には、各種ボタンの機能に応じた上記処理を行う。従って、ユーザは、メイン画面３の各種ボタンを操作することによって、品質予測装置１に食品の品質予測を簡単に行わせることができ、この品質予測結果を簡単に知ることができる。

〔補足〕
最後に、本実施形態に係る品質予測装置１の各ブロック、特に特徴量抽出部１１、特徴量評価値決定部１２、相関度算出部１３、相関度判定部１４、有効波長決定部１５、およびモデル式作成部１６は、ハードウェアロジックによって構成してもよいし、次のようにＣＰＵを用いてソフトウェアによって実現してもよい。

すなわち、本実施形態に係る品質予測装置１は、各機能を実現する制御プログラムの命令を実行するＣＰＵ（central processing unit）、上記プログラムを格納したＲＯＭ（read only memory）、上記プログラムを展開するＲＡＭ（random access memory）、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）などを備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである品質予測装置１の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、上記品質予測装置１に供給し、そのコンピュータ（またはＣＰＵやＭＰＵ）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。

上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ系、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやＣＤ−ＲＯＭ／ＭＯ／ＭＤ／ＤＶＤ／ＣＤ−Ｒ等の光ディスクを含むディスク系、ＩＣカード（メモリカードを含む）／光カード等のカード系、あるいはマスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ系などを用いることができる。

また、本実施形態に係る品質予測装置１を通信ネットワークと接続可能に構成し、上記プログラムコードを、通信ネットワークを介して供給してもよい。この通信ネットワークとしては、特に限定されず、例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（virtual private network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、通信ネットワークを構成する伝送媒体としては、特に限定されず、例えば、ＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、８０２．１１無線、ＨＤＲ、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。

本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

本発明に係る品質予測装置は、食品の品質を鑑定する鑑定人に頼ることなく、かつ鑑定人の行った官能試験と同等の食品の品質評価を、簡単にかつ精度よく予測することが可能となるため、例えば緑茶、紅茶、ワイン等の鑑定人による品質評価が求められることが多い食品には有効である。

本発明の一実施形態に係る品質予測装置の概略構成を示す機能ブロック図である。図１に示す品質予測装置における処理の流れを示すフローチャートである。図１に示す機器分析装置が緑茶サンプルに対して機器分析測定を行った結果を示すスペクトルデータの一例を示す図である。図１に示す品質予測装置において得られる、ある緑茶サンプルの吸光度を示すスペクトルデータと相関度とを示す図である。２〜４次の微分係数において、ＰＬＳ法を用いて作成されるＰＬＳ回帰式における予測誤差の評価結果を示す図である。２〜４次の微分係数での各有効波長におけるＰＬＳ回帰式の係数を示す図である。図１に示すモデル式作成部が作成したモデル式の示す緑茶の品質予測値と、鑑定人が鑑定した結果である緑茶の品質評価値との相関度を示す図である。図１に示す品質予測装置１および機器分析装置２での処理が実行されるときに起動するメイン画面を示す図である。緑茶サンプルに対して、図１に示す品質予測装置における処理を行ったときに作成されるモデル式の一例を示す図である。

符号の説明

１品質予測装置
３メイン画面（操作画面）
１１特徴量抽出部（特徴量抽出手段）
１２特徴量評価値決定部（特徴量評価値決定手段）
１３相関度算出部（相関度算出手段）
１４相関度判定部（相関度判定手段）
１５有効波長決定部（有効波長決定手段）
１６モデル式作成部（品質予測値決定手段）
１７表示部（表示手段）

Claims

食品の品質予測を行う品質予測装置であって、
複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出手段と、
上記特徴量抽出手段が食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定手段と、
上記特徴量評価値決定手段が決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出手段と、
上記相関度算出手段が求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定手段と、
上記相関度判定手段によって上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出手段が求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定手段と、
上記有効波長決定手段が決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定手段と、を備えたことを特徴とする品質予測装置。
上記特徴量抽出手段は、上記機器分析結果に対して波長について微分することによって波長毎に高次の微分係数まで求め、該求めた微分係数のうち同次数の微分係数を抽出してベクトル表現したものを上記スペクトルの特徴量として抽出することを特徴とする請求項１に記載の品質予測装置。
上記品質予測値決定手段は、多変量解析を行うことによって各食品サンプルの品質予測値を決定するモデル式を作成することを特徴とする請求項１または２に記載の品質予測装置。
上記多変量解析は、部分最小二乗法を用いた回帰分析であることを特徴とする請求項３に記載の品質予測装置。
上記機器分析結果は、近赤外分光分析によって得られる、食品サンプルの吸光度を示すデータであることを特徴とする請求項１から４の何れか１項に記載の品質予測装置。
ユーザ操作を取得する操作画面を表示する表示手段をさらに備えたことを特徴とする請求項１から５の何れか１項に記載の品質予測装置。
食品の品質予測を行う品質予測装置における品質予測方法であって、
複数の食品サンプルに対する機器分析結果から、スペクトルの特徴量を該食品サンプル毎に抽出する特徴量抽出ステップと、
上記特徴量抽出ステップにおいて食品サンプル毎に抽出したスペクトルの特徴量を波長毎に分類し、該波長毎に分類したスペクトルの特徴量の順位を評価するための特徴量評価値を決定する特徴量評価値決定ステップと、
上記特徴量評価値決定ステップにおいて決定した特徴量評価値と、上記複数の食品サンプルの品質鑑定を行う鑑定人による品質評価値との相関度を求める相関度算出ステップと、
上記相関度算出ステップにおいて求めた相関度の絶対値が、予め設定された相関度の閾値よりも大きいか否かを判定する相関度判定ステップと、
上記相関度判定ステップにおいて上記相関度の絶対値が上記閾値よりも大きいと判定された場合、該相関度を上記相関度算出ステップにおいて求めたときに用いた特徴量評価値における波長を有効波長として決定する有効波長決定ステップと、
上記有効波長決定ステップにおいて決定した有効波長を用いて、各食品サンプルの品質予測値を決定する品質予測値決定ステップと、を含むことを特徴とする品質予測方法。
請求項１から６の何れか１項に記載の品質予測装置の上記各手段としてコンピュータを機能させるための品質予測プログラム。
請求項８に記載の品質予測プログラムを記録したコンピュータ読取可能な記録媒体。