JP2017003526A - 農作物判定システム - Google Patents

Abstract

【課題】農作物の硝酸イオン含有量を考慮しつつＲＧＢ各成分に基づいてより適正な評価ができる農作物判定システムを提供する。
【解決手段】
農作物判定システムは、農作物の可視画像を撮像する撮像手段１１と、農家１において農作物の硝酸イオン含有量を測定する濃度測定手段と、農作物の画像データから該農作物に対する評価値を作成する評価手段２０とを備える。評価手段２０は、画像データから算出されたＲＧＢの各成分の平均値及び農作物の硝酸イオン含有量データに対して、予め設定されたＲＧＢの各成分及び硝酸イオン含有量の理想値から評価値を付与する。
【選択図】図１

Description

本発明は、契約関係にある農家で収穫された農作物を遠隔的に評価する農作物判定システムに関する。

従来、収穫された農作物を、その画像データに基づいて評価するシステムが知られている（下記特許文献１参照）。このシステムでは、画像データの背景色がその参照値と等しくなるように画像データ全体の色調を補正して規格化し、規格化された画像データから背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を有する領域が対象領域として切り出される。

そして、切り出された対象領域についてＲＧＢの各成分の平均値を算出し、予め設定されたＲＧＢの各成分の理想値と比較して評価値が付与される。理想値は、予め農作物を破壊した破壊試験のアミノ酸含有量と、Ｂｒｉｘ値と、味認識装置で測定された旨味コク値等の味覚値との一部又は全部と、ＲＧＢの各成分の平均値との相関関係に基づいて設定される。

これによれば、光源、その光の照射装置、透過光を計測するための集光器や光学テーブル等が不要であるため、農作物を評価場所（例えば、選果場）に集めて判定を行う必要はない。したがって、近年注目されている農作物のサプライチェーンマネージメント（農作物を作り手である契約関係にある農家から直接、売り手である店舗へ供給することによる高鮮度・高付加価値農作物の安定供給システム。以下、ＳＣＭシステムという）等に適用することができる。

特許第５３８６７５３号公報

しかしながら、ＳＣＭシステムによる農作物の供給をより促進させるためには、農作物をより的確に評価するために、上記のＲＧＢの各成分の理想値をより適正な値に設定する必要がある。一方、農作物に含まれる硝酸イオンの含有量も甘味や旨味、苦みやえぐ味などに影響することが知られている。

そこで、本発明は、農作物の硝酸イオン含有量を考慮しつつＲＧＢ各成分に基づいてより適正な評価ができる農作物判定システムを提供することを目的とする。

第１発明の農作物判定システムは、農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
前記農作物の硝酸イオン含有量を測定する硝酸イオン測定手段と、
前記撮像手段及び前記硝酸イオン測定手段により得られた前記農作物の画像データ及び硝酸イオン含有量データから該農作物に対する評価値を作成する評価手段とを備え、
前記評価手段は、
前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
前記第３処理手段により得られたＲＧＢの各成分の平均値及び前記硝酸イオン測定手段により得られた硝酸イオン含有量データに対して、予め設定されたＲＧＢの各成分及び硝酸イオン含有量の理想値から評価値を付与する第４処理手段とを備えることを特徴とする。

第１発明によれば、光源、その光の照射装置、透過光を計測するための集光器や光学テーブル等が不要となる。硝酸イオン測定手段としては、市販の安価な測定装置を用いることができる。したがって、システム自体が簡易で導入コストが嵩むということもない。

一方で、撮像された可視画像は、明るさや色合いが不均一となるため、これらを同一の判定基準により判定することは困難であるところ、評価手段は、第１処理手段により画像データの色調を規格化すると共に、第２処理手段が対象領域を切り出すことで、反射部分等を取り除くことができ、第３及び第４処理手段によりＲＧＢの各成分に基づく同一の評価基準で判定を行うことができる。

また、第４処理手段による評価値の付与に際しては、硝酸イオン含有量の理想値も評価の基礎とされるので、ＲＧＢの各成分のみに基づいて評価を行う場合よりも正確に評価値の付与を行うことができる。したがって、農作物の硝酸イオン含有量を考慮しつつＲＧＢ各成分に基づいてより適正な評価ができる農作物判定システムを実現することができる。

第２発明の農作物判定システムは、第１発明において、前記農作物のサンプルを破壊した破壊試験のアミノ酸含有量と、該サンプルのＢｒｉｘ値と、該サンプルについて味認識装置で測定された旨味コク値等の味覚値との一部又は全部に基づいて、前記ＲＧＢの各成分及び前記硝酸イオン含有量の理想値を設定する理想値設定手段を備えることを特徴とする。

第２発明によれば、予め破壊試験による農作物のアミノ酸含有量と、Ｂｒｉｘ値と、味認識装置で測定された旨味コク値等の味覚値との一部又は全部に基づいて、ＲＧＢの各成分及び硝酸イオン含有量の理想値を設定することで、農作物の種類、さらには、その収穫時期や生育時の気象条件等から最適なＲＧＢの各成分及び硝酸イオン含有量の理想値を設定することができ、かかる最適な理想値に基づいて、農作物を評価場所に集めることなく、簡易かつ確実に農作物を評価することができる。

第３発明の農作物判定システムは、
農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
前記農作物の硝酸イオン含有量を測定する硝酸イオン測定手段と、
前記撮像手段及び前記硝酸イオン測定手段により得られた前記農作物の画像データ及び硝酸イオン含有量データから該農作物に対する評価値を作成する評価手段とを備え、
前記評価手段は、
前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
前記農作物について、そのアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値等の味覚値からなるグループから選択される１又は２以上の値を、前記評価値に対応する値として予測する予測手段とを備え、
前記予測手段は、前記第３処理手段により得られたＲＧＢの各成分の平均値及び前記硝酸イオン測定手段により得られた硝酸イオン含有量データと、予め前記農作物と同種類の農作物のサンプルについて測定された前記ＲＧＢの各成分の平均値、硝酸イオン含有量、及び前記グループから選択される１又は２以上の値とに基づいて前記予測を行うものであることを特徴とする。

これによれば、当該農作物についてその硝酸イオン含有量をも考慮して予測されるアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値等の味覚値の一部又は全部の値に対応する評価値を得ることができる。したがって、農作物の硝酸イオン含有量を考慮しつつＲＧＢ各成分に基づいてより適正な評価ができる農作物判定システムを実現することができる。

第４発明の農作物判定システムは、第１〜第３のいずれかの発明において、該農作物判定システムは、契約関係にある農家で収穫された農作物を遠隔的に評価するものであり、前記撮像手段による撮像及び前記硝酸イオン測定手段による硝酸イオン含有量の測定は、該農家において行われ、前記評価手段は、該農家から送信された前記農作物の画像データ及び硝酸イオン含有量データに基づいて該農作物に対する評価値を作成するものであることを特徴とする。

これによれば、契約農家において収穫された農作物の撮像画像及び硝酸イオン含有量が、評価手段に送信され、評価手段によりその農作物の評価値が付与される。そのため、農作物を一箇所に集める必要がないので、農作物判定システムを、産地直送や農作物のＳＣＭシステムなど高鮮度・高付加価値農作物の安定供給システムにも適用することができる。

第５発明の農作物判定システムは、農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
前記撮像手段により得られた前記農作物の画像データから該農作物に対する評価値を作成する評価手段とを備え、
前記評価手段は、
前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
前記第３処理手段により算出されたＲＧＢの各成分の平均値に対して、予め設定されたＲＧＢの各成分の理想値から評価値を付与する第４処理手段と、
前記農作物のサンプルを破壊した破壊試験のアミノ酸含有量と、該サンプルのＢｒｉｘ値と、該サンプルの味認識装置で測定された旨味コク値を除く味覚値との一部又は全部、並びに該サンプルについて測定したＲＧＢの各成分の平均値及び硝酸イオン含有量に基づいて、前記ＲＧＢの各成分の理想値を設定する理想値設定手段とを備え、
前記理想値設定手段は、前記サンプルを前記硝酸イオン含有量に基づくクラスタ分析により複数のグループに分け、グループ毎に前記ＲＧＢの各成分の理想値を設定するものであり、
前記第４処理手段は、前記農作物に対応する前記グループの前記ＲＧＢ各成分の理想値に基づいて前記評価値の付与を行うものであることを特徴とする。

第５発明によれば、農作物のサンプルについて、硝酸イオン含有量に基づいて分けられたグループ毎にＲＧＢ各成分の理想値が設定される。そして、評価対象の農作物について、対応するグループのＲＧＢ各成分の理想値に基づいて評価値の付与が行われる。

この場合、グループ毎に、サンプルのＲＧＢ各成分の平均値とＢｒｉｘ値とに基づき、ＲＧＢ各成分の平均値を説明変数、Ｂｒｉｘ値を目的変数として重相関分析を行うと、農作物の全サンプルについて同様の分析を行う場合に比べて、精度の高い回帰式が得られることが、本発明者らの研究により判明している。なお、農作物の硝酸イオン含有量とＢｒｉｘ値との相関性が高いことも判明している。

一方、グループ毎に、サンプルのＲＧＢ各成分の平均値と旨味コク値とに基づき、ＲＧＢ各成分の平均値を説明変数、旨味コク値を目的変数として重相関分析を行う場合には、全サンプルについて同様の分析を行う場合に比べて、回帰式の精度が低下することが、本発明者らの研究により判明している。なお、硝酸イオン含有量と旨味コク値との相関性が無いことも判明している。

このため、Ｂｒｉｘ値については、グループ毎の分析結果に基づいて、グループ毎の精度の高い理想値を設定することができる。また、アミノ酸含有量及び味覚値（塩味、苦味雑味、苦味等）は、旨味コク値を除き、硝酸イオン含有量と高い相関性を有する。

したがって、アミノ酸含有量と、旨味コク値を除く味覚値については、Ｂｒｉｘ値の場合と同様に、全サンプルについて分析を行うよりもグループ毎に分析を行う方が、良好な分析結果が得られると考えられる。したがって、かかる分析結果に基づき、ＲＧＢ各成分の理想値の設定は、グループ毎に、アミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値を除く味覚値の一部又は全部に基づいて、高い精度で行うことができる。

したがって、第４処理手段は、農作物の硝酸イオン含有量を考慮しながら、評価対象の農作物に対し、これに対応するグループの理想値に基づき、より適正な評価値を付与することができる。なお、評価対象の農作物がどのグループに対応するかは、該農作物について測定された硝酸イオン含有量データや、該農作物を生産した農家が生産する同種類の作物について予め調査されて記録されている硝酸イオン含有量の範囲などに基づいて決定することができる。

第６発明の農作物判定システムは、
農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
前記撮像手段により得られた前記農作物の画像データから該農作物に対する評価値を作成する評価手段とを備え、
前記評価手段は、
前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
前記農作物について、そのアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値を除く味覚値からなるグループから選択される１又は２以上の値を、前記評価値に対応する値として予測する予測手段とを備え、
前記予測手段は、前記農作物と同種類の作物のサンプルをその硝酸イオン含有量に基づくクラスタ分析により複数のグループに分け、該農作物に対応するグループのサンプルについて予め測定された前記ＲＧＢの各成分の平均値又はこれに加えて硝酸イオン含有量、及び前記グループから選択される１又は２以上の値と、前記第３処理手段により算出されたＲＧＢの各成分の平均値又はこれに加えて該農作物の硝酸イオン含有量データとに基づいて前記予測を行うものであることを特徴とする。

これによれば、評価対象の農作物について、その硝酸イオン含有量をクラスタ分析により考慮しつつ予測されるアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値を除く味覚値の一部又は全部の値に対応する評価値を得ることができる。したがって、農作物の硝酸イオン含有量を考慮しつつＲＧＢ各成分に基づいてより適正な評価ができる農作物判定システムを実現することができる。

第７発明の農作物判定システムは、第５又は第６発明において、該農作物判定システムは、契約関係にある農家で収穫された農作物を遠隔的に評価するものであり、前記撮像手段による撮像は該農家において行われ、前記評価手段は、該農家から送信された前記農作物の画像データに基づいて該農作物に対する評価値を作成するものであることを特徴とする。

これによれば、契約農家において収穫された農作物の撮像画像が、評価手段に送信され、評価手段によりその農作物の評価値が付与される。そのため、農作物を一箇所に集める必要がないので、農作物判定システムを、産地直送や農作物のＳＣＭシステムなど高鮮度・高付加価値農作物の安定供給システムにも適用することができる。

第８発明の農作物判定システムは、第４又は第７発明において、前記評価手段により作成された評価値を当該農作物の画像データと一体として、前記農家に送信する評価送信手段を備えることを特徴とする。

第８発明によれば、評価手段により作成された評価値をその農作物の画像データと一体としてその農家に送信することで、農作物を評価場所に集めることなく、当該契約関係にある農家にどのような生産を行った農作物の評価値が高いのかを認識させることができる。

農作物判定システムの全体的な構成を示す斜視図である。 農作物の味覚を主成分Ａと主成分Ｂで表した場合の各成分に寄与する味構成要素の寄与の度合いを示す図である。 図２の各味構成要素を対象として重回帰分析を行う際に用いられるデータの一例を示す図である。 図３のサンプルについて、硝酸イオン含有量とＢｒｉｘ値との関係を示す図である。 図３のサンプルについて、硝酸イオン含有量と旨味コク値との関係を示す図である。 図３のサンプルについて、Ｂｒｉｘ値とグルタミン酸及びアスパラギン酸の含有量との関係を示す図である。 図３のサンプルについて、硝酸イオン含有量と塩味との関係を示す図である。 図３のサンプルについて、硝酸イオン含有量と苦味雑味との関係を示す図である。 図３のサンプルについて、硝酸イオン含有量と苦味との関係を示す図である。 図１０Ａは、図３のサンプルのＲ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図１０Ｂは、図３のサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１０Ｃは、回帰式の偏回帰係数等を示す図である。 図１１Ａは、図３のサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図１１Ｂは、図３のサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１１Ｃは、回帰式の偏回帰係数等を示す図である。 図１２Ａは、図３のサンプルのＲ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図１２Ｂは、図３のサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１２Ｃは、回帰式の偏回帰係数等を示す図である。 図１３Ａは、図３のサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図１３Ｂは、図３のサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１３Ｃは、回帰式の偏回帰係数等を示す図である。 図１４Ａは、図３のサンプルの一部のＲ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図１４Ｂは、該サンプルの一部について重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１４Ｃは、回帰式の偏回帰係数等を示す図である。 図１５Ａは、図３のサンプルの一部のＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図１５Ｂは、該サンプルの一部について重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１５Ｃは、回帰式の偏回帰係数等を示す図である。 図１６Ａは、図３のサンプルの一部のＲ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図１６Ｂは、該サンプルの一部について重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１６Ｃは、回帰式の偏回帰係数等を示す図である。 図１７Ａは、図３のサンプルの一部のＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図１７Ｂは、該サンプルの一部について重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図１７Ｃは、回帰式の偏回帰係数等を示す図である。 農作物判定システムにおける処理内容を示すフローチャートである。 図１９Ａは、農作物判定システムにおけるきゅうりの撮像画像データを規格化する処理を示す説明図であり、図１９Ｂは、該画像データから対象領域を切り出す処理を示す説明図である。 図２０Ａは、農作物判定システムにおけるほうれん草の撮像画像データを規格化する処理を示す説明図であり、図２０Ｂは、該画像データから対象領域を切り出す処理を示す説明図である。 農作物判定システムにおける判定内容を示す説明図である。 本発明の別の実施形態における理想値設定手段でなされるクラスタ分析において作成されるデンドログラム（樹形図）を示す図である。 デンドログラムにおいて分けられた各クラスタの規模等を示す図である。 図２４Ａは、クラスタ１及び２に属するサンプルのＲ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図２４Ｂは、クラスタ１及び２に属するサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図２４Ｃは、回帰式の偏回帰係数等を示す図である。 図２５Ａは、クラスタ１及び２に属するサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列を示す図、図２５Ｂは、クラスタ１及び２に属するサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図２５Ｃは、回帰式の偏回帰係数等を示す図である。 図２６Ａは、クラスタ１及び２に属するサンプルのＲ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図２６Ｂは、クラスタ１及び２に属するサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図２６Ｃは、回帰式の偏回帰係数等を示す図である。 図２７Ａは、クラスタ１及び２に属するサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列を示す図、図２７Ｂは、クラスタ１及び２に属するサンプルについて重相関分析を行った場合の回帰式の精度を表す各種指標を示す図、図２７Ｃは、回帰式の偏回帰係数等を示す図である。

図１に示す本実施形態の農作物判定システムは、契約関係にある農家１で収穫された農作物を遠隔的に評価するシステムであって、農家１側に設けられた硝酸イオン測定手段１０と、撮像手段１１と、ネットワークを介して農家１と空間的に離れた位置に設けられたコントローラ２とを備える。

硝酸イオン測定手段１０としては、市販の硝酸イオンメータ、例えばＨＯＲＩＢＡ社のコンパクト硝酸イオンメータを用いることができる。撮像手段１１は、可視画像を撮像する可視カメラであって、一般的なデジタルカメラや携帯電話１１´に搭載された可視カメラであってもよい。

コントローラ２は、評価手段２０と、理想値設定手段２５と、評価データベース２６と、履歴データベース２７とを備える。評価手段２０は、撮像手段１１により撮像され、農家１から送信された農作物の画像データから該農作物に対する評価値を作成する手段であって、第１処理手段２１と、第２処理手段２２と、第３処理手段２３と、第４処理手段２４とを備える。

第１処理手段２１は、画像データの色調を規格化する第１処理を実行する。第２処理手段２２は、第１処理手段２１により規格化された画像データから対象領域を切り出す第２処理を実行する。第３処理手段２３は、第２処理手段２２により切り出された対象領域のＲＧＢの各成分の平均値を算出する。

第４処理手段２４は、第３処理手段２３により算出されたＲＧＢ成分の各平均値に対して、予め設定されたＲＧＢの各成分の理想値から評価値を付与する。なお、第1処理手段２１〜第４処理手段２４の処理内容の詳細は後述する。

理想値設定手段２５は、予め各種の農作物（例えば、きゅうり、小松菜、レタス、キャベツ、トマト、ほうれん草、りんご等）を破壊した破壊試験のアミノ酸含有量と、Ｂｒｉｘ値と、味認識装置で測定された旨味コク値等の味覚値との一部又は全部と、ＲＧＢの各成分の平均値と、該農作物について測定された硝酸イオン含有量との相関関係から当該農作物のＲＧＢの各成分及び硝酸イオン含有量の理想値を設定する。

具体的には、農作物毎に、例えば破壊試験のアミノ酸含有量やＢｒｉｘ値、味認識装置で測定される旨味コク値等の味覚値と、ＲＧＢ各成分の平均値及び硝酸イオン含有量との関係を求め、これらの一部又は全部から基準値を決定し、その基準値をもとに多変量解析によりＲＧＢの各成分及び硝酸イオン含有量の理想値が決められる。多変量解析として、例えば、重回帰分析を用いることができる。

図２は、農作物の味覚を主成分Ａとしてのおいしさと、主成分Ｂとしてのこく（濃厚感）で表した場合の各成分に寄与するＢｒｉｘ値や旨味コク等の味構成要素の寄与の度合いを示す。図２では、アミノ酸に属するグルタミン酸及びアスパラギン酸（Ｇｌｕ＋Ａｓｐ）、Ｂｒｉｘ値、旨味コク、塩味、苦味雑味、苦味、硝酸イオン（ＮＯ_３ ⁻）について、おいしさ及びこくに対する寄与の度合いが示されている。

図２のように、図２で示される各味構成要素は、農作物のおいしさ及びこくに寄与する度合いが高い。したがって、農作物を味覚の観点から評価するためには、図２の各味構成要素を対象として重回帰分析を行うのが好ましいと考えられる。

図３は、農作物を評価するための重回帰分析に用いられるデータの一例として、各地の複数の農家１で収穫された２５の小松菜のサンプルＡ〜Ｚについて測定した各種のデータを示す。サンプルＡ〜Ｚには、１つの農家１で収穫された複数のサンプルも含まれる。例えばサンプルＫ、Ｌは１つの農家１で収穫されたサンプルである。

測定したサンプルのデータには、硝酸イオン含有量（ｐｐｍ）、Ｂｒｉｘ値（％）、ＲＧＢ各成分の平均値と、苦味雑味、苦味、旨味コク及び塩味の味覚センサによる測定値と、グルタミン酸及びアスパラギン酸の含有量とが含まれる。各データの値は、それぞれ「ＮＯ_３ ⁻」、「Ｂｒｉｘ」、「Ｒ」、「Ｇ」、「Ｂ」、「苦味雑味」、「苦味」、「旨味コク」、「塩味」並びに「Ｇｌｕ＋Ａｓｐ」の欄に示されている。以下、これらの欄名は、対応するデータの変数をも表わすものとする。

図４、図５、図７〜図９は、図３の各サンプルのデータにおける硝酸イオン含有量と各味構成要素との関係を示す。各図中には、回帰線、回帰式及び決定係数（Ｒ２）により、当該関係における相関性の程度が示されている。図４ではＢｒｉｘ値、図５では旨味コク、図７では塩味、図８では苦味雑味、図９では苦味との関係が示されている。図６は、グルタミン酸とアスパラギン酸（Ｇｌｕ＋Ａｓｐ）との関係を示している。

硝酸イオン含有量は、図５のように旨味コクとの相関性は低いが、図４、図７〜図９のように、Ｂｒｉｘ、塩味、苦味雑味、苦味との関係では良好な又は強い相関性を有する。したがって、ＲＧＢ各成分の理想値に加え、硝酸イオン含有量の理想値を考慮することにより、第４処理手段２４が付与する評価値の精度を向上できることが期待される。

図１０Ａは、図３のサンプルのＲ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。図１０Ａに示すように、ＢｒｉｘとＲ、Ｇ、Ｂとはさほど良好な相関性を有していない。

図１０Ｂは、図３のサンプルについてＲ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１０Ｂ中の「Ｒ」は重相関係数であり、決定係数の平方根に等しい。０から１の間の値をとり、１に近いほど分析の精度が高いことを示す。「修正Ｒ」は、サンプルサイズに対する説明変数の数の割合が多くなるほど重相関係数の値は過大評価されやすいため、この点を調整した重相関係数である。

「Ｒ２乗」は、決定係数であり、０から１の間の値をとり、１に近いほど分析の精度が高いことを意味する。「修正Ｒ２乗」は、説明変数の数が増えるほど決定係数も大きくなるので、説明変数の数を考慮して修正した決定係数である。回帰式の評価には「修正Ｒ２乗」を用いるのがよい。

「ダービンワトソン比」は、誤差項間（実測値と理論値との差）の自己相関の有無を判別するための指標であり、０以上４以下の値をとり、２前後であれば自己相関なしと判断できる。なお、重回帰分析では誤差項間に自己相関がないことを仮定している。「ＡＩＣ」（赤池情報量基準）は、その値が小さいほど、回帰式の精度が高いことを表し、回帰式間で相対的に精度を比較するために用いられる。

図１０Ｂからわかるように、図３のＲ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合、得られる回帰式の精度は、さほど高くない。

図１０Ｃは、回帰式の偏回帰係数等を示す。図１０Ｃの「偏回帰係数」は、回帰式における各説明変数の係数及び定数項の値である。「標準誤差」は、偏回帰係数の推定誤差である。「標準偏回帰係数」は、データを標準化して重回帰分析を行った場合の偏回帰係数であり、各説明変数の目的変数への影響度を比較するのに用いられる。

「Ｆ値」、「ｔ値」、「Ｐ値」は、偏回帰係数の有意性を検定するための値である。例えば、ｔ値の絶対値が２より小さいとき、目的変数に影響しないと判断される。「判定」の欄には、Ｐ値に基づき、有意性があると判定された場合には「＊」、より高い有意性がある場合には「＊＊」が記載される。

図１０Ｃから、変数Ｒ、Ｇには、高い有意性があり、変数Ｂ、定数項は有意性がないことがわかる。

図１１Ａは、図３のサンプルについてのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。図１１Ａに示すように、ＢｒｉｘとＲ、Ｇ、Ｂとはさほど良好な相関性を有していないが、ＢｒｉｘとＮＯ_３ ⁻とは良好な負の相関性を有する。

図１１Ｂは、図３のサンプルについて、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１１Ｂに示すように、重相関係数Ｒ、修正Ｒ、Ｒ２乗、修正Ｒ２乗の値から、回帰式の精度は良好であることがわかる。ダービンワトソン比は２の近傍であり、実測値と理論値との差には自己相関がない。また、ＡＩＣ（赤池情報量基準）は、図１０Ｂの場合よりかなり小さいので、回帰式の精度が図１０Ｂの場合よりも高いことがわかる。

図１１Ｃは、回帰式に含まれる説明変数及び定数項についての偏回帰係数等を示す。図１１Ｃに示すように、定数項のｔ値は２以下であり、目的変数への影響はない。また、「判定」の欄より、ＮＯ_３ ⁻とＲが有意であることがわかる。

上記の図１０Ａ〜図１１Ｃから、Ｒ、Ｇ、Ｂを説明変数として目的変数Ｂｒｉｘを予測する場合よりも、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として目的変数Ｂｒｉｘを予測する方が、良好にＢｒｉｘを予測できることがわかる。特に、図１０Ｂにおける決定係数（修正Ｒ２乗）は、０．２２４９であるのに対し、図１１Ｂにおける決定係数（修正Ｒ２乗）が０．６４５６であることから、ＮＯ_３ ⁻を説明変数に加えることによって、Ｂｒｉｘを予測するための回帰式の精度が格段に向上することがわかる。

したがって、理想値設定手段２５は、Ｂｒｉｘに基づいて理想値を決定する際には、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として予測される目的変数Ｂｒｉｘが理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定することにより、高い精度で理想値の決定を行うことができる。

図１２Ａは、図３におけるＲ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図１２Ｂは、Ｒ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１２Ｃは、回帰式の偏回帰係数等を示す。

図１３Ａは、図３におけるＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図１３Ｂは、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１３Ｃは、回帰式の回帰係数等を示す。

図１２Ａ〜図１３Ｃに示すように、旨味コクを目的変数とする場合、図１０Ａ〜図１１ＣのＢｒｉｘを目的変数とする場合よりも、決定係数が小さく、回帰式の精度が劣ることがわかる。しかし、図１２Ａ〜図１３Ｃの場合も、図１０Ａ〜図１１Ｃの場合と同様に、ＮＯ_３ ⁻を説明変数に加えることにより、決定係数等が向上しており、回帰式の精度を向上させることができる。

したがって、理想値設定手段２５は、旨味コクに基づいて理想値を決定する際にも、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として予測される目的変数旨味コクが理想の値となるようにして、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定するのが好ましい。

図１４Ａは、図３における１１の小松菜のサンプルＡ〜Ｊ、Ｗ、Ｘについて、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。サンプルＡ〜Ｊ、Ｗ、Ｘは、１つの農家１で収穫されたものである。図１４Ｂは、そのサンプルについて、Ｒ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１４Ｃは、この回帰式の偏回帰係数等を示す。

図１５Ａは、図３のサンプルＡ〜Ｊ、Ｗ、Ｘについて、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。図１５Ｂは、サンプルＡ〜Ｊ、Ｗ、Ｘについて、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１５Ｃは、回帰式の偏回帰係数等を示す。

図１４Ａ〜図１５Ｃにおける決定係数等の値から、上記１つの農家１のサンプルＡ〜Ｊ、Ｗ、Ｘに基づいてＢｒｉｘを予測する場合においても、Ｒ、Ｇ、Ｂを説明変数として目的変数Ｂｒｉｘを予測するよりも、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として目的変数Ｂｒｉｘを予測する方が、良好にＢｒｉｘを予測できることがわかる。

したがって、この場合も、理想値設定手段２５は、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として予測される目的変数Ｂｒｉｘが理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定する。

図１６Ａは、図３のサンプルＡ〜Ｊ、Ｗ、Ｘについて、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図１６Ｂは、サンプルＡ〜Ｊ、Ｗ、Ｘについて、Ｒ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１６Ｃは、その回帰式の回帰係数等を示す。

図１７Ａは、図３のサンプルＡ〜Ｊ、Ｗ、Ｘについて、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図１７Ｂは、サンプルＡ〜Ｊ、Ｗ、Ｘについて、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図１７Ｃは、該回帰式の回帰係数等を示す。

図１６Ａ〜図１７Ｃにおける決定係数等の値から、上記１つの農家１のサンプルＡ〜Ｊ、Ｗ、Ｘに基づいて旨味コク値を予測する場合においても、Ｒ、Ｇ、Ｂを説明変数として目的変数旨味コクを予測するよりも、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として、目的変数旨味コクを予測する方が、良好に旨味コクを予測できることがわかる。

したがって、この場合も、理想値設定手段２５は、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻を説明変数として予測される目的変数旨味コクが理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定するのが好ましい。

このように、理想値設定手段２５は、Ｂｒｉｘや旨味コクに基づいて農作物の評価を行う場合、Ｂｒｉｘや旨味コクが理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定する。すなわち、回帰式の説明変数Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻の値として、目的変数Ｂｒｉｘや旨味コクが理想の値となるような値を、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値として採用する。

また、Ｂｒｉｘや旨味コク以外の他の味構成要素についても、図７〜図９のように硝酸イオン含有量との相関性が高いので、これらの味構成要素を目的変数として得られる予測値が理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定するのが好ましいと考えられる。

また、Ｒ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定する際には、各味構成要素（Ｂｒｉｘ、旨味コク等の味覚値、アミノ酸含有量など）のいずれか１つがその理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定してもよいし、複数の味構成要素が図３の主成分Ａによるおいしさと、主成分Ｂによる濃厚感とを理想の状態とさせるような理想の値となるようにＲ、Ｇ、Ｂ及びＮＯ_３ ⁻の理想値を決定してもよい。

なお、このようにＢｒｉｘ値や味認識装置による旨味コク等の測定値に基づいてＲＧＢの各成分及び硝酸イオン含有量の理想値を設定することに代えて又は加えて、官能検査等による検査結果に基づいて、ＲＧＢの各成分及び硝酸イオン含有量の理想値を決定又は補正してもよい。

図１に戻り、評価データベース２６は、各種農作物（例えば、きゅうり、小松菜、レタス、キャベツ、トマト、ほうれん草、りんご等）を破壊した破壊試験のアミノ酸含有量と、ｂｒｉｘ値と、味認識装置で測定された旨味コク値等の味覚値と、当該農作物のＲＧＢの各成分及び硝酸イオン含有量の理想値の過去のデータ（気象条件、収穫時期等を含む）を記憶する記憶手段である。

履歴データベース２７は、評価手段２０により評価された各種農作物の評価値（気象条件、収穫時期等の付加情報を含む）の履歴を記憶する記憶手段である。

なお、本実施形態において、コントローラ２を構成する処理手段２１〜２７は、それぞれＣＰＵ、ＲＯＭ、ＲＡＭ等のハードウェアにより構成され、これらの処理手段２１〜２７が、それぞれ共通のハードウェアによって構成されていてもよく、これらの一部又は全部が異なるハードウェアによって構成されていてもよい。

また、撮像手段１１とコントローラ２との間は、撮像手段１１から画像データの読み込みを行うパーソナルコンピュータ１２を介して、インタネット等のネットワークにより接続されている。また、撮像手段を備えた携帯電話１１´の場合には、無線通信により基地局１３を介して、ネットワークによりコントローラ２と接続されている。

硝酸イオン測定手段１０による測定結果は、キーボードによりパーソナルコンピュータ１２に入力され、パーソナルコンピュータ１２によりコントローラ２に送られる。硝酸イオン測定手段１０を、パーソナルコンピュータ１２及びネットワークを介してコントローラ２に接続し、測定結果を直接コントローラ２に送るようにしてもよい。

次に、図１８を参照して、以上のように構成された農作物判定システムにより契約関係にある農家で収穫された農作物を評価する方法について説明する。

まず、コントローラ２は、撮像手段１１，１１´により撮像された画像データが送付されるとその画像データに添付された付加情報から、画像データの農作物の種類を認識する（図１８／ＳＴＥＰ１１）。

ここで、画像データに添付された付加情報は、農家１が画像データをコントローラ２に送付する際に記載する情報であって、例えば、画像データの農作物の種類、農法（有機農法）、収穫日時、収穫条件（樹熟、早熟など）などの情報である。また、この付加情報には、当該農作物の硝酸イオン含有量（ｐｐｍ）が含まれる。硝酸イオン含有量は、農家１において、硝酸イオン測定手段１０により測定される。

なお、画像データに農作物の種類に関する付加情報を添付せずに、画像データに基づいて、その画像データの農作物の形状からパターンマッチング等により農作物の種別を判定して認識するようにしてもよい。

次に、コントローラ２は、ＳＴＥＰ１１で認識された農作物の種類に対応したＲＧＢの各成分及び硝酸イオン含有量の理想値を評価ＤＢ２６から読み出す（図１８／ＳＴＥＰ１２）。

ここで、読み出されたＲＧＢの各成分及び硝酸イオン含有量の理想値は、そのまま評価手段２０による画像データの評価に用いてもよいが、ユーザにより補正処理が施されるようにしてもよい。例えば、生産地やその年の気象条件等を考慮して理想値を補正することで、より最適な理想値を設定して現実に即した評価が可能となる。

次に、評価手段２０の第１処理手段２１は、画像データの色調を規格化する第１処理を実行する（図１８／ＳＴＥＰ２１）。

具体的には、図１９Ａ又は図２０Ａに示すように、もともと黒の統一した背景の下で撮像された農作物の撮像画像の背景色（黒色）がその参照値と等しくなるように、画像全体の色調を補正して規格化する。

また、評価精度の向上のためには、農作物の撮像画像の背景色（黒色）の輝度がその参照値と等しくなるように、画像全体の輝度を補正して規格化してもよい。

次に、評価手段２０の第２処理手段２２は、画像データから対象領域を切り出す第２処理を実行する（図１８／ＳＴＥＰ２２）。

具体的には、図１９Ｂの斜線部分又は図２０Ｂで示すように、画像データから、背景色（黒色）以外で、同じ色調の領域を、対象物である農作物（きゅうり又はほうれん草）の領域として抽出する。このとき、抽出される同じ色調の領域には、背景色以外の領域の色調の平均値から所定範囲の色調を同じ色調の領域として抽出してもよく、色調のばらつき等を考慮してユーザが所定の所定範囲の色調を指定するようにしてもよい。

これにより、対象領域のうちで反射等による高輝度領域や陰となった低輝度領域を除いて対象領域を切り出すことができる。

なお、第２処理手段２２による処理に加えて又は代えて、ユーザが対象領域を手動で指定して、対象領域を切り出すようにしてもよい。

次に、評価手段２０の第３処理手段２３は、切り出された対象領域のＲＧＢの各成分の平均値であるＲＧＢ平均値を算出する（図１８／ＳＴＥＰ２３）。

ここで、第３処理手段２３は、ＳＴＥＰ２３で切り出された対象領域のＲＧＢ平均値として、この領域内の各ドットのＲＧＢ値（Ｒ、Ｇ、Ｂそれぞれの輝度が０以上、２５５以下の整数）の平均値を算出する。

次いで、第４処理手段２４は、ＳＴＥＰ２３で算出されたＲＧＢ平均値及び付加情報に含まれる硝酸イオン含有量に対して、ＳＴＥＰ１２で読み出されたＲＧＢの各成分及び硝酸イオン含有量の理想値に基づく評価値を付与する（図１８／ＳＴＥＰ２４）。

具体的には、図２１に示すように、ＳＴＥＰ２３で算出されたＲＧＢ平均値は、同じ農作物であっても、産地、生産方法や収穫時期等により、理想値とは異なる分布を示す。

図２１において、理想値は、Ｒ成分（約６４０ｎｍ）ではＲＧＢ平均値が１７０で、Ｇ成分（約５４０ｎｍ）ではＲＧＢ平均値が１４０であるのに対して、Ａ〜Ｄに示す産地・農法等の異なる実際のきゅうりやほうれん草では、理想値ほどＲＧＢ平均値は低くならず、例えばＲ成分ではＡ〜Ｄの順に理想値から外れている。

また、理想値のＢ成分（約４４０ｎｍ）ではＲＧＢ平均値が２２０であるのに対して、ＡとＢは、理想値に近いものの、Ｃ、Ｄは、理想値ほどＲＧＢ平均値は高くならず、理想値から外れている。

そこで、第４処理手段２４は、例えば、ＲＧＢの各成分について、平均値が理想値に等しい場合を１００点として、理想値から所定の第１範囲内を８０点、さらに第１範囲外の第２範囲内を６０点、第２範囲外の第３範囲内を４０点、それ以外を０点として、３成分の総合評価（３００点満点）を行う。

さらに、第４処理手段２４は、付加情報に含まれる当該農作物の硝酸イオン含有量と、読み出された硝酸イオン含有量の理想値とを比較し、その差分に応じて、同様に点数付けを行い、これを上記の３成分の総合評価の点数に加算することにより当該農作物についての評価値を得る。

なお、この評価値は一例であり、農作物の種類によっては、ＲＧＢの３成分のいずれかに重み付けをしたり、硝酸イオン含有量に重み付けをしたりして評価してもよく、いずれかの成分及び硝酸イオン含有量に基づいて評価をしてもよい。

次いで、コントローラ２は、第４処理手段２４により付与された評価値を履歴データベース２７に格納する（図２／ＳＴＥＰ３１）。このとき、コントローラ２は、評価値と併せて、農家１から送信された画像データに添付された付加情報（農作物の硝酸イオン含有量、種類、農法（有機農法）、収穫日時、収穫条件など）を一体として格納する。

これにより、事後的に履歴データベース２７に格納された評価情報を、農作物の硝酸イオン含有量、種類、農法、収穫時期、収穫条件に分けて、統計的な処理等が可能となり、より付加価値の高い農作物を生産するための有益な資料を得ることができる。

次に、コントローラ２は、ＳＴＥＰ２４により付与された評価値を、対応する画像データと一体として、その農家１へ送信し、一連の処理を終了する（図２／ＳＴＥＰ３２）。これにより、農作物を評価場所に集めることなく、当該契約関係にある農家１にどのような生産を行った農作物の評価値が高いのかを認識させることができる。

農家１における評価値の出力は、パーソナルコンピュータ１２によって行うことができる。出力の形態としては、画面上への表示に加えて音声による出力を伴うようにしてもよい。出力される評価値としては、上記のような点数の他、「金」、「銀」、「銅」などの評価の程度に応じたクラスを示すものが考えられる。あるいは、「非常に甘い」、「甘い」、「苦い」、「渋い」、「辛い」、「濃厚でコクがある」等のような味覚をそのまま表現したものであってもよい。

また、そのような表示の代わりに、又はそのような表示に加えて、評価値に応じた図形、例えば笑顔、渋い顔等を併せて出力たり、金色、銀色等の図形を出力するようにしてもよい。また、評価値に応じて大きさが異なる図形を表示してもよい。

以上が、本実施形態の農作物判定システムにより契約関係にある農家１で収穫された農作物を評価する方法の詳細であり、かかる農作物判定システムによれば、農作物を一箇所に集める必要がないため、産地直送や農作物のＳＣＭシステムなど高鮮度・高付加価値農作物の安定供給システムにも適用することができ、簡易かつ確実に農作物を評価することができる。

また、第４処理手段２４による評価値の付与に際しては、硝酸イオン含有量の理想値も評価の基礎とされるので、ＲＧＢの各成分のみに基づいて評価を行う場合よりも正確に評価値の付与を行うことができる。

図２２は、本発明の別の実施形態に係る農作物判定システムおける理想値設定手段でなされるクラスタ分析において作成されるデンドログラム（樹形図）を示す。このデンドログラムでは、図３のサンプルについてＮＯ_３ ⁻（硝酸イオン含有量）の値をサンプル間の距離として各クラスタに分類している。横軸は結合距離であり、縦軸はデータ番号である。データ番号１、２、３、・・・、２５は、図３におけるサンプルＡ、Ｂ、Ｃ、・・・、Ｚに対応する。

図２３は、このデンドログラムにおいて、２５００をボーダーラインとして設定することにより分けられたクラスタ１〜４についての規模（そのクラスタに属するサンプルの数）、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂの平均値を示す。

図２４Ａは、クラスタ１及び２に属するサンプルのＲ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。図２４Ｂは、クラスタ１及び２に属するサンプルについてＲ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図２４Ｃは、回帰式の偏回帰係数等を示す。

図１０Ａ〜図１０Ｃと図２４Ａ〜図２４Ｃとを比較すると、Ｒ、Ｇ、Ｂ及びＢｒｉｘについては、図３の全サンプルを対象とするよりも、クラスタ１及び２に属するサンプルのみを対象とする方が、重相関分析の精度が高いことがわかる。

図２５Ａは、クラスタ１及び２に属するサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘ間の相関係数を示す相関行列である。図２５Ｂは、クラスタ１及び２に属するサンプルについてＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図２５Ｃは、回帰式の偏回帰係数等を示す。

図１１Ａ〜図１１Ｃと図２５Ａ〜図２５Ｃとを比較すると、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及びＢｒｉｘについては、図３の全サンプルを対象とするよりも、クラスタ１及び２に属するサンプルのみを対象とする方が、重相関分析の精度がやや高いことがわかる。また、図３の全サンプルを対象とするよりも、クラスタ１及び２に属するサンプルのみを対象とする方が、ＮＯ_３ ⁻よりもＲの値がＢｒｉｘに与える影響が大きくなることがわかる。

特に、図１０Ｂにおける決定係数（修正Ｒ２乗）は、０．２２４９であるのに対し、図２４Ｂにおける決定係数（修正Ｒ２乗）が０．５１５０であることから、ＮＯ_３ ⁻を説明変数に加えなくても、クラスタ１及び２のサンプルのみを対象として分析を行うことにより、Ｂｒｉｘを予測するための回帰式の精度が格段に向上することがわかる。

図２６Ａは、クラスタ１及び２に属するサンプルのＲ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図２６Ｂは、クラスタ１及び２に属するサンプルについてＲ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図２６Ｃは、回帰式の偏回帰係数等を示す。

図１２Ａ〜図１２Ｃと図２６Ａ〜図２６Ｃとを比較すると、修正Ｒ２乗の値が図１２Ｂでは０．１９６９、図２６Ｂでは０．１２４８であることから、Ｒ、Ｇ、Ｂ及び旨味コクについては、図３の全サンプルを対象とするよりも、クラスタ１及び２に属するサンプルを対象とする方が、重相関分析の精度がやや低いことがわかる。

図２７Ａは、クラスタ１及び２に属するサンプルのＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コク間の相関係数を示す相関行列である。図２７Ｂは、クラスタ１及び２に属するサンプルについてＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、旨味コクを目的変数として重相関分析を行った場合の回帰式の精度を表す各種指標を示す。図２７Ｃは、回帰式の偏回帰係数等を示す。

図１３Ａ〜図１３Ｃと図２７Ａ〜図２７Ｃとを比較すると、修正Ｒ２乗の値が図１３Ｂでは０．２２２６、図２７Ｂでは０．０９６３であることから、ＮＯ_３ ⁻、Ｒ、Ｇ、Ｂ及び旨味コクについては、図３の全サンプルを対象とするよりも、クラスタ１及び２に属するサンプルを対象とする方が、重相関分析の精度がかなり低いことがわかる。

以上の図１０Ａ〜図１３Ｃ及び図２４Ａ〜図２７Ｃの結果から、Ｂｒｉｘに基づいて評価値を得る場合には、ＮＯ_３ ⁻（硝酸イオン含有量）の値をサンプル間の距離としてクラスタに分類してから、分類された各クラスタ内でＲ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数として重相関分析を行うことにより、図２４Ａ〜図２４Ｃのように、精度の高い重相関分析の結果が得られる。この結果は、図２５Ａ〜図２５ＣのＮＯ_３ ⁻を説明変数に含む場合よりも修正Ｒ２乗がやや小さいが、十分高い精度を示しているといえるので、この結果に基づいて、Ｒ、Ｇ、Ｂ各成分についての十分適正な理想値が得られることがわかる。

したがって、Ｂｒｉｘについての評価値を得る場合には、上記のＮＯ_３ ⁻を用いたクラスタ分析と、Ｒ、Ｇ、Ｂを説明変数、Ｂｒｉｘを目的変数とした重相関分析とを併用することによって、十分適正な評価値を得ることができる。

一方、旨味コク値に基づいて評価値を得る場合には、逆に、クラスタ分析を伴うと、重相関分析の精度が低下する。このため、クラスタ分析を行わずに全サンプルを対象として１３Ａ〜図１３ＣのようにＮＯ_３ ⁻、Ｒ、Ｇ、Ｂを説明変数、旨味コク値を目的変数として重相関分析を行い、その結果に基づいてＮＯ_３ ⁻、Ｒ、Ｇ、Ｂの理想値を設定するのが好ましい。

他方、旨味コク値を除く味覚値及びアミノ酸含有量（Ｇｌｕ＋Ａｓｐ）については、Ｂｒｉｘ値の場合と同様に、硝酸イオン含有量との高い相関性を有する（図６〜図９参照）ので、全サンプルについて分析を行うよりもグループ毎に分析を行う方が、良好な分析結果が得られると考えられる。

したがって、アミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値を除く味覚値の一部又は全部に基づいて評価値を付与する場合には、硝酸イオン濃度の理想値を設定しなくても、上記のグループ毎にＲＧＢ各成分の理想値を設定することにより、この理想値に基づいて適正な評価値を付与することができると考えられる。

本実施形態において、以上説明したこと以外の点については、上記図１〜図２１の実施形態の場合と同様である。

なお、本発明は上記の実施形態に限定されない。例えば、実施形態においては、農作物として、小松菜を評価した場合について説明したが、これに限定されるものではなく、きゅうり、ほうれん草、トマト、りんごなどの種々の青果物のほか、花や観葉植物等の草木に適用してもよい。

また、実施形態では、理想値設定手段２５により、Ｂｒｉｘ又は旨味コクに基づいて、ＲＧＢ各成分及び窒素含有量の理想値又はＲＧＢ各成分の理想値を設定する場合について説明したが、他の味構成要素であるアミノ酸含有量（Ｇｌｕ＋Ａｓｐ）や、これらの味構成要素の２以上の組合せに基づいて理想値を設定するようにしてもよい。

また、味構成要素である味覚値には酸味や渋みが含まれる。これらの味覚値も硝酸イオンとある程度の相関性を有するので、理想値設定手段による理想値の設定に際し、Ｂｒｉｘなどの場合と同様にして参酌することができる。

また、上述の実施形態においては、評価手段２０は、農家１から画像データ等が送られた農作物を評価する際に、第４処理手段２４により、その画像データ等に基づくＲＧＢ各成分の平均値及び硝酸イオン含有量と、その農作物について理想値設定手段２５により予め設定されたＲＧＢ各成分の平均値及び硝酸イオン含有量の理想値とを比較して評価値を決定している。しかし、第４処理手段２４に代えて、次のような予測手段を採用し、これにより農作物の評価値に対応する値を予測し、この予測値に基づいて評価値を決定するようにしてもよい。

この予測手段は、例えば、上記と同様の重相関分析によって回帰式を取得し、これによりＢｒｉｘ値や旨味コク値を予測するものである。すなわち、予測手段は、農家１から画像データが送信された農作物について、そのアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値等の味覚値からなるグループから選択される１又は２以上の値を、評価値に対応する値として予測する。この予測は、第３処理手段２３により算出されたＲＧＢの各成分の平均値及び農家１から送信された農作物の硝酸イオン含有量データと、図３に示したような予め該農作物と同種類の農作物のサンプルについて測定されたＲＧＢの各成分の平均値、硝酸イオン含有量、及び前記グループから選択される１又は２以上の値とに基づいて行われる。

この場合、評価手段２０は、例えば、予測手段により当該農作物のＢｒｉｘ値として高い値が予測された場合、当該農作物については「甘い」との評価値を付与し、低い値が予測された場合、「甘くない」との評価値を付与することができる。

ただし、この場合も、上記の硝酸イオン含有量を用いたクラスタ分析により複数のグループに分けて分析を行う場合には、説明変数としてＮＯ_３ ⁻（硝酸イオン含有量）を用いずに、ＲＧＢ各成分の平均値を用いれば十分であるが、旨味コク値については適切な予測値を得ることはできない。

また、上述のように、アミノ酸含有量、Ｂｒｉｘ値、旨味コク値等の値を、評価値に対応する値として予測し、評価値を表示する場合には、アミノ酸含有量、Ｂｒｉｘ値、旨味コク値等の評価対象項目毎に評価値を表示することができる。具体的には、評価対象項目毎の評価値を、棒グラフや円グラフ等の各種グラフで表示したり、評価対象項目毎に、その評価値とともに、又はこれに代えて、評価値を示すような笑顔、渋い顔等の図形等を表示したりするようにしてもよい。

１…農家、２…コントローラ、１０…硝酸イオン測定手段、１１…撮像手段、１１´…携帯電話、２０…評価手段、２１…第１評価手段、２２…第２評価手段、２３…第３評価手段、２４…第４評価手段、２５…理想値設定手段、２６…評価データベース、２７…履歴データベース。

Claims (8)

1. 農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
   前記農作物の硝酸イオン含有量を測定する硝酸イオン測定手段と、
   前記撮像手段及び前記硝酸イオン測定手段により得られた前記農作物の画像データ及び硝酸イオン含有量データから該農作物に対する評価値を作成する評価手段とを備え、
   前記評価手段は、
   前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
   前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
   前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
   前記第３処理手段により得られたＲＧＢの各成分の平均値及び前記硝酸イオン測定手段により得られた硝酸イオン含有量データに対して、予め設定されたＲＧＢの各成分及び硝酸イオン含有量の理想値から評価値を付与する第４処理手段とを備えることを特徴とする農作物判定システム。
2. 請求項１記載の農作物判定システムにおいて、前記農作物のサンプルを破壊した破壊試験のアミノ酸含有量と、該サンプルのＢｒｉｘ値と、味認識装置で測定された旨味コク値等の味覚値との一部又は全部に基づいて、前記ＲＧＢの各成分及び前記硝酸イオン含有量の理想値を設定する理想値設定手段を備えることを特徴とする農作物判定システム。
3. 農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
   前記農作物の硝酸イオン含有量を測定する硝酸イオン測定手段と、
   前記撮像手段及び前記硝酸イオン測定手段により得られた前記農作物の画像データ及び硝酸イオン含有量データから該農作物に対する評価値を作成する評価手段とを備え、
   前記評価手段は、
   前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
   前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
   前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
   前記農作物について、そのアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値等の味覚値からなるグループから選択される１又は２以上の値を、前記評価値に対応する値として予測する予測手段とを備え、
   前記予測手段は、前記第３処理手段により得られたＲＧＢの各成分の平均値及び前記硝酸イオン測定手段により得られた硝酸イオン含有量データと、予め前記農作物と同種類の農作物のサンプルについて測定された前記ＲＧＢの各成分の平均値、硝酸イオン含有量、及び前記グループから選択される１又は２以上の値とに基づいて前記予測を行うものであることを特徴とする農作物判定システム。
4. 請求項１〜３のいずれか１項に記載の農作物判定システムにおいて、該農作物判定システムは、契約関係にある農家で収穫された農作物を遠隔的に評価するものであり、前記撮像手段による撮像及び前記硝酸イオン測定手段による硝酸イオン含有量の測定は、該農家において行われ、前記評価手段は、該農家から送信された前記農作物の画像データ及び硝酸イオン含有量データに基づいて該農作物に対する評価値を作成するものであることを特徴とする農作物判定システム。
5. 農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
   前記撮像手段により得られた前記農作物の画像データから該農作物に対する評価値を作成する評価手段とを備え、
   前記評価手段は、
   前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
   前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
   前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
   前記第３処理手段により算出されたＲＧＢの各成分の平均値に対して、予め設定されたＲＧＢの各成分の理想値から評価値を付与する第４処理手段と、
   前記農作物のサンプルを破壊した破壊試験のアミノ酸含有量と、該サンプルのＢｒｉｘ値と、該サンプルの味認識装置で測定された旨味コク値を除く味覚値との一部又は全部、並びに該サンプルについて測定したＲＧＢの各成分の平均値及び硝酸イオン含有量に基づいて、前記ＲＧＢの各成分の理想値を設定する理想値設定手段とを備え、
   前記理想値設定手段は、前記サンプルを前記硝酸イオン含有量に基づくクラスタ分析により複数のグループに分け、グループ毎に前記ＲＧＢの各成分の理想値を設定するものであり、
   前記第４処理手段は、前記農作物に対応する前記グループの前記ＲＧＢ各成分の理想値に基づいて前記評価値の付与を行うものであることを特徴とする農作物判定システム。
6. 農作物の可視画像を統一した背景色の下で撮像する撮像手段と、
   前記撮像手段により得られた前記農作物の画像データから該農作物に対する評価値を作成する評価手段とを備え、
   前記評価手段は、
   前記画像データの背景色がその参照値と等しくなるように、前記画像データ全体の色調を補正して規格化する第１処理手段と、
   前記第１処理手段により規格化された前記画像データから、背景色以外の領域の色調の平均値から所定範囲の色調、或いは所定の所定範囲の色調を対象領域として切り出す第２処理手段と、
   前記第２処理手段により切り出された対象領域のＲＧＢの各成分の平均値を算出する第３処理手段と、
   前記農作物について、そのアミノ酸含有量、Ｂｒｉｘ値、及び旨味コク値を除く味覚値からなるグループから選択される１又は２以上の値を、前記評価値に対応する値として予測する予測手段とを備え、
   前記予測手段は、前記農作物と同種類の作物のサンプルをその硝酸イオン含有量に基づくクラスタ分析により複数のグループに分け、該農作物に対応するグループのサンプルについて予め測定された前記ＲＧＢの各成分の平均値又はこれに加えて硝酸イオン含有量、及び前記選択される１又は２以上の値と、前記第３処理手段により算出されたＲＧＢの各成分の平均値又はこれに加えて該農作物の硝酸イオン含有量とに基づいて前記予測を行うものであることを特徴とする農作物判定システム。
7. 請求項５又は６に記載の農作物判定システムにおいて、該農作物判定システムは、契約関係にある農家で収穫された農作物を遠隔的に評価するものであり、前記撮像手段による撮像は該農家において行われ、前記評価手段は、該農家から送信された前記農作物の画像データに基づいて該農作物に対する評価値を作成するものであることを特徴とする農作物判定システム。
8. 請求項４又は７に記載の農作物判定システムにおいて、
   前記評価手段により作成された評価値を当該農作物の画像データと一体として、前記農家に送信する評価送信手段を備えることを特徴とする農作物判定システム。