JP2020520464A - 肉製品の品質を評価するための方法およびシステム - Google Patents

肉製品の品質を評価するための方法およびシステム Download PDF

Info

Publication number
JP2020520464A
JP2020520464A JP2020514305A JP2020514305A JP2020520464A JP 2020520464 A JP2020520464 A JP 2020520464A JP 2020514305 A JP2020514305 A JP 2020514305A JP 2020514305 A JP2020514305 A JP 2020514305A JP 2020520464 A JP2020520464 A JP 2020520464A
Authority
JP
Japan
Prior art keywords
meat product
meat
data
quality
parameter
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
JP2020514305A
Other languages
English (en)
Inventor
アンドリュー・グラント
レモ・カーボーン
マーク・ハッチンソン
Original Assignee
エムイーキュー・プローブ・ピーティーワイ・リミテッド
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
Priority claimed from AU2017901826A external-priority patent/AU2017901826A0/en
Application filed by エムイーキュー・プローブ・ピーティーワイ・リミテッド filed Critical エムイーキュー・プローブ・ピーティーワイ・リミテッド
Publication of JP2020520464A publication Critical patent/JP2020520464A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N21/8507—Probe photometers, i.e. with optical measuring part dipped into fluid sample
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/12—Meat; Fish
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6484—Optical fibres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N21/8507—Probe photometers, i.e. with optical measuring part dipped into fluid sample
    • G01N2021/8528—Immerged light conductor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G01N2201/06113—Coherent sources; lasers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/08—Optical fibres; light guides
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Food Science & Technology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Meat, Egg Or Seafood Products (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本開示は、肉製品の品質を評価するための方法およびシステムに関する。特定の実施形態では、本開示は、肉製品の品質を評価する方法を提供し、本方法は、肉製品への入射光の照射時に肉製品から放射される光を表すデータを受信するステップと、肉製品の品質を示す１つまたは複数のパラメータを決定するためにデータを分析するステップと、１つまたは複数のパラメータに基づいて肉製品の品質を評価するステップとを備える。

Description

優先権の主張
本出願は、２０１７年５月１６日に出願されたオーストラリア仮特許出願第２０１７９０１８２６号の優先権を主張し、その内容は参照により本明細書に組み込まれる。
本開示は、肉製品の品質を評価するための方法およびシステムに関する。
食肉産業の重要な部分は、肉の品質の評価を行うことである。
肉の品質の評価は、消費者に提供される肉が所望の品質であることを保証するために、様々な特性を評価することを含み得る。さらに、肉の品質の評価は、動物の特性、動物の管理、および／または動物の処理が、肉製品の最終品質にどのように影響するかについて生産者に通知する。
肉の品質を決定することは、色の評価、食感の分析、および筋肉のｐＨの決定など、肉の特性を直接評価する方法をしばしば伴う。場合によっては、これはテストされる肉のサンプルを必要とし、これは肉製品の処理に追加の負担および／または制約を課す。
さらに、一括処理に関連付けられる経済的利点を提供するために、肉の処理は通常大規模に行われる。しかしながら、肉のサンプルの品質をテストすることを伴う方法では、生産プロセスの遅延、生産プロセスへの統合の必要性、コストの増加など、一括処理にさらなる負担がかかる。
したがって、サンプリングを必要としない肉製品の品質を評価する方法、および、具体的には、製品を物理的に調査する必要のない方法が有利であろう。
本開示は、肉製品の品質を評価するための方法およびシステムに関する。
本開示の特定の実施形態は、肉製品の品質を評価する方法を提供する。
本開示の特定の実施形態は、肉製品の品質を評価する方法を提供し、本方法は、
肉製品への入射光の照射時に、肉製品から放射される光を表すデータを受信するステップと、
肉製品の品質を示す１つまたは複数のパラメータを決定するために、データを分析するステップと、
１つまたは複数のパラメータに基づいて肉製品の品質を評価するステップと
を含む。
特定の実施形態では、肉製品は、屠体、屠体の一部、屠体からの肉の切り身、あるいは屠体または肉の切り身に由来する加工製品である。
特定の実施形態では、肉製品は赤肉製品である。
特定の実施形態では、肉製品は、羊、子羊、牛、子牛、豚、ヤギ、鹿、または馬に由来する製品である。他の種類の肉製品が考えられる。
特定の実施形態では、肉製品は、羊肉製品、牛肉製品、豚肉製品、山羊肉製品、鹿肉製品、または馬肉製品である。
特定の実施形態では、肉製品は、牛肉製品、子牛肉製品、子羊肉製品、羊肉製品、豚肉製品、山羊肉製品、鹿肉製品、または馬肉製品である。
本明細書で使用される「肉製品の品質」という用語は、肉製品の選択された特性を指す。肉製品の品質の例は、食の品質、価格、等級、ｐＨ、脂肪含量、柔らかさ、および特定の目的への適合性のうちの１つまたは複数を含み得る。
特定の実施形態では、肉製品の品質は食の品質を含む。
特定の実施形態では、肉製品の品質はｐＨを含む。
特定の実施形態では、肉製品の品質は、等級またはスコアリングシステムを備える。たとえば、本方法は、肉製品の食の品質の等級分けまたはスコア付けに使用され得る。
特定の実施形態では、肉製品の品質は、肉製品の品質のしきい値、最小値、最大値、割り当てられた値、または値の範囲を含む。肉製品の品質は、多くの異なる等級、たとえば低級、中級、または高級のうちの１つを含み得る。
特定の実施形態では、入射光は、１つまたは複数の特定の波長の光を含む。特定の実施形態では、入射光は、特定の波長範囲にわたる１つまたは複数の波長を備える。
特定の実施形態では、入射光は非コヒーレント光を含む。特定の実施形態では、入射光はコヒーレント光を含む。特定の実施形態では、入射光はレーザ光を含む。
１つまたは複数の波長の入射光（コヒーレントおよび／または非コヒーレント）を生成するための方法および光源は、当技術分野において知られており、市販されている。
特定の実施形態では、入射光は、４００ｎｍから４１５ｎｍの範囲の波長を備える。他の波長範囲が考えられる。
特定の実施形態では、入射光は、４００ｎｍから４１０ｎｍ、４００ｎｍから４０５ｎｍ、４０５ｎｍから４１５ｎｍ、４０５ｎｍから４１０ｎｍ、または４１０ｎｍから４１５ｎｍのうちの１つの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を備える。
特定の実施形態では、入射光は、４０２ｎｍから４０８ｎｍ、４０３ｎｍから４０８ｎｍ、４０４ｎｍから４０８ｎｍ、４０５ｎｍから４０８ｎｍ、４０６ｎｍから４０８ｎｍ、４０７ｎｍから４０８ｎｍ、４０２ｎｍから４０７ｎｍ、４０３ｎｍから４０７ｎｍ、４０４ｎｍから４０７ｎｍ、４０５ｎｍから４０７ｎｍ、４０６ｎｍから４０７ｎｍ、４０２ｎｍから４０６ｎｍ、４０３ｎｍから４０６ｎｍ、４０４ｎｍから４０６ｎｍ、４０５ｎｍから４０６ｎｍ、４０２から４０５ｎｍ、４０３ｎｍから４０５ｎｍ、４０４ｎｍから４０５ｎｍ、４０２ｎｍから４０４ｎｍ、４０３から４０４ｎｍ、および４０２ｎｍから４０３ｎｍのうちの１つの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を備える。
特定の実施形態では、入射光は４０５±３ｎｍの波長を備える。
特定の実施形態では、入射光は、約４０４ｎｍまたは約４０５ｎｍの波長を備える。
「約」または「およそ」という用語は、特定の値の許容誤差を意味し、これは、値がどのように測定または決定されるかに部分的に依存する。特定の実施形態では、「約」は、１つまたは複数の標準偏差を意味し得る。「約」という先行用語が列挙された範囲または値に適用される場合、それは当技術分野において知られている、または測定方法から予想される、範囲または値の偏差内の近似を示す。
特定の実施形態では、入射光は、光ファイバを介して肉製品に伝達される。特定の実施形態では、入射光は光ファイバを介してプローブに伝達される。
特定の実施形態では、入射光は、プローブを介して肉製品に照射される。特定の実施形態では、入射光は、肉製品の表面下のプローブを介して肉製品に照射される。
特定の実施形態では、入射光は、光ファイバを介して肉製品に照射される。特定の実施形態では、入射光は、光ファイバプローブを介して肉製品に照射される。特定の実施形態では、入射光は、針の中の光ファイバを介して肉製品に照射される。
特定の実施形態では、入射光は肉製品の表面に照射される。特定の実施形態では、入射光は、肉製品の表面下に照射される。
特定の実施形態では、肉製品から放射される光は、４４０から８００ｎｍの範囲の波長を有する光を含む。他の波長が考えられる。
特定の実施形態では、本方法は、肉製品から放射された光を検出することを含む。光を検出するための方法は、当技術分野において知られている。特定の実施形態では、肉製品から放射される光は、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍのうちの１つから選択された範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を有する光を含む。
特定の実施形態では、肉製品から放射される光は反射光を含む。
特定の実施形態では、肉製品から放射される光は自家蛍光励起光を含む。
特定の実施形態では、入射光は肉製品に自家蛍光を誘発する。特定の実施形態では、放射光は、肉製品への入射光の照射によって肉製品において励起される自己蛍光を含む。
特定の実施形態では、肉製品へのレーザ光の照射によって自家蛍光が励起される。
特定の実施形態では、本方法は、肉製品への入射光の照射時に、肉製品から放射光を検出することを含む。光を検出し、それをデータに変換するための方法は、当技術分野において知られている。
特定の実施形態では、肉製品から受信したデータは、１つまたは複数の光の波長に関連付けられるデータを含む。
特定の実施形態では、肉製品から受信したデータは、４４０から８００ｎｍの範囲の１つまたは複数の光の波長に関連付けられるデータを含む。
特定の実施形態では、肉製品から受信したデータは、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍのうちの１つから選択された範囲、あるいは、前述の範囲のうちの１つ範囲周辺の１つまたは複数の光の波長に関連付けられるデータを含む。
特定の実施形態では、肉製品から受信したデータは、光のスペクトルに関連付けられるデータを含む。特定の実施形態では、肉製品から受信したデータは、自己蛍光励起に関連付けられるデータを含む。特定の実施形態では、肉製品から受信したデータは、スペクトル自己蛍光に関連付けられるデータを含む。
特定の実施形態では、肉製品から受信したデータは、４４０から８００ｎｍの範囲の波長の光に関連付けられるデータを含む。
特定の実施形態では、受信したデータは、肉製品から放射されたスペクトルデータを含む。特定の実施形態では、受信されたデータは、肉製品において励起された自家蛍光を表すスペクトルデータを含む。
特定の実施形態では、スペクトルデータは４４０ｎｍから８００ｎｍの範囲の光に関連付けられるデータを含む。
特定の実施形態では、スペクトルデータは、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍのうちの１つから選択された範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長の光に関連付けられるデータを含む。
特定の実施形態では、肉の品質を示す１つまたは複数のパラメータは、単一のパラメータを含む。特定の実施形態では、肉の品質を示す１つまたは複数のパラメータは、２つのパラメータを含む。特定の実施形態では、肉の品質を示す１つまたは複数のパラメータは、複数のパラメータを含む。
パラメータの例は、屠体重量（または、屠体の一部）を示すパラメータ、肉製品における脂肪含有量を示すパラメータ、肉製品における脂肪量を示すパラメータ、屠体における特定の筋肉または部位の測定値（サイズ、面積、および／または深さ）を示すパラメータ、肉製品における酸性度および／またはアルカリ度（ｐＨなど）を示すパラメータ、肉製品の１つまたは複数の色、せん断力（ＳＦ）、筋肉内脂肪（ＩＭＦ）、動物種、時期、あるいは前述のパラメータのうちの１つまたは複数の組合せを含む。
特定の実施形態では、１つまたは複数のパラメータは、以下のうちの１つまたは複数を含む。
屠体重量を示すパラメータ、
屠体温度を示すパラメータ、
組織の深さの程度；
筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）、
せん断力を示すパラメータ（ＳＦパラメータ）、
動物種、および
時期。
特定の実施形態では、１つまたは複数のパラメータは、以下のうちの１つまたは複数を含む。
温屠体重量を示すパラメータ（ＨＣＷＴパラメータ）と、
（少なくとも羊または子羊の場合）１２番目のリブ上の組織の深さの程度（ＧＲｆａｔパラメータ）と、
目の筋肉の上の脂肪の量を示すパラメータ（ＦａｔＣパラメータ）と、
筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）と、
せん断力を示すパラメータ（ＳＦパラメータ）。
特定の実施形態では、１つまたは複数のパラメータは、肉製品の温度を示すパラメータを含む。
特定の実施形態では、１つまたは複数のパラメータは、
筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）およびせん断力を示すパラメータ（ＳＦパラメータ）を含む。
特定の実施形態では、データは、１つまたは複数のパラメータを予測するために、１つまたは複数のモデルを使用して分析される。
特定の実施形態では、１つまたは複数のモデルは線形統計モデルを含む。特定の実施形態では、１つまたは複数のモデルは、非線形モデルを含む。
特定の実施形態では、１つまたは複数のモデルは、データ最小化手法を使用して作成される。特定の実施形態では、データ最小化手法は、赤池情報量基準を採用することを含む。データ最小化のための他の方法も考えられる。
特定の実施形態では、１つまたは複数のモデルは、非線形モデルを含む。
特定の実施形態では、１つまたは複数のモデルはロジスティック回帰を含む。
特定の実施形態では、１つまたは複数のモデルは、サンプル肉製品への入射光の照射時に複数のサンプル肉製品から放射される光を表すデータを含むトレーニングデータを使用して作成され、各サンプル肉製品は１つまたは複数のパラメータのあらかじめ定められた値を有する。
特定の実施形態では、１つまたは複数のモデルは機械学習を使用して作成される。
特定の実施形態では、１つまたは複数のモデルは、ニューラルネットワークを使用して作成される。
特定の実施形態では、１つまたは複数のモデルはディープラーニングを使用して作成される。
特定の実施形態では、データは、スペクトル範囲全体のデータポイントの数を減らすために分析前に処理されるスペクトルデータを含む。
特定の実施形態では、肉製品の品質は食の品質を含む。
特定の実施形態では、肉製品の品質はｐＨを含む。
特定の実施形態では、本方法は、肉製品の品質を評価、等級分け、スコア付け、または分類するために使用される。
本開示の特定の実施形態は、本明細書に記載の方法に従って等級分け、スコア付け、または分類された肉製品を提供する。
本開示の特定の実施形態は、本明細書に記載の方法を実行するためにプロセッサによって実行可能な一連の命令を備えるソフトウェアを提供する。
本開示の特定の実施形態は、コンピュータで使用するソフトウェアを提供し、このコンピュータは、プロセッサと、ソフトウェアを記憶するためのメモリとを備え、ソフトウェアは、本明細書に記載の方法を実行するためにプロセッサによって実行可能な一連の命令を備える。
本開示の特定の実施形態は、肉製品の品質を評価するためのシステムを提供する。
本開示の特定の実施形態は、肉製品の品質を評価するためのシステムを提供し、本システムは、
肉製品に入射光を照射するための光源と、
肉製品への入射光の照射時に肉製品から放射される光を表すデータを生成するための測定デバイスと、
プロセッサと、
メモリと、
プロセッサがアクセス可能なメモリに常駐するソフトウェアと
を備え、ソフトウェアは、本明細書に記載の方法を実行するためにプロセッサによって実行可能な一連の命令を備える。
本開示の特定の実施形態は、肉製品の品質を評価するためのシステムを提供し、本システムは、
肉製品に入射光を照射するための光源と、
肉製品への入射光の照射時に肉製品から放射される光を表すデータを生成するための測定デバイスと、
プロセッサと、
メモリと、
プロセッサがアクセス可能なメモリに常駐するソフトウェアと
を備え、ソフトウェアが、肉製品の品質を示す１つまたは複数のパラメータを決定するためにデータを分析することと、１つまたは複数のパラメータに基づいて肉製品の品質の程度を提供することとを行うためにプロセッサによって実行可能な一連の命令を備える。
肉製品、および肉製品の品質は、本明細書に記載の通りである。
入射光を生成するための光源は、当技術分野において知られている。入射光の詳細は、本明細書に記載の通りである。
特定の実施形態では、入射光源は、４００ｎｍから４１５ｎｍの範囲の波長を備える光を生成する。他の波長範囲が考えられる。
特定の実施形態では、入射光源は、４００ｎｍから４１０ｎｍ、４００ｎｍから４０５ｎｍ、４０５ｎｍから４１５ｎｍ、４０５ｎｍから４１０ｎｍ、または４１０ｎｍから４１５ｎｍのうちの１つの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を備える光を生成する。
特定の実施形態では、入射光源は、４０２ｎｍから４０８ｎｍ、４０３ｎｍから４０８ｎｍ、４０４ｎｍから４０８ｎｍ、４０５ｎｍから４０８ｎｍ、４０６ｎｍから４０８ｎｍ、４０７ｎｍから４０８ｎｍ、４０２ｎｍから４０７ｎｍ、４０３ｎｍから４０７ｎｍ、４０４ｎｍから４０７ｎｍ、４０５ｎｍから４０７ｎｍ、４０６ｎｍから４０７ｎｍ、４０２ｎｍから４０６ｎｍ、４０３ｎｍから４０６ｎｍ、４０４ｎｍから４０６ｎｍ、４０５ｎｍから４０６ｎｍ、４０２から４０５ｎｍ、４０３ｎｍから４０５ｎｍ、４０４ｎｍから４０５ｎｍ、４０２ｎｍから４０４ｎｍ、４０３から４０４ｎｍ、および４０２ｎｍから４０３ｎｍの範囲、あるいは、前述の範囲のうちの１つ範囲周辺の波長を備える光を生成する。
特定の実施形態では、入射光源は４０５±３ｎｍの波長を備える光を生成する。
特定の実施形態では、入射光源は、約４０４ｎｍまたは約４０５ｎｍの波長を備える光を生成する。
特定の実施形態では、測定デバイスは放射光を検出および測定する。
肉製品から放射される光の詳細は、本明細書に記載の通りである。
特定の実施形態では、測定デバイスは、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍのうちの１つから選択された範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を備える光を測定する。
特定の実施形態では、測定デバイスは、４４０から８００ｎｍの範囲の波長を備える光を測定する。
特定の実施形態では、光源および／または測定デバイスは、プローブの一部を備える。他の配置が考えられる。
特定の実施形態では、肉製品から放射される光は、４４０から８００ｎｍの範囲の波長を有する光を含む。
特定の実施形態では、肉製品から放射される光は、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を有する光を含む。
光を測定し、測定された光をデータに変換するための方法およびデバイスは、当技術分野において知られている。
特定の実施形態では、測定デバイスは分光計を含む。
プロセッサ、メモリ、およびソフトウェアは、本明細書に記載の通りである。
特定の実施形態において、プロセッサ、メモリ、およびソフトウェアは、プローブとデータ接続するように配置される。
データの処理は、本明細書に記載の通りである。
特定の実施形態では、光源および測定デバイスはプローブの一部を備え、プロセッサ、メモリ、およびソフトウェアはプローブから離れた場所にあり、インターネットを介してデータを受信する。
品質を示す１つまたは複数のパラメータ、およびそれらの決定のための方法は、本明細書に記載の通りである。肉製品の品質の程度を提供するための１つまたは複数のパラメータの使用は、本明細書で説明の通りである。
特定の実施形態では、肉製品の品質は食の品質を含む。
特定の実施形態では、肉製品の品質はｐＨを含む。
特定の実施形態では、肉製品の品質は、脂肪含有量（筋肉内脂肪含有量など）および／または柔らかさ（せん断力など）を含む。
特定の実施形態では、本システムは、肉製品の品質を等級分け、スコア付け、または分類するために使用される。
本開示の特定の実施形態は、本明細書に記載のシステムを使用して等級分け、スコア付け、または分類された肉製品を提供する。
本開示の特定の実施形態は、肉製品の品質を評価するための１つまたは複数のモデルを作成する方法を提供する。
本開示の特定の実施形態は、肉製品の品質を評価するための１つまたは複数のモデルを作成する方法（肉製品の品質を評価する）を提供し、本方法は、
複数のサンプル肉製品に対して、サンプル肉製品への入射光の照射時にサンプル肉製品から放射される光を表すデータを受信するステップと、
サンプル肉製品に対して、１つまたは複数のあらかじめ定められた値を受信するステップと、
１つまたは複数のモデルを作成し、肉製品の品質を示す１つまたは複数のパラメータを予測するために、データおよび１つまたは複数のあらかじめ定められた値を使用するステップと
を含む。
肉製品、および肉製品の品質は、本明細書に記載の通りである。
入射光の詳細は、本明細書に記載の通りである。
特定の実施形態では、入射光は、４００ｎｍから４１５ｎｍのうちの１つの範囲の波長を有する光を含む。他の波長が考えられる。
特定の実施形態では、入射光は、４００ｎｍから４１０ｎｍ、４００ｎｍから４０５ｎｍ、４０５ｎｍから４１５ｎｍ、４０５ｎｍから４１０ｎｍ、または４１０ｎｍから４１５ｎｍのうちの１つの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を有する光を含む。
特定の実施形態では、入射光は、４０２ｎｍから４０８ｎｍ、４０３ｎｍから４０８ｎｍ、４０４ｎｍから４０８ｎｍ、４０５ｎｍから４０８ｎｍ、４０６ｎｍから４０８ｎｍ、４０７ｎｍから４０８ｎｍ、４０２ｎｍから４０７ｎｍ、４０３ｎｍから４０７ｎｍ、４０４ｎｍから４０７ｎｍ、４０５ｎｍから４０７ｎｍ、４０６ｎｍから４０７ｎｍ、４０２ｎｍから４０６ｎｍ、４０３ｎｍから４０６ｎｍ、４０４ｎｍから４０６ｎｍ、４０５ｎｍから４０６ｎｍ、４０２から４０５ｎｍ、４０３ｎｍから４０５ｎｍ、４０４ｎｍから４０５ｎｍ、４０２ｎｍから４０４ｎｍ、４０３から４０４ｎｍ、および４０２ｎｍから４０３ｎｍの範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を有する光を含む。
特定の実施形態では、入射光は４０５±３ｎｍの波長を有する光を含む。
特定の実施形態では、光は、約４０４ｎｍまたは約４０５ｎｍの波長を有する光を含む。
特定の実施形態では、サンプルから放射される光は、４４０から８００ｎｍの範囲の波長を有する光を含む。
特定の実施形態では、サンプルから放射される光は、４００ｎｍから８００ｎｍ、４５０から８００ｎｍ、５００から８００ｎｍ、５５０ｎｍから８００ｎｍ、６００ｎｍから８００ｎｍｍ、６５０ｎｍから８００ｎｍ、７００から８００ｎｍ、７５０から８００ｎｍ、４００ｎｍから７５０ｎｍ、４５０から７５０ｎｍ、５００から７５０ｎｍ、５５０ｎｍから７５０ｎｍ、６００ｎｍから７５０ｎｍ、６５０ｎｍから７５０ｎｍ、７００から７５０ｎｍ、４００ｎｍから７００ｎｍ、４５０から７００ｎｍ、５００から７００ｎｍ、５５０ｎｍから７００ｎｍ、６００ｎｍから７００ｎｍ、６５０ｎｍから７００ｎｍ、４００ｎｍから６５０ｎｍ、４５０から６５０ｎｍ、５００から６５０ｎｍ、５５０ｎｍから６５０ｎｍ、６００ｎｍから６５０ｎｍ、４００ｎｍから６００ｎｍ、４５０から６００ｎｍ、５００から６００ｎｍ、５５０ｎｍから６００ｎｍ、４００ｎｍから５５０ｎｍ、４５０から５５０ｎｍ、５００から５５０ｎｍ、４００ｎｍから５００ｎｍ、４５０から５００ｎｍ、または４００ｎｍから４５０ｎｍから選択された範囲、あるいは、前述の範囲のうちの１つの範囲周辺の波長を有する光を含む。
肉製品から放射される光の詳細は、本明細書に記載の通りである。
光を測定し、測定された光をデータに変換するための方法およびデバイスは、本明細書に記載の通りである。
特定の実施形態では、あらかじめ定められた値は、屠体重量（または、屠体の一部）を示すパラメータ、肉製品における脂肪含有量を示すパラメータ、肉製品における脂肪量を示すパラメータ、屠体における特定の筋肉の測定値（サイズ、面積、および／または深さ）を示すパラメータ、肉製品における酸性度および／またはアルカリ度（ｐＨなど）を示すパラメータ、肉製品の１つまたは複数の色、せん断力（ＳＦ）、筋肉内脂肪（ＩＭＦ）、あるいは前述のパラメータのうちの１つまたは複数の組合せを含む。
特定の実施形態では、あらかじめ定められた値は、以下のうちの１つまたは複数のパラメータを含む。
屠体重量を示すパラメータ、
屠体温度を示すパラメータ、
組織の深さの程度、
筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）、
せん断力を示すパラメータ（ＳＦパラメータ）。
特定の実施形態では、あらかじめ定められた値は、以下のうちの１つまたは複数のパラメータを含む。
温屠体重量を示すパラメータ（ＨＣＷＴパラメータ）と、
（少なくとも羊または子羊の場合）１２番目のリブ上の組織の深さの程度（ＧＲｆａｔパラメータ）と、
目の筋肉の上の脂肪の量を示すパラメータ（ＦａｔＣパラメータ）と、
筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）と、
せん断力を示すパラメータ（ＳＦパラメータ）。
特定の実施形態では、データは、１つまたは複数のモデルを作成するためにスペクトルデータを使用する前に処理されるスペクトルデータを含む。
特定の実施形態では、１つまたは複数のモデルは線形統計モデルを含む。特定の実施形態では、１つまたは複数のモデルは非線形統計モデルを含む。
特定の実施形態では、１つまたは複数のモデルはロジスティック回帰を含む。
特定の実施形態では、１つまたは複数のモデルは機械学習を使用して作成される。
特定の実施形態では、１つまたは複数のモデルは、ニューラルネットワークを使用して作成される。
特定の実施形態では、１つまたは複数のモデルはディープラーニングを使用して作成される。
特定の実施形態では、１つまたは複数のモデルは、データ最小化手法を使用して作成される。特定の実施形態では、データ最小化手法は、赤池情報量基準を採用することを含む。
特定の実施形態では、１つまたは複数のモデルは、サンプル肉製品への入射光の照射時に複数のサンプル肉製品から放射される光を表すデータを含むトレーニングデータを使用して作成され、各サンプル肉製品は１つまたは複数のパラメータのあらかじめ定められた値を有する。
特定の実施形態では、本明細書に記載の方法によって作成されたモデルは、品質に関して肉製品を等級分け、スコア付け、または分類するシステムにおいて使用される。
次に、本開示の実施形態を、添付の図面を参照して、例としてのみ説明する。
一実施形態による、肉製品の品質を評価するためのシステムの図である。 一実施形態によるプローブのハウジングの側面図、上面図、断面図、および正面図を含む図である。 一実施形態による肉製品の品質を評価する方法を表すフローチャートである。 一実施形態による、肉製品の品質を評価するための１つまたは複数のモデルを作成する方法を表すフローチャートである。 一実施形態による、肉製品へのレーザ光の適用によって肉製品において励起される自家蛍光を表すスペクトルデータを示すグラフである。 線形モデル、赤池情報量基準、および５倍交差検証の３つの方法にわたって平均化された、すべてのデータセットの平均Ｒ−２乗値を示す図である。 線形モデルおよび赤池情報量基準のすべてのデータセットの調整済みＲ−２乗値を示す図である。 線形モデルおよびＡＩＣにわたって平均化されたすべてのデータセットの平均相対残差標準誤差、および線形モデルのすべてのデータセットのＦ統計値を示す図である。 線形モデルおよび赤池情報量基準のすべてのデータセットのｌｏｇ１０（ｐ−値）を示す図である。 すべてのデータセットのＲ−２乗および調整済みＲ−２乗値を示す。ｌｍは線形モデル、ａｉｃは赤池情報量基準、５倍は−５倍のｋ倍交差検証法である。 すべてのデータセットの相対残差標準誤差（ＲＳＥ）およびＦ統計値を示す図である。ｌｍは線形モデル、ａｉｃは赤池情報量基準である。 すべてのデータセットのｌｏｇ１０（ｐ−値）を示す図である。ｌｍは線形モデル、ａｉｃは赤池情報量基準である。 別の実施形態による、温屠体の平均スペクトル特性を示す図である。 別の実施形態による、冷屠体の平均スペクトル特性を示す図である。 温屠体の筋肉内脂肪の測定された割合対筋肉内脂肪の予測された割合を示す図である。 温屠体の測定されたせん断力対予測されたせん断力を示す図である。 温屠体の測定されたｐＨ対予測されたｐＨを示す図である。 冷屠体の筋肉内脂肪の測定された割合対筋肉内脂肪の予測された割合を示す図である。 冷屠体の測定されたせん断力対予測されたせん断力を示す図である。 冷屠体の測定されたｐＨ対予測されたｐＨを示す図である。
肉製品１２の品質を評価するためのシステム１０の実施形態が図１に示されている。
システム１０は、この実施形態では約４０４ｎｍの波長を有する青色レーザ１４である光源を含む。レーザ１４は、分岐光ファイバ１８およびファイバコネクタ２０を介してファイバプローブ１６に接続されている。ファイバプローブ１６は、レーザ１４からの入射光を肉製品１２に照射するために肉製品１２に挿入されているように示されている。通常、プローブは２から６ｃｍの深さまで挿入されるが、他の深さも適用可能であり、本開示は肉製品の外部でのプローブの使用を想定している。
肉製品１２は、屠体全体、肉の側面または任意の肉の切り身、たとえば卸売りまたは小売り販売に適した肉であってもよい。本開示は、たとえば、子羊肉、牛肉、豚肉、鹿肉、ヤギ肉、または馬肉などの赤身肉製品の品質を評価するために使用され得る。
一実施形態では、ファイバプローブ１６は、屠体のリブアイの周り（リブの外側）に挿入される。子羊の場合は約２０〜４０ｍｍ、牛肉の場合は４０〜６０ｍｍの浸透深度が成功裏に試行された。複数の筋肉グループを評価するために屠体のマルチプロービングも実行され得る。
レーザ１４から肉製品１２への入射光の照射により、肉製品１２が自家蛍光を発し、光を放射する。ファイバプローブ１６は、肉製品１２から放射された光を受信する感知チップ２２を有する。この放射された光は、分岐ファイバ１８を通過して、この実施形態では分光計２４である測定デバイスに達する。ロングパスフィルタ２６は、レーザ光のバックグラウンドを抑制するために使用される。
分光計２４は、放射光を、肉製品１２において励起される自己蛍光を表すスペクトルデータに変換する。スペクトルデータは、たとえば４４０ｎｍから８００ｎｍの波長範囲にわたる放射光の強度の測定値を含み得る。そのような測定は、波長範囲にわたって異なる間隔で行われ、複数の測定は間隔ごとに行われる。
システム１０は、プロセッサ２８、メモリ３０、およびメモリ３０に常駐し、プロセッサ２８がアクセス可能なソフトウェア３２をさらに含む。この実施形態では、プロセッサ２８およびメモリ３０はコンピュータ３４の一部であり、コンピュータ３４は分光計２４とデータ通信３６している。
コンピュータ３４は、システム１０の他の構成要素（以下、光学装置３８と呼ぶ）と同じ場所に配置されてもよく、ＬＡＮまたはインターネットなどのデータネットワークを介して分光計２４とデータ通信して遠隔に配置されてもよい。コンピュータ３４は、ケーブによって、またはワイヤレス通信で分光計に物理的に接続され得る。あるいは、分光計２４からのデータは、たとえばメモリカードに保存され、後で分析のためにコンピュータ３４に転送されてもよく、および／またはクラウドに保存されてもよい。本開示は、分光計２４からコンピュータ３４にデータを転送するすべての手段、およびデスクトップコンピュータ、ラップトップ、またはモバイルデバイスを含む、コンピュータ３４が取り得るすべての異なる形態を網羅することが理解されよう。
コンピュータ３４を備えた、または備えていない光学装置３８は、携帯可能であり得る。これにより、ユーザは、肉製品を運び連続的に移動する食肉処理チェーンに沿って歩き、肉製品を調べること、または冷却装置から肉製品を取り出すことなしに、冷却装置において肉製品を調べることができる。たとえば、光学装置３８および制御ハードウェア３４の構成要素は、ペリカンスタイルのケースに搭載され、ハーネスに取り付けられ得る。これにより、測定の実行中に、たとえばバックパックとして完全なセットアップを着用できる。主電源への継続的な接続は必要ない。
光ファイバプローブ１６は、図２に示されるように銃形の筺体３９に収容することができる。この実施形態における筺体本体４１および上部カバー４３は、ＣＮＣ機械加工ＡＢＳプラスチックから作られている。フロントプレート４５およびプローブ１６は、ステンレス鋼から作られている。プローブ１６は、外径３ｍｍ×内径１ｍｍ×長さ７５ｍｍの管であり、テーパーとＭ３ねじ山を備えている。透明なポリカーボネート窓４７がトップカバー４３に含まれ、食品等級のシリコーンで密封されている。筺体３９は、プローブ１６の挿入および動作の容易さを促進し得る。たとえば、筺体３９を越えて延びるプローブ１６の長さは、分析される肉製品のための所望の挿入深さに設定され得る。筺体３９の他の形状および材料が代わりに使用され得ることが理解されるであろう。
特定の製品１２およびその測定スペクトルデータを関連付けることができるように、たとえば肉製品１２を識別するバーコードを読み取るためのバーコードスキャナなど、他のハードウェアまたは機器がシステム１０と共に使用され得る。
光学装置３８の異なる実施形態が試行されてきた。第１のバージョンでは、光学装置３８は、１５ｍｗの電力を供給する４０５ｎｍの連続波（ＣＷ）レーザ１４、３５０ｎｍ〜１１００ｎｍのすべての波長を収集するＵＶ／Ｖｉｓフレーム分光計２４（積分時間１００ｍｓ〜２００ｍｓ）、長さ４０７ｎｍのロングパスフィルタタ２６、レーザ１２と分光計２４を結合する２００ｕＭマルチモーダル分岐ファイバ１８、信号の送達と収集を組み合わせた２００ｕＭマルチモーダルファイバ、および繊維を肉製品１２に送達するためのステンレス鋼針１６を含んでいた。
第２のバージョンでは、光学装置３８は、一度に複数の測定を行うように設計された。光学装置３８は、信号の配信と収集を組み合わせた４つの２００ｕＭマルチモーバルファイバと、複数のサンプル用のＰＳ Ｊｅｎａ １ｘ６光スプリッタを使用した以外は、第１のバージョンのコンポーネントを含んでいた。コンポーネントはすべて携帯性のためにペリカンスタイルケースに搭載されている。
やはり同時に複数の測定を行うように設計された第３のバージョンでは、光学装置３８は針１６ごとの４０５ｎｍのＣＷレーザ１４であって、１０〜４０ｍｗの電力を供給するレーザ１４と、３５０ｎｍ〜１１００ｎｍのすべての波長を収集するＵＶ／Ｖｉｓ炎分光計２４と、分光計２４に光を届ける２００ｕｍ分岐バンドル１８（４ｘｆｉｂｒｅｓ）と、４２０ｎｍフィルタセット２６とを含み、すべて携帯性のためにペリカンスタイルケースに搭載されている。
レーザ１４のオン／オフの制御、分光計２４からのデータの収集、およびバーコードスキャナを制御するために、制御ハードウェア３４の異なるバージョンも試行された。コードはカスタムメイドで、ビーグルボーンを使用して制御された。制御ハードウェア３４の１つのバージョンは、４Ｓ ＬｉＰｏバッテリ１４．７Ｖと、コンポーネントのソフトウェア制御用のビーグルボーンと、レーザ（ビーグルボーンによって制御される入力）の制御用の追加のカスタムボードと、５〜６Ｖに調整され、ワイヤレスバーコードスキャナに統合された電圧とを含む。動作中、図１の光学装置３８を使用してスペクトルデータ測定が行われる。肉が肉加工ラインに沿って移動するとき、プローブ１６は２０〜６０ｍｍの深さで肉に挿入され得、レーザ１４が作動され、分光器２４によって測定された肉の自家蛍光が生じる。識別番号を取得するために、肉に関連付けられるバーコードがスキャンされ得、識別番号を使用して、分光計２４によって生成されたスペクトルデータにラベルが付けられ得る。
温屠体（屠殺から３０分未満）および冷屠体（４℃の冷却装置において１２〜２４時間）を調べる試験が実施された。高温スキャンと低温スキャンには約３時間かかり、プローブを高温から低温に、またはその逆に移行する場合、約１５〜３０分の移行時間が使用された。最終使用には６〜１０時間かかり、プローブは少なくとも３時間は高温または低温の環境にとどまる可能性が高いと予想される。スキャンの実行で頻繁な熱サイクルが発生する（３０分未満で冷却装置に出入りする）可能性は低いと予想される。
肉は、毎分約８〜１２屠体の速度で連続的に移動する食肉処理チェーン上を移動するときに調べられた。高温スキャン中の環境温度は約１５〜３５℃で、低温スキャン中の環境温度は約１〜１５℃であった。低温肉製品のスキャンは、屠体が屠殺場チェーンで冷却装置を出たとき、または屠体が冷却装置内で静止している間に行われた。温屠体に４回のスキャンが行われ、冷屠体に死後２４時間に４回のスキャンが行われた。２００ｇの肉サンプルが採取され、ラベルを貼って４℃で熟成した。ＩＭＦ、せん断力、ｐＨ、および色を含む定義済み変数について肉サンプルを評価した。変数のうちの一部の詳細を以下の表に示す。
次いで、スペクトルデータおよび識別番号は、ソフトウェア３２がインストールされているコンピュータに（たとえば、遠隔地に）送信され得る。
次いで、スペクトルデータは、以下のステップのうちの１つまたは複数を利用して処理され得る：
・飽和したスペクトルを削除するために、データの消去が実行され得る。４４０／４５０ｎｍ未満または８００ｎｍを超えるスペクトルデータはカットされ得る。
・範囲外のスペクトルは削除され得る。
・サンプルごとに１つのスペクトルを取得するために、複数のスペクトルが平均化され得る。
・スペクトルは、極大値に正規化され得る。
・セット内の応答変数の数を減らすために、データポイントが平均され得る（たとえば、スペクトルデータの解像度が１０倍低下する場合がある）。
ソフトウェア３２は、肉製品１２の品質を示す１つまたは複数のパラメータを決定するためにデータを分析する方法を実行するために、プロセッサ２８によって実行可能な一連の命令を含む。図３を参照すると、方法４０は、肉製品１２への入射光の照射時に、肉製品１２から放射される光を表すデータを受信するステップ４２と、肉製品１２の品質を示す１つまたは複数のパラメータを決定するためにデータを分析するステップ４４と、１つまたは複数のパラメータに基づいて、肉製品１２の品質を評価するステップ４６とを含む。
データの分析４４は、分光計２４からのデータ出力から１つまたは複数のパラメータを予測するために、１つまたは複数のモデルを使用することを含み得る。これらの予測に基づいて、肉製品１２の品質を評価する４６ことができる。
１つまたは複数のパラメータは、肉製品の特性の予測値であってもよく、これらの特性のありそうな値の範囲（たとえば、値＋／−エラー）であってもよい。あるいは、１つまたは複数のパラメータは、肉製品の特性を、肉製品の特性に関連する、またはしきい値を上回るまたは下回る複数のカテゴリの１つに分類することであってもよい。
図４は、肉製品の品質を評価するための１つまたは複数のモデルを作成する方法４８を示している。方法４８は、ソフトウェアに実装され得、複数のサンプル肉製品に対して、サンプル肉製品への入射光の照射時にサンプル肉製品から放射される光を表すデータを受信するステップ５０と、サンプル肉製品に対して、１つまたは複数のあらかじめ定められた値を受信するステップ５２と、肉製品の品質を示す１つまたは複数のパラメータを予測するために１つまたは複数のモデルを作成するために、データおよび１つまたは複数のあらかじめ定められた値を使用するステップ５４とを含む。モデルは、線形統計法または教師付き機械学習アルゴリズムを使用して作成され得る。他のモデルも考えられる。したがって、スペクトル信号／署名／指紋によって変数ごとの予測モデルが作成され得る。線形モデルが達成できる以上の予測可能性を高めるために、ニューラルネットワークおよびディープラーニング手法がデータ５０に適用され得る。
説明されたシステムおよびソフトウェアを使用して、他の赤身肉を示す肉製品として利用される子羊肉および牛肉のパラメータは、肉製品の品質を評価するために十分な精度を有するライン速度において（高温、低温、および冷却サンプルにおいて）予測できることがわかった。
当業者は、ソフトウェア３２が、たとえば、ディスクまたはコンピュータ３４のメモリなどのコンピュータ可読媒体上で、またはサーバからの送信などによるデータ信号として、多くの方法で供給され得ることを理解するであろう。
また、上記のシステムおよび方法の変形が可能であることも理解されるであろう。たとえば、プローブ１６は、複数の位置で肉製品に挿入され、各位置で測定が行われ、および／または同じ位置でプローブ１６によって複数の測定が行われてもよい。別の実施形態では、自己蛍光の多数の同時測定を行うために、複数のプローブが使用され得る。
システムおよび方法の開発の例を以下に示す。以下の説明は、特定の実施形態を説明することのみを目的とするものであり、上記の説明に関して限定することが意図されるものではないことを理解されたい。
肉の食の品質分析のための屠体の測定とサンプリング
２００頭の子羊の屠体について、以下の測定値が得られた。
・ＨＣＷＴ−温屠体重量、
・ＧＲｆａｔ−１２番目のリブ上の組織の深さの測定値（主に脂肪）；
・ＥＭＷ−目の筋肉幅
・ＥＭＤ−目の筋肉の深さ
・ＦａｔＣ−目の筋肉上の脂肪の量；
・ＥＭＡ−目の筋肉領域
・ｐＨｕ＿ｌｏｉｎ−目の筋肉のｐＨ
・ｐＨｕ＿ｔｅｍｐ−ｐＨｕ測定時の目の筋肉の温度
・Ｌ−色の測定＝明度；
・ａ−色の測定＝赤み
・ｂ−色の測定＝黄色さ
・ＳＦ−せん断力、および
・ＩＭＦ−筋肉内脂肪。
これらの測定値は、以下の付録Ａ（表３）に記載されている。
方法論
測定値は次のように取得された：
（ｉ）屠体の測定
温屠体重量（ＨＣＷＴ）、ＧＲ部位の組織の深さ（ＧＲの深さ）、ｃｆａｔ厚、および第１２番目のリブの目の筋肉領域（ＥＭＡ）が測定された。ＨＣＷＴは加工工場から提供された。ＧＲの深さ（ｍｍ）は、屠体の右側の脊柱から１１０ｍｍの位置にある１２番目のリブにおいて死後４〜６時間のＧＲナイフで測定された。
一晩の冷却後、死後約２１時間で、ロースの左部の１３〜１５ｃｍ（ｍ． ｌｏｎｇｉｓｓｉｍｕｓ ｔｈｏｒａｃｉｃ ｅｔ ｌｕｍｂｏｒｕｍ； ＬＬ）を１２番目のリブの上から取り除いた。ＬＬのこの部分から、ＬＬの露出部を３０〜６０分間「開花」させた後、新鮮な目の筋肉の色が測定された。ロースの明度（Ｌ ＊）、赤み（ａ ＊）、および黄色さ（ｂ＊）を測定するために、ミノルタクロマメータが使用された。ｐＨレベルは、温度センサとイオノードｐＨプローブにリンクされたＴＰＳ ＷＰ−８０ｐＨメータを使用して、最終的なｐＨ（ｐＨｕ ｌｏｉｎ）の推定値として記録された。目の筋肉幅（ＥＭＷ； ｍｍ）、目の筋肉の深さ（ＥＭＤ； ｍｍ）およびｃＦａｔ（ｍｍ）は、ＬＬの露出面でデジタルキャリパを使用して測定された。ＥＭＡは、ＥＭＡ＝ＥＭＷ＊ＥＭＤ＊０．００８の式に従って、ＥＭＷおよびＥＭＤから計算された。
（ｉｉ）サンプルの収集および処理
死後約２４時間で、脂肪およびエピミシウムは、屠体から以前に除去されたＬＬの部分から除去された。せん断力（ＳＦ５；６５ｇ）および筋肉内脂肪（ＩＭＦ；４０ｇ）のサンプルが収集された。ＩＭＦサンプルは収集後すぐに凍結された。
ＳＦ５サンプルが真空パックされ、−２０℃で凍結する前に５日間４〜５℃でエージングされた。
（ｉｉｉ）せん断力測定
凍結した６５ｇのＬＬサンプルを、調理するために７１℃の水浴に３５分間入れ、次いで、処理前に冷水に浸した。サンプルは、Ｈｏｐｋｉｎｓ Ｄ．Ｌ． ＆ Ｔｈｏｍｐｓｏｎ Ｊ．Ｍ． （２００１）「Ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｅｎｄｅｒｎｅｓｓ， ｐｒｏｔｅｏｌｙｓｉｓ， ｍｕｓｃｌｅ ｃｏｎｔｒａｃｔｉｏｎ ａｎｄ ｄｉｓｓｏｃｉａｔｉｏｎ ｏｆ ａｃｔｏｍｙｏｓｉｎ」の方法に従って処理された。各６５ｇのＬＬサンプルから５〜６個の１ｃｍ３のサブサンプルを測定するために、Ｍｅａｔ Ｓｃｉｅｎｃｅ ５７、１−１２、およびＬｌｏｙｄ ＬＲＸマシンが使用された。
（ｉｖ）筋肉内脂肪測定
ＩＭＦサンプルを凍結乾燥し、近赤外手順を使用してＩＭＦ含有量が決定された（Ｐｅｒｒｙ Ｄ．， Ｓｈｏｒｔｈｏｓｅ Ｗ．Ｒ．， Ｆｅｒｇｕｓｏｎ Ｄ．Ｍ． ＆ Ｔｈｏｍｐｓｏｎ Ｊ．Ｍ． （２００１）「Ｍｅｔｈｏｄｓ ｕｓｅｄ ｉｎ ｔｈｅ ＣＲＣ ｐｒｏｇｒａｍ ｆｏｒ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｃａｒｃａｓｓ ｙｉｅｌｄ ａｎｄ ｂｅｅｆ ｑｕａｌｉｔｙ」ｐｐ． ９５３−７に記載されているように）。
結果
測定の数および単純な統計がＴａｂｌｅ １（表２）に示されている。オーストラリアの子羊産業で典型的なものを代表する広範な屠体を調達するために、ある供給者が使用された。屠体は１４〜３２ｋｇの範囲であり、ＧＲ部位の脂肪は３．５から３３．０ｍｍであり、屠体の平均重量は２１ｋｇで、平均脂肪は１２．２ｍｍであった。同様に、ＩＭＦ、ＳＦ５、フレッシュカラー、およびｐＨｕは、通常の業界の範囲を反映している。
屠体および食の品質パラメータの範囲は、肉の食の品質ソリューション分析の概念の証明のためのソースを提供した。
データの取得、およびプローブを使用して行われた測定値の処理
（ａ）概要
この例は、ファイバプローブを使用して行われた測定のデータ処理の結果を説明する。
線形およびカテゴリ統計的手法の両方が分析において採用された。
肉製品の品質を示す１つまたは複数のパラメータを決定し、それによって、これらの１つまたは複数のパラメータに基づいて肉製品の品質を評価するために、データの分析が使用された。
調査されたパラメータのうち、ＩＭＦ（筋肉内脂肪）およびＳＦ（せん断力）の肉品質測定値は、両方のモデリング手法を使用して統計的に有意に予測できることがわかった。
また、測定時の肉の状態の知識は、肉の状態によってスペクトルが変化するため、モデリングを改善することがわかった。
このデータに基づいて、肉品質の代替物の測定値をライン速度で取得できることは明らかである。
（ｂ）データ取得
図１の光学装置３８を使用してスペクトルデータ測定が行われた。
ファイバプローブ１６が２００匹の子羊の屠体の各々に挿入され、プローブ１６を介して屠体に入射光を照射するために、レーザ１４が作動され、分光計２４は子羊の屠体において励起される自己蛍光を表すスペクトルデータを生成した。屠体ごとに１２から２０個のサンプルが採取され、これが異なる温度で繰り返されたため、高温データセット、冷却データセット、および低温データセットが取得された。
次いで、データの複雑さを軽減し、予測精度を高めるために、スペクトルデータが次のように処理された：
１．データが分光器２４から．ｔｘｔファイルとしてインポートされた。
２．飽和したスペクトルを除去するために、データ消去が行われた。鋭いエッジと平らなピークを有するスペクトルが分析から削除された。飽和データの検出は、一連のカットオフ除外によって行われた。
３．４４０ｎｍ未満のスペクトルデータはレーザバックグラウンドを除去するためにカットされた。
４．サンプルごとに１つのスペクトルを得るために、サンプルごとに複数のスペクトルが平均化された。
５．レーザ強度の変動を排除するために、すべてのスペクトルが正規化された。平均スペクトルは、極大値に正規化された。
６．セット内の応答変数の数（すなわち、波長のビニング）を減らすために、１０個のデータポイントがそれぞれ平均された。
上記のポイント１から５において説明した処理後に取得された高温、冷却、および低温において処理されたスペクトルデータの例が図５Ａ〜図５Ｃに示されている。
（ｃ）モデリング
予測子変数：以下の外部パラメータは、分析において予測子変数として考慮されたものである：
１．ＨＣＷＴ−温屠体重量
２．ＧＲｆａｔ−１２番目のリブ上の組織の深さの測定値（主に脂肪）；
３．ＥＭＷ−目の筋肉幅
４．ＥＭＤ−目の筋肉の深さ
５．ＦａｔＣ−目の筋肉上の脂肪の量；
６．ＥＭＡ−目の筋肉領域
７．ｐＨｕ＿ｌｏｉｎ−目の筋肉のｐＨ
８．ｐＨｕ＿ｔｅｍｐ−ｐＨｕ測定時の目の筋肉の温度
９．Ｌ−色の測定＝明度；
１０．ａ−色の測定＝赤み
１１．ｂ−色の測定＝黄色さ
１２．ＳＦ−せん断力
１３．ＩＭＦ−筋肉内脂肪。
研究は、肉の品質にとって重要な２つの測定値としてＳＦおよびＩＭＦを識別した。
方法
最初に、すべての外部パラメータと応答変数（スペクトルデータ）との間の相関を見つけるために、１）赤池情報量基準を伴う線形モデル、および２）ｋ倍交差検証法の２つの方法が使用された。方法の各々は、モデルがデータをどの程度正確に記述しているかを推定するために使用された、いくつかの出力パラメータを提供した。それらの出力パラメータは以下を含む：
・残差標準誤差（ＲＳＥ）−線形回帰適合の品質の測定。任意の予測はその量だけまだオフである。
・Ｒ−２乗−モデルが実際のデータにどのように適合するかの測定。０〜１の値であり、値が大きいほど、より適切に対応する。
・調整済みＲ−２乗−変数の数に対して調整される。
・Ｆ統計−我々の予測子（外部パラメータ）と応答変数（スペクトルデータ）との間に関係があるかどうかを示した。１よりもはるかに大きくする必要がある。
・ｐ−値−帰無仮説をテストした（予測子変数は応答に影響しない）。帰無仮説を棄却できる（関係が存在すると言う）ようにするには、０．００５より小さくする必要がある。図面において、値のより視覚的な表現のために、ｌｏｇ１０（ｐ−値）がプロットされている。
この分析の結果により、予測スコアの連続変数の推定を可能にするモデルが作成された。それは、最適なモデルによってエラー率が返された値＋／−である。
変数ごとのカテゴリ等級にデータセットを断片化する機械学習を使用して、代替のカテゴリ手法も適用された。たとえば、２〜３のＩＭＦスコアはＢに分類され、３〜４はＣに分類されるなどした。したがって、測定の定量化ではなく分類を可能にする測定が提供された。
線形モデルの結果の要約
図６から図９は、統計モデルの出力パラメータを提示している。この変数は段階的に変化し、人為的な統計出力を生成することがわかったため、ｐＨｕ＿ｔｅｍｐ予測子は分析から除外された。さらに、このパラメータは、分析において考慮されるスペクトル応答変数とは物理的に無関係であった。
図６は、線形モデル、赤池情報量基準、および５倍交差検証の３つの方法にわたって平均化された、すべてのデータセットの平均Ｒ−２乗値を示している。
Ｒ−２乗および調整済みＲ−２乗値を考慮すると、以下の予測子変数は、他のパラメータに比べてより良い結果を示している：ＨＣＷＴ、ＧＲｆａｔ、ＦａｔＣ、ＳＦ、およびＩＭＦ。これは３つのデータセットすべてにわたって比較的一貫性があったが、明度パラメータＬは、低温データセットのＲ−２乗値が優れているようである。ｐＨｕ＿ｌｏｉｎパラメータは、高温データセットの調整済みＲ−２乗値がより高いことを示している。
Ｆ統計値は、同じパラメータ：ＨＣＷＴ、ＧＲｆａｔ、ＦａｔＣ、ＳＦ、およびＩＭＦに対してほぼ２倍大きく、より小さいｐ−値は同じパラメータに起因した。ここで、明度パラメータＬは、低温データセットの統計値がより優れていることも示しているのに対し、ｐＨｕ＿ｌｏｉｎパラメータは高温データセットの値がより優れていることを示している。
図７は、線形モデルおよび赤池情報量基準のすべてのデータセットの調整済みＲ−２乗値を示す図である。
図８は、線形モデルおよびＡＩＣにわたって平均化されたすべてのデータセットの平均相対残差標準誤差、および線形モデルのすべてのデータセットのＦ統計値を示す図である。１よりはるかに大きい値（黒線で表示）は、予測子変数と応答変数の間に関係があることを示す。
図９は、線形モデルおよび赤池情報量基準のすべてのデータセットのｌｏｇ１０（ｐ−値）を示す図である。ｌｏｇ１０（０．０５）＝−１．３のしきい値を下回る値は、帰無仮説を棄却でき、予測子変数と応答変数の間に関係があることを示す。
カテゴリモデルの結果の要約
カテゴリ統計的手法を組み込んだ分析により、データの収集を増やすことができ、すべての高温、冷却、および低温の測定値が一緒に分析され、それらの測定温度をカテゴリに割り当てた。データセットはランダムに８０：２０／ｂｕｉｌｄ：テストセットに分割され、モデルの独立した検証が可能になった。５つの異なるタイプの機械学習手法の並行評価が、ヘッドツーヘッドテストにおいて最適に選択されて実行された。ＳＦ Ｋの最近傍手法では、テストデータセットにおいて９６．６％の精度で最高の予測モデルを作成した。すなわち、ＳＦの３３個のＣ等級のうち、モデルは誤って１つをＤとして割り当てた。
ＩＭＦの場合、ヘッドツーヘッドテストは、ランダムフォレスト手法を使用して９４．７％の精度をもたらした。
観察および結論
Ｒ−２乗：全体として、Ｒ−２乗値は、脂肪関連パラメータについてさえも比較的低く、約０．６であり、調整済みＲ−２乗値は予想通り低かった。赤池情報量基準は、最適な応答変数がモデルに残されると、モデルが改善された。ＡＩＣの適用後、平均して、初期応答変数の３０〜５０％が残っていた。ｋ倍交差検証法は、線形モデル、またはＡＩＣと同様のＲ−２乗値を示した。
応答変数の数：応答変数の数を減らすと、全体的な統計結果は悪化し、一方、応答変数の数の増加は統計モデルの全体的な改善につながる。これは、最大モデルを計算するために利用可能なデータの総量に達していないことを示していたため、予想されていた。これにより、８０／２０およびｋ倍手法が正当化されることが確認された。統計分析における相対的な結果を考慮すると、考慮された応答変数の数に関係なく、同じパラメータが他のパラメータよりも優れた相関を示した。
スペクトルデータにおける変動：スペクトルデータにおける変動がより少ない間隔が最も可変な範囲の代わりに選択された場合、たとえ同じ数の応答変数が考慮された場合でも、統計モデルの結果は改善した。
相対残留標準誤差：脂肪関連パラメータのＲＳＥは、ＨＣＷＴについては約１０％、ＧＲｆａｔについては約３０％、ＦａｔＣについては約４５％、およびＩＭＦについては約１５％であった。
予測子変数間の関係：予測子変数自体間の相関の分析により、いくつかのパラメータ間に内部相関があることが明らかになった。たとえば、Ｔａｂｌｅ ２（表３）は、いくつかの外部パラメータ間の関係に基づいて作成された線形モデルの統計出力を示している。
線形モデルの結論：以下のパラメータに対して作成されたモデルは、他の分析パラメータ：ＨＣＷＴ、ＧＲｆａｔ、ＦａｔＣ、ＳＦ、およびＩＭＦと比較した場合、より統計的に有意であることが示された。それらのパラメータ間の何らかの内部関係も想定することができる。したがって、ＨＣＷＴ、ＧＲｆａｔ、ＦａｔＣ、ＳＦ、およびＩＭＦを統計的に有意に予測できるモデルが存在する。各モデルは異なっているが。
カテゴリモデルの結論：カテゴリ手法の精度の向上は、線形モデルにおいて得られた情報の損失に比例した。
全体的な結論：ライン速度で収集された繊維ベースの手法を使用して肉の品質の代替測定値を予測する統計的に有意なモデルが可能であると思われる。
以下に提供される付録ＡおよびＢにおいて、さらなるデータが提供される。
付録Ａ−肉の品質の外部パラメータ（Ｔａｂｌｅ ３（表４））
付録Ｂ−データセットごとの統計の比較
図１０は、すべてのデータセットのＲ−２乗および調整済みＲ−２乗値を示す。ｌｍは線形モデル、ａｉｃは赤池情報量基準、５倍は−５倍のｋ倍交差検証法である。
図１１は、すべてのデータセットの相対残差標準誤差（ＲＳＥ）およびＦ統計値を示す図である。ｌｍは線形モデル、ａｉｃは赤池情報量基準である。Ｆ統計値は、１よりはるかに大きい場合（黒い線で表示）、良好と見なされる。
図１２は、すべてのデータセットのｌｏｇ１０（ｐ−値）を示す図である。ｌｍは線形モデル、ａｉｃは赤池情報量基準である。黒い線は、しきい値＝ｌｏｇ１０（０．０５）≒−１．３の位置を示し、それを下回る値は帰無仮説を棄却することができる。
牛屠体（高温および低温）のＩＭＦ、せん断力、ｐＨの測定と分析
測定は２日間にわたって行われた。初日、１５９の牛の温屠体が、上記の光学装置３８の第１のバージョンを使用して、プローブニードル１６を分岐ファイバ１８に直接取り付けてスキャンされた。スキャン不良または変数の欠落により除外された２０体で１３９体の分析が取得された。積分時間は約８０ミリ秒で、スペクトル特性は正規化されなかった。温牛からの平均スペクトル特性と分散が図１３に示されている。５００ｎｍにおいて＜５０００の強度を有する任意のスペクトル特性は、肉の外側での偶発的なスキャンが原因である可能性が高いため、除外された。
２日目に、プローブ針１６がパッチケーブルを介して分岐ファイバ１８に取り付けられたことを除いて、同じ装置を使用して、現在は冷たい同じ１５９匹の屠体をスキャンした。１２４体の分析が取得され、３５体がスキャン不良または変数データの欠落により除外された。積分時間は約１００ミリ秒であった。冷牛からの平均スペクトル特性と分散が図１４に示されている。肉の外側での偶発的なスキャンが原因である可能性が高いため、５００ｎｍにおいて＜１０００の強度を有するスペクトル特性は除外された。約１００〜１５０ミリ秒の積分時間にもかかわらず、肉から肉への信号は非常に低かった。これにより、バックグラウンド減算が問題になった。また、パッチケーブルを使用すると、初日に行った測定と比較して収集効率が低下した。
赤池情報量基準でデータを処理し線形モデルを生成した後、温屠体においてＩＭＦ、ＳＦ、およびｐＨは約０．４〜０．５のＲ２値を有し（図１４〜図１６）、また冷屠体においてＩＭＦ、ＳＦ、およびｐＨは約０．５〜０．６のＲ２値を有することがわかった。（図１７〜図２０）。
図１５は、温屠体の筋肉内脂肪の測定された割合対筋肉内脂肪の予測された割合を示す。筋肉内脂肪率の予測では、ＡＩＣの線形モデルを使用したＲ２は０．４４である。
図１６は、温屠体の測定されたせん断力対予測されたせん断力を示している。ＡＩＣの線形モデルを使用したせん断力の予測のＲ２は０．５１である。
図１７は、温屠体の測定されたｐＨ対予測されたｐＨを示す図である。ｐＨの予測では、ＡＩＣを使用した線形モデルを使用したＲ２は０．４５である。
図１８は、冷屠体の筋肉内脂肪の測定された割合対筋肉内脂肪の予測された割合を示す図である。筋肉内脂肪率の予測では、ＡＩＣを使用した線形モデルを使用したＲ２は０．６３である。
図１９は、冷屠体の測定されたせん断力対予測されたせん断力を示す図である。ＡＩＣを使用した線形モデルを使用したせん断力の予測のＲ２は０．６６である。
図２０は、冷屠体の測定されたｐＨ対予測されたｐＨを示す図である。ｐＨの予測では、ＡＩＣを使用した線形モデルを使用したＲ２は０．４８である。
本開示は特定の例を参照して説明されたが、本開示は他の多くの形態で具現化され得ることを当業者は理解するであろう。
本開示の範囲から逸脱することなしに、前述の部分に対して様々な変更、追加、および／または修正が行われてよく、上記の教示に照らして、本開示が、当業者には理解されるように、様々な方法でソフトウェア、ファームウェア、および／またはハードウェアに実装されることが可能であることを理解されたい。
本明細書で使用される場合、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、特に明記しない限り、複数の記事を指す場合がある。
本明細書全体を通して、文脈がそうでないことを必要としない限り、「備える（ｃｏｍｐｒｉｓｅ）」という単語、あるいは「備える（ｃｏｍｐｒｉｓｅｓ）」または「備えている（ｃｏｍｐｒｉｓｉｎｇ）」などの変形は、述べられた要素、または整数、あるいは要素または整数のグループの包含を暗示するが、任意の他の要素、または整数、あるいは要素または整数のグループの除外ではないことが理解されるであろう
本明細書に記載されるすべての方法は、本明細書に特に明記しない限り、または文脈により明らかに矛盾しない限り、任意の適切な順序で実行することができる。本明細書で提供されるありとあらゆる例、または例示的な言葉（たとえば、「など」）の使用は、単に例示的な実施形態をより良く照らすことを意図し、特に請求されない限り、請求された発明の範囲を限定するものではない。本明細書における言語は、請求されていない要素が必須であることを示すものと解釈されるべきではない。
本明細書で提供される説明は、共通の特性および特徴を共有し得るいくつかの実施形態に関連している。一実施形態の１つまたは複数の特徴は、他の実施形態の１つまたは複数の特徴と組み合わせることができることを理解されたい。さらに、実施形態の単一の特徴または特徴の組合せが追加の実施形態を構成してもよい。
本明細書で使用される主題の見出しは、読者の参照を容易にするためにのみ含まれ、開示または特許請求の範囲全体で見られる主題を限定するために使用されるべきではない。主題の見出しは、特許請求の範囲または特許請求の制限の解釈に使用されるべきではない。
将来の特許出願は、たとえば、本出願から優先権を主張することによって、分割状態を主張することによって、および／または継続状態を主張することによって、本出願に基づいて提出され得る。以下の特許請求の範囲は例としてのみ提供されるものであり、任意のそのような将来の出願において請求される可能性のある範囲を限定することが意図されるものではないことを理解されたい。また、特許請求の範囲は、本開示の理解を制限する（または、他の理解を除外する）と見なされるべきではない。機能は、後日、例示的な特許請求に追加されてもよく、そこから削除されてもよい。
１０ システム
１２ 肉製品
１４ レーザ
１６ ファイバプローブ
１６ ステンレス鋼針
１６ プローブ針
１８ 分岐光ファイバ
１８ 分岐バンドル
１８ 分岐ファイバ
２０ ファイバコネクタ
２２ 感知チップ
２４ 分光計
２６ ロングパスフィルタ
２６ フィルタセット
２８ プロセッサ
３０ メモリ
３２ ソフトウェア
３４ コンピュータ
３４ 制御ハードウェア
３６ データ通信
３８ 光学装置
３９ 筺体
４１ 筺体本体
４３ 上部カバー
４５ フロントプレート
４７ ポリカーボネート窓
４８ 方法
５０ データ
５２ あらかじめ定められた値

Claims (23)

  1. 肉製品の品質を評価する方法であって、
    前記肉製品への入射光の照射時に、前記肉製品から放射される光を表すデータを受信するステップと、
    前記肉製品の品質を示す１つまたは複数のパラメータを決定するために、前記データを分析するステップと、
    前記１つまたは複数のパラメータに基づいて前記肉製品の前記品質を評価するステップと
    を含む、方法。
  2. 前記入射光がレーザ光を含む、請求項１に記載の方法。
  3. 前記入射光が、前記肉製品の表面下のプローブを介して前記肉製品に照射される、請求項１または２に記載の方法。
  4. 前記入射光が、４０２ｎｍから４０８ｎｍの範囲の波長を備える、請求項１から３のいずれか一項に記載の方法。
  5. 受信された前記データが、前記肉製品において励起された自家蛍光を表すスペクトルデータを含む、請求項１から４のいずれか一項に記載の方法。
  6. 前記肉製品へのレーザ光の前記照射によって前記自家蛍光が励起される、請求項５に記載の方法。
  7. 前記スペクトルデータが４４０ｎｍから８００ｎｍの範囲のデータを含む、請求項５または６に記載の方法。
  8. 前記１つまたは複数のパラメータが、
    温屠体重量を示すパラメータ（ＨＣＷＴパラメータ）と、
    １２番目のリブ上の組織の深さの程度（ＧＲｆａｔパラメータ）と、
    目の筋肉の上の脂肪の量を示すパラメータ（ＦａｔＣパラメータ）と、
    筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）と、
    せん断力を示すパラメータ（ＳＦパラメータ）と
    のうちの１つまたは複数を含む、請求項１から７のいずれか一項に記載の方法。
  9. 前記１つまたは複数のパラメータが、筋肉内脂肪を示すパラメータ（ＩＭＦパラメータ）およびせん断力を示すパラメータ（ＳＦパラメータ）を含む、請求項１から８のいずれか一項に記載の方法。
  10. 前記データが、前記１つまたは複数のパラメータを予測するために、１つまたは複数のモデルを使用して分析される、請求項８または９に記載の方法。
  11. 前記１つまたは複数のモデルが線形統計モデルを含む、請求項１０に記載の方法。
  12. 前記１つまたは複数のモデルが、データ最小化手法を使用して作成される、請求項１１に記載の方法。
  13. 前記データ最小化手法が赤池情報量基準を採用することを含む、請求項１２に記載の方法。
  14. 前記１つまたは複数のモデルが、前記サンプル肉製品への入射光の照射時に複数のサンプル肉製品から放射される光を表すデータを含むトレーニングデータを使用して作成され、各サンプル肉製品が前記１つまたは複数のパラメータのあらかじめ定められた値を有する、請求項１０から１３のいずれか一項に記載の方法。
  15. 前記１つまたは複数のモデルが機械学習を使用して作成される、請求項１０に記載の方法。
  16. 前記データが、スペクトル範囲全体のデータポイントの数を減らすために分析前に処理されるスペクトルデータを含む、請求項１０から１５のいずれか一項に記載の方法。
  17. 前記肉製品が、屠体、屠体の一部、前記屠体からの肉の切り身、あるいは前記屠体または肉の前記切り身から得られる加工製品である、請求項１から１６のいずれか一項に記載の方法。
  18. 請求項１から１７のいずれか一項に記載の方法に従って等級分けされた肉製品。
  19. コンピュータで使用するためのソフトウェアであって、前記コンピュータが、プロセッサと、前記ソフトウェアを記憶するためのメモリとを備え、前記ソフトウェアが、請求項１から１７のいずれか一項に記載の前記方法を実行するために前記プロセッサによって実行可能な一連の命令を備える、ソフトウェア。
  20. 肉製品の品質を評価するためのシステムであって、
    前記肉製品に入射光を照射するための光源と、
    前記肉製品への入射光の照射時に前記肉製品から放射される光を表すデータを生成するための測定デバイスと、
    プロセッサと、
    メモリと、
    前記プロセッサがアクセス可能な前記メモリに常駐するソフトウェアと
    を備え、前記ソフトウェアが、請求項１から１７のいずれか一項に記載の前記方法を実行するために前記プロセッサによって実行可能な一連の命令を備える、システム。
  21. 肉製品の品質を評価するためのシステムであって、
    前記肉製品に入射光を照射するための光源と、
    前記肉製品への入射光の照射時に前記肉製品から放射される光を表すデータを生成するための測定デバイスと、
    プロセッサと、
    メモリと、
    前記プロセッサがアクセス可能な前記メモリに常駐するソフトウェアと
    を備え、前記ソフトウェアが、前記肉製品の品質を示す１つまたは複数のパラメータを決定するために前記データを分析することと、前記１つまたは複数のパラメータに基づいて前記肉製品の前記品質の程度を提供することとを行うために前記プロセッサによって実行可能な一連の命令を備える、システム。
  22. 前記光源および前記測定デバイスがプローブの一部を備え、前記プロセッサ、前記メモリ、および前記ソフトウェアが前記プローブから離れた場所にあり、インターネットを介して前記データを受信する、請求項２１に記載のシステム。
  23. 肉製品の品質を評価するための１つまたは複数のモデルを作成する方法であって、
    複数のサンプル肉製品に対して、前記サンプル肉製品への入射光の照射時に前記サンプル肉製品から放射される光を表すデータを受信するステップと、
    前記サンプル肉製品に対して、１つまたは複数のあらかじめ定められた値を受信するステップと、
    １つまたは複数のモデルを作成し、前記肉製品の品質を示す１つまたは複数のパラメータを予測するために、前記データおよび１つまたは複数のあらかじめ定められた値を使用するステップと、
    を含む、方法。
JP2020514305A 2017-05-16 2018-05-15 肉製品の品質を評価するための方法およびシステム Pending JP2020520464A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2017901826A AU2017901826A0 (en) 2017-05-16 Methods and systems for assessing quality of a meat product
AU2017901826 2017-05-16
PCT/AU2018/050455 WO2018209383A1 (en) 2017-05-16 2018-05-15 Methods and systems for assessing quality of a meat product

Publications (1)

Publication Number Publication Date
JP2020520464A true JP2020520464A (ja) 2020-07-09

Family

ID=64272979

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020514305A Pending JP2020520464A (ja) 2017-05-16 2018-05-15 肉製品の品質を評価するための方法およびシステム

Country Status (8)

Country Link
US (2) US11519862B2 (ja)
EP (1) EP3625546A4 (ja)
JP (1) JP2020520464A (ja)
CN (1) CN110892246A (ja)
AU (1) AU2018271137B2 (ja)
BR (1) BR112019024115B1 (ja)
NZ (1) NZ760010A (ja)
WO (1) WO2018209383A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201600445D0 (en) * 2016-01-11 2016-02-24 Cairns Intellectual Property Ltd Methods and apparatuses for temperature measurement
CN112595694A (zh) * 2020-12-16 2021-04-02 内蒙古农业大学 一种基于近红外快速检测羊肉品质数据库及其建立方法
CN113866121A (zh) * 2021-10-21 2021-12-31 江苏省家禽科学研究所 一种病死鸡快速鉴别方法及应用
CN114965910A (zh) * 2022-04-14 2022-08-30 北京市农林科学院信息技术研究中心 肉类品质感知方法及装置
CN114970755B (zh) * 2022-06-20 2024-05-31 滁州学院 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法
CN116804669B (zh) * 2023-06-16 2024-04-02 枣庄华宝牧业开发有限公司 一种肉制品加工用油炸监视系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03214041A (ja) * 1989-06-12 1991-09-19 Slagteriernes Forskningsinst 個々の食肉片の特性を測光決定する方法およびその装置
JP2003121351A (ja) * 2001-10-09 2003-04-23 National Agricultural Research Organization 食肉の鮮度判定方法
JP2006030047A (ja) * 2004-07-20 2006-02-02 Kazumasa Sasaki 食品品質評価方法、食品品質評価表示方法、食品品質評価装置及び食品品質評価表示装置
US20110128373A1 (en) * 2009-11-28 2011-06-02 Tenera Technology, Llc Determining Meat Tenderness

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK163382C (da) 1990-02-28 1992-08-03 Slagteriernes Forskningsinst Fremgangsmaade til bestemmelse af individuelle koedemners kvalitetsegenskaber
GB9110474D0 (en) * 1991-05-15 1991-07-03 Commission Meat & Livestock Meat quality sensing apparatus
CA2189817A1 (en) * 1996-11-07 1998-05-07 Howard J. Swatland Apparatus for use in determining meat tenderness
US5918190A (en) * 1996-12-31 1999-06-29 Ontario Cattlemen's Association Software controlled meat probe for use in determining meat tenderness
US6995675B2 (en) * 1998-03-09 2006-02-07 Curkendall Leland D Method and system for agricultural data collection and management
FR2780790B1 (fr) * 1998-07-03 2000-08-18 Vitreenne Abattage Procede et dispositif de prediction de la tendrete d'une viande sur le site de transformation a l'aide d'informations biologiques et/ou physico-chimiques et de mesures optiques dans le domaine du visible et du proche infrarouge
WO2006057990A2 (en) * 2004-11-29 2006-06-01 Cargill, Incorporated A method for predicting shear force of aged meat
CN201392319Y (zh) * 2009-04-09 2010-01-27 浙江大学 一种基于图像与光谱信息融合的肉品在线无损检测装置
WO2012149654A1 (en) * 2011-05-02 2012-11-08 Agridigit Inc Evaluation of animal products based on customized models
CN102323267A (zh) 2011-08-10 2012-01-18 中国农业大学 一种快速评价生鲜肉品新鲜度的系统及方法
CN102519906B (zh) 2011-12-19 2013-07-31 中国农业大学 多通道近红外光谱牛肉品质多参数同时检测方法
DE102013008003B4 (de) * 2013-05-08 2015-03-19 Freshdetect Gmbh Messgerät zum Messen eines Oberflächenbelags auf einem Messobjekt, insbesondere auf einem Lebensmittel, und dessen Verwendung
CN104458594B (zh) * 2014-12-16 2017-02-22 中国农业大学 一种生鲜肉品质参数多点同时检测的系统及方法
CN104914069B (zh) * 2015-05-28 2017-12-19 中国农业大学 可迁移计算的肉类品质近红外检测方法及装置
CN106501211A (zh) * 2016-11-01 2017-03-15 中国农业科学院农业质量标准与检测技术研究所 近红外光谱信息评价牛肉品质数据模型的建立方法与应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03214041A (ja) * 1989-06-12 1991-09-19 Slagteriernes Forskningsinst 個々の食肉片の特性を測光決定する方法およびその装置
JP2003121351A (ja) * 2001-10-09 2003-04-23 National Agricultural Research Organization 食肉の鮮度判定方法
JP2006030047A (ja) * 2004-07-20 2006-02-02 Kazumasa Sasaki 食品品質評価方法、食品品質評価表示方法、食品品質評価装置及び食品品質評価表示装置
US20110128373A1 (en) * 2009-11-28 2011-06-02 Tenera Technology, Llc Determining Meat Tenderness

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOELLER，JENS K. S. 外４名: ""Monitoring Chemical Changes of Dry-Cured Parma Ham during Processing by Surface Autofluorescence S", JOURNAL OF AGRICULTURAL AND FOOD CHEMISTRY, vol. Volume 51, Number 5, JPN6022007492, 24 January 2003 (2003-01-24), pages 1224 - 1230, ISSN: 0004714707 *
YU, FANG 外３名: ""Preliminary study of laser-induced fluorescence spectroscopy detect chicken meat tenderness"", THE 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING, JPN6022007493, December 2010 (2010-12-01), pages 6771 - 6774, XP031849984, ISSN: 0004893145, DOI: 10.1109/ICISE.2010.5688934 *

Also Published As

Publication number Publication date
EP3625546A1 (en) 2020-03-25
US20230066038A1 (en) 2023-03-02
EP3625546A4 (en) 2021-03-17
US11519862B2 (en) 2022-12-06
AU2018271137A1 (en) 2020-01-16
US20200173926A1 (en) 2020-06-04
CN110892246A (zh) 2020-03-17
BR112019024115B1 (pt) 2024-01-09
AU2018271137B2 (en) 2023-11-30
NZ760010A (en) 2023-06-30
WO2018209383A1 (en) 2018-11-22
BR112019024115A2 (pt) 2020-06-02

Similar Documents

Publication Publication Date Title
JP2020520464A (ja) 肉製品の品質を評価するための方法およびシステム
Dixit et al. Developments and challenges in online NIR spectroscopy for meat processing
Schmidt et al. Preliminary investigation on the relationship of Raman spectra of sheep meat with shear force and cooking loss
Qiao et al. A feasibility quantification study of total volatile basic nitrogen (TVB-N) content in duck meat for freshness evaluation
Khaled et al. Emerging nondestructive approaches for meat quality and safety evaluation—A review
Kamruzzaman et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles
Kamruzzaman et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging
Savoia et al. Prediction of meat quality traits in the abattoir using portable and hand-held near-infrared spectrometers
Cai et al. Determination of total volatile basic nitrogen (TVB-N) content and Warner–Bratzler shear force (WBSF) in pork using Fourier transform near infrared (FT-NIR) spectroscopy
Wang et al. Rapid determination of pork sensory quality using Raman spectroscopy
Wang et al. Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat
Naganathan et al. Visible/near-infrared hyperspectral imaging for beef tenderness prediction
Kimiya et al. VIS/NIR spectroscopy for non-destructive freshness assessment of Atlantic salmon (Salmo salar L.) fillets
Reis et al. Early on-line classification of beef carcasses based on ultimate pH by near infrared spectroscopy
Shi et al. A review on meat quality evaluation methods based on non-destructive computer vision and artificial intelligence technologies
Zhang et al. Rapid evaluation of texture parameters of Tan mutton using hyperspectral imaging with optimization algorithms
Bauer et al. Assessment of tenderness of aged bovine gluteus medius muscles using Raman spectroscopy
Berhe et al. Accurate determination of endpoint temperature of cooked meat after storage by Raman spectroscopy and chemometrics
Cáceres-Nevado et al. Non-destructive Near Infrared Spectroscopy for the labelling of frozen Iberian pork loins
Robert et al. Evaluating low-mid-and high-level fusion strategies for combining Raman and infrared spectroscopy for quality assessment of red meat
de Nadai Bonin et al. Predicting the shear value and intramuscular fat in meat from Nellore cattle using Vis-NIR spectroscopy
Jia et al. Hyperspectral Imaging (HSI) for meat quality evaluation across the supply chain: Current and future trends
Zhang et al. Rapid identification of lamb freshness grades using visible and near-infrared spectroscopy (Vis-NIR)
WO2007000165A1 (en) Online recording of wavelength absorption spectra in meat
Guo et al. Method and system for nondestructive detection of freshness in Penaeus vannamei based on hyperspectral technology

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210412

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220222

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220228

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220825

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20221011

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20230206