JP2021047587A - 野菜品質推定プログラム及びシステム - Google Patents

Abstract

【課題】野菜の品質をより人手に頼ることなく高精度かつ自動的に推定する。【解決手段】野菜の品質を推定する野菜品質推定プログラムにおいて、推定対象の野菜の外観に関する外観情報を取得する情報取得ステップと、過去において取得した野菜の外観に関する参照用外観情報と、野菜の品質との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外観情報に応じた参照用外観情報に基づき、野菜の品質を推定する推定ステップとをコンピュータに実行させることを特徴とする。【選択図】図３

Description

本発明は、野菜の品質を高精度に推定する上で好適な野菜品質推定プログラム及びシステムに関する。

野菜の品質は、野菜の大きさ、形状、色、キズの度合等をはじめとする外観情報に加え、食感や味（甘さ、酸っぱさ、香ばしさ、苦味、）等の味覚的な観点から評価される。このような野菜の品質は、外観に関しては人の視覚を通じて評価されており、また食感や味に関しては、試食を通じて評価されてきた。

しかしながら、これら野菜の品質の評価をすべて人手による作業に頼るのであれば、その労力の負担は増大し、また判別精度に関しても相当のスキルと経験が必要になる。ベテランの品質評価人が引退した場合等には、その評価精度を維持できる後継者が必要になるが、近年の人手不足により、後継者の確保が困難になっている。

このため、野菜の品質評価を、人手に頼ることなく高精度に評価することができるシステムが従来より望まれていた。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、野菜の品質をより人手に頼ることなく高精度かつ自動的に推定することが可能な野菜品質推定プログラム及びシステムを提供することにある。

本発明に係る野菜品質推定プログラムは、野菜の品質を推定する野菜品質推定プログラムにおいて、推定対象の野菜の外観に関する外観情報を取得する情報取得ステップと、過去において取得した野菜の外観に関する参照用外観情報と、野菜の品質との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外観情報に応じた参照用外観情報に基づき、野菜の品質を推定する推定ステップとをコンピュータに実行させることを特徴とする。

本発明に係る野菜品質推定システムは、野菜の品質を推定する野菜品質推定システムにおいて、推定対象の野菜の外観に関する外観情報を取得する情報取得手段と、過去において取得した野菜の外観に関する参照用外観情報と、野菜の品質との３段階以上の連関度を利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、野菜の品質を推定する推定手段とを備えることを特徴とする。

特段のスキルや経験が無くても、誰でも手軽に野菜の品質の推定を高精度に行うことができる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した野菜品質推定プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した野菜品質推定プログラムが実装される野菜品質推定システム１の全体構成を示すブロック図である。野菜品質推定システム１は、情報取得部９と、情報取得部９に接続された推定装置２と、推定装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する推定装置２と一体化されていてもよい。情報取得部９は、検知した情報を推定装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、風向センサ、を測るための照度センサで構成されていてもよい。また情報取得部９は、天候についてのデータを気象庁や民間の天気予報会社から取得する通信インターフェースで構成されていてもよい。また情報取得部９は身体に装着して身体のデータを検出するための身体センサで構成されていてもよく、この身体センサは、例えば体温、心拍数、血圧、歩数、歩く速度、加速度を検出するためのセンサで構成されていてもよい。また情報取得部９は図面等の情報をスキャニングしたり、或いはデータベースから読み出すことで取得するデバイスとして構成されていてもよい。情報取得部９は、これら以外に臭気や香りを検知する臭気センサにより構成されていてもよい。

データベース３は、野菜品質推定を行う上で必要な様々な情報が蓄積される。野菜品質推定を行う上で必要な情報としては、過去において取得した野菜の外観に関する参照用外観情報、参照用外観情報を取得する際の野菜の品種に関する参照用品種情報、参照用外観情報を取得する際の野菜から取得した参照用スペクトル情報、参照用外観情報を取得する際の野菜の香りに関する参照用香り情報、参照用外観情報を取得する際の野菜の重量に関する参照用重量情報、参照用外観情報を取得する際の野菜の栽培履歴に関する参照用栽培履歴情報と、これらに対して実際に判断がなされた野菜の品質とのデータセットが記憶されている。

つまり、データベース３には、このような参照用外観情報に加え、参照用品種情報、参照用スペクトル情報、参照用香り情報、参照用重量情報、参照用栽培履歴情報の何れか１以上と、野菜の品質が互いに紐づけられて記憶されている。

推定装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この推定装置２による探索解を得ることができる。

図２は、推定装置２の具体的な構成例を示している。この推定装置２は、推定装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、推定装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる野菜品質推定システム１における動作について説明をする。

野菜品質推定システム１では、例えば図３に示すように、参照用外観情報と、野菜の品質との３段階以上の連関度が予め設定されていることが前提となる。参照用外観情報とは、野菜の外観について、野菜を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。この参照用外観情報は、野菜について撮像した画像を解析することで、野菜の大きさ、形状、色、キズの度合の何れかに基づいて、野菜の外観を特定するようにしてもよい。これらの野菜の外観は、以前において学習させた特徴量に基づいて判別するようにしてもよい。このとき、人工知能を活用し、野菜の大きさ、形状、色、キズの度合等の画像データと、野菜の品質を学習させておき、実際に参照用外観情報を取得する際には、これらの学習させた画像データと照らし合わせて、その野菜の品質を判別するようにしてもよい。

係る場合には、上記画像情報と、野菜の大きさ、形状、色、キズの度合の何れかの外観とを教師データとして機械学習された予想モデルを用い、入力を上記画像情報とし、出力を上記外観として判定した結果に基づいて、外観を特定するようにしてもよい。

野菜の品質は、評価者による以前の経験に基づいてその良しあしを判断してもよいし、実際に試食をしてその味を判断するようにしてもよい。かかる場合には野菜を試食する複数人の検査者がその味について、甘さ、酸っぱさ、香ばしさ、歯ごたえ、苦み等の各項目について複数段階で評価し、それらを統計的に分析して品質評価値としてもよい。また、野菜の品質は、味覚を検知可能な味覚センサを通じて判別するようにしてもよい。

図３の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３であるものとする。このような入力データとしての参照用外観情報Ｐ０１〜Ｐ０３は、出力としての野菜の品質に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報は、この出力解としての野菜の品質Ａ~Ｄに対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報がこの連関度を介して左側に配列し、各野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報に対して、何れの野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての野菜の品質と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

推定装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と、その場合の野菜の品質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、参照用外観情報が、野菜の外観が大きさ、形状、色、キズの度合等が複数段階の数値で評価されたαであるものとする。このような参照用外観情報に対する野菜の品質としては野菜の品質Ａが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用外観情報との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１である場合に、過去の野菜の品質の評価を行った結果の各種データから分析する。こ参照用外観情報Ｐ０１である場合に、野菜の品質Ａの事例が多い場合には、この野菜の品質の評価につながる連関度をより高く設定し、野菜の品質Ｂの事例が多い場合には、この野菜の品質の評価につながる連関度をより高く設定する。例えば参照用外観情報Ｐ０１の例では、野菜の品質Ａと、野菜の品質Ｃにリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｃにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の野菜の外観の画像等と実際に推定・評価した野菜の品質とのデータセットを通じて作った後に、実際にこれから新たに野菜の品質の判別を行う上で、上述した学習済みデータを利用して野菜の品質を探索することとなる。かかる場合には、実際に判別対象の領域において外観情報を新たに取得する。新たに取得する外観情報は、上述した情報取得部９により入力される。外観情報は、野菜の品質を判別しようとする画像を撮像することで取得する。この判別方法は、上述した参照用外観情報と同様の手法で行うようにしてもよい。

このようにして新たに取得した外観情報に基づいて、野菜の品質を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合には、連関度を介して野菜の品質Ｂがｗ１５、野菜の品質Ｃが連関度ｗ１６で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｂを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｃを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する外観情報から、最も好適な野菜の品質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち野菜生産業者、販売業者、流通業者は、探索された野菜の品質に基づいて野菜の選別を行うことができ、野菜の味を予測することができ、さらに野菜の値段を決めることができる。しかも野菜に接触することなく、非破壊検査を通じてこれらの品質を予測することができるため、野菜に傷をつけることがなくなり、歩留まりを向上させることが可能となる。

図４の例では、参照用外観情報と、参照用品種情報との組み合わせが形成されていることが前提となる。参照用品種情報とは、野菜の品種に関する品種情報である。

野菜の品質は、参照用外観情報に加え、野菜の品種に応じて異なる。野菜の品種は、ピーマン、アスパラガス、ナス、サヤインゲン、ササゲ、オクラ、とうもろこし、長ねぎ、玉ねぎ、コマツナ、ラッキョウ、ニンニク、タケノコ、シイタケ、マツタケ、マッシュルーム、カブ、かぼちゃ、食用菊、キャベツ、きゅうり、京菜（水菜）、グリンピース、春菊、ほうれん草、くわい、ごぼう、トマト、しそ（大葉）、じゅんさい、しょうが、瓜、ずいき、ズッキーニ、にんじん、レタス、サツマイモ、ジャガイモ、カリフラワー、ブロッコリー、セロリ、大根、高菜、サトウキビ等の品種が存在するが、いずれも品種ごとに期待される味は異なる。つまり「きゅうり」は、「きゅうり」に期待されるしゃくしゃくとした食感、甘みと酸味のバランスがあり、それらは何れも外観の画像（色合い、大きさ等）と相関性を持っている。ここで野菜の品種は、きゅうりの中でも、夏すずみ、四葉（すうよう）きゅうり、月光、シャキット、プチット、ピックルミニエース等の個々の品種に分類されていてもよい。このため、参照用外観情報に加え、このような参照用品種情報と組み合わせて野菜の品質を定義することにより、野菜の品質を高精度に評価することができる。参照用品種情報は、参照用外観情報を取得する野菜に関し、生産者からインタビューし、個別に品種名をデータ入力してもよいし、あらかじめシステム上で選択・設定されていてもよい。

図４の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３、参照用品種情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用外観情報に対して、参照用品種情報が組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報と参照用品種情報との各組み合わせ（中間ノード）は、この出力解としての、野菜の品質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報と参照用品種情報がこの連関度を介して左側に配列し、野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報と参照用品種情報に対して、野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報と参照用品種情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報と参照用品種情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。このため、これらの参照用外観情報と参照用品種情報の組み合わせで、最適な野菜の品質を探索していくこととなる。

図４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

推定装置２は、このような図４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と参照用品種情報、並びにその場合の野菜の品質が何れが見合うものであったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

例えば、過去にあった実際の事例における参照用外観情報が、外観αであるものとする。また参照用品種情報が、「つがる」であるものとする。かかる場合に、実際にその野菜の品質がいくらであったかを示す野菜の品質をデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような参照用外観情報や、参照用品種情報は、生産業者、販売業者、流通業者等が管理する管理データベースから抽出するようにしてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１で、参照用品種情報Ｐ１６である場合に、その野菜の品質を過去のデータから分析する。野菜の品質がＡ（甘さ度合〇〇、酸味度合〇〇、苦み度合〇〇、歯ごたえ〇〇等）の事例が多い場合には、この品質Ａにつながる連関度をより高く設定し、野菜の品質Ｂの事例が多く、野菜の品質Ａの事例が少ない場合には、野菜の品質Ｂにつながる連関度を高くし、野菜の品質Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、野菜の品質Ａと品質Ｂの出力にリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図４に示す連関度の例で、ノード６１ｂは、参照用外観情報Ｐ０１に対して、参照用品種情報Ｐ１４の組み合わせのノードであり、野菜の品質Ｃの連関度がｗ１５、野菜の品質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用外観情報Ｐ０２に対して、参照用位置情報Ｐ１５、Ｐ１７の組み合わせのノードであり、野菜の品質Ｂの連関度がｗ１７、野菜の品質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから野菜の品質を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に外観情報と、品種情報とを取得する。品種情報は、実際に品質を推定しようとするリングの品質を入力又は選択する。

このようにして新たに取得した外観情報、品種情報に基づいて、最適な野菜の品質を探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合であって、品種情報がＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、野菜の品質Ｃがｗ１９、野菜の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図５は、上述した参照用外観情報に加え、上述した参照用品種情報の代わりに参照用スペクトル情報との組み合わせと、当該組み合わせに対する野菜の品質との３段階以上の連関度が設定されている例を示している。

参照用位置情報の代わりに説明変数として加えられるこの参照用スペクトル情報は、野菜から得られる赤外、遠赤外、可視光、近紫外、紫外の各スペクトルの情報である。野菜からのスペクトル情報を取得することで、野菜の品質（味、光沢）と関係することが既に知られている。このため、この参照用スペクトル情報を組み合わせて連関度を形成することにより、野菜の品質の判断精度を向上させる趣旨である。

図５の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３、参照用スペクトル情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外観情報に対して、参照用スペクトル情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報と参照用スペクトル情報との各組み合わせ（中間ノード）は、この出力解としての、野菜の品質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報と参照用スペクトル情報がこの連関度を介して左側に配列し、野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報と参照用スペクトル情報に対して、野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報と参照用スペクトル情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報と参照用スペクトル情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。

推定装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と、参照用外観情報を取得する際に得た参照用スペクトル情報、並びにその場合の野菜の品質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。参照用スペクトル情報は、例えば、スペクトル情報を分析可能な計測器やカメラ等を通じて取得してもよい。

例えば、過去にあった実際の野菜の品質の評価時において、ある参照用外観情報に対して、参照用スペクトル情報が、近赤外においてピークが〇〇ｎｍにおいて発生したものとする。かかる場合に、野菜の品質がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１で、参照用スペクトル情報Ｐ２０である場合に、その野菜の品質を過去のデータから分析する。野菜の品質Ａの事例が多い場合には、この野菜の品質がＡにつながる連関度をより高く設定し、野菜の品質がＢの事例が多く、野菜の品質がＡの事例が少ない場合には、野菜の品質がＢにつながる連関度を高くし、野菜の品質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、野菜の品質Ａと野菜の品質Ｂの出力にリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図５に示す連関度の例で、ノード６１ｂは、参照用外観情報Ｐ０１に対して参照用スペクトル情報Ｐ１８の組み合わせのノードであり、野菜の品質Ｃの連関度がｗ１５、野菜の品質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用外観情報Ｐ０２に対して、参照用スペクトル情報Ｐ１９、Ｐ２１の組み合わせのノードであり、野菜の品質Ｂの連関度がｗ１７、野菜の品質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから野菜の品質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその野菜の品質の判別対象の外観情報と、スペクトル情報とを取得する。ここでスペクトル情報は、野菜の品質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用スペクトル情報と同様である。

このようにして新たに取得した外観情報と、スペクトル情報に基づいて、最適な野菜の品質を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合であって、スペクトル情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、野菜の品質Ｃがｗ１９、野菜の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図６は、上述した参照用外観情報に加え、上述した参照用品種情報の代わりに参照用香り情報との組み合わせと、当該組み合わせに対する野菜の品質との３段階以上の連関度が設定されている例を示している。

参照用位置情報の代わりに説明変数として加えられるこの参照用香り情報は、野菜の香りに関するあらゆる情報である。参照用香り情報は、野菜から臭いセンサ、香りセンサ等を通じて取得してもよい。この野菜の香りは、野菜の味に大きく影響を及ぼすことが知られている。仮に野菜が腐っていた場合には異臭がし、当然味も劣化し、品質は低下する。

図６の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３、参照用香り情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外観情報に対して、参照用香り情報が組み合わさったものが、図６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報と参照用香り情報との各組み合わせ（中間ノード）は、この出力解としての、野菜の品質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報と参照用香り情報がこの連関度を介して左側に配列し、野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報と参照用香り情報に対して、野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報と参照用香り情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報と参照用香り情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。

推定装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と、参照用外観情報を取得する際に得た参照用香り情報、並びにその場合の野菜の品質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

例えば、過去にあった実際の野菜の品質の評価時において、ある参照用外観情報に対して、参照用香り情報が、臭気指数相当値〇〇であるものとする。かかる場合に、野菜の品質がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１で、参照用香り情報Ｐ２０である場合に、その野菜の品質を過去のデータから分析する。野菜の品質Ａの事例が多い場合には、この野菜の品質がＡにつながる連関度をより高く設定し、野菜の品質がＢの事例が多く、野菜の品質がＡの事例が少ない場合には、野菜の品質がＢにつながる連関度を高くし、野菜の品質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、野菜の品質Ａと野菜の品質Ｂの出力にリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図６に示す連関度の例で、ノード６１ｂは、参照用外観情報Ｐ０１に対して参照用香り情報Ｐ１８の組み合わせのノードであり、野菜の品質Ｃの連関度がｗ１５、野菜の品質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用外観情報Ｐ０２に対して、参照用香り情報Ｐ１９、Ｐ２１の組み合わせのノードであり、野菜の品質Ｂの連関度がｗ１７、野菜の品質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから野菜の品質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその野菜の品質の判別対象の外観情報と、香り情報とを取得する。ここで香り情報は、野菜の品質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用香り情報と同様である。

このようにして新たに取得した外観情報と、香り情報に基づいて、最適な野菜の品質を探索する。かかる場合には、予め取得した図６（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合であって、香り情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、野菜の品質Ｃがｗ１９、野菜の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図７は、上述した参照用外観情報に加え、上述した参照用品種情報の代わりに参照用重量情報との組み合わせと、当該組み合わせに対する野菜の品質との３段階以上の連関度が設定されている例を示している。

参照用位置情報の代わりに説明変数として加えられるこの参照用重量情報は、野菜の重量に関するあらゆる情報である。参照用重量情報は、野菜から重量計等を通じて取得してもよい。この野菜の重量は、野菜の品質に大きく影響を及ぼすことが知られている。仮に野菜が小さすぎる場合には、食用の量が少なくなり、低品質とみなされる。

図７の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３、参照用重量情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外観情報に対して、参照用重量情報が組み合わさったものが、図７に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報と参照用重量情報との各組み合わせ（中間ノード）は、この出力解としての、野菜の品質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報と参照用重量情報がこの連関度を介して左側に配列し、野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報と参照用重量情報に対して、野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報と参照用重量情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報と参照用重量情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。

推定装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と、参照用外観情報を取得する際に得た参照用重量情報、並びにその場合の野菜の品質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。

例えば、過去にあった実際の野菜の品質の評価時において、ある参照用外観情報に対して、参照用重量情報が、〇〇グラムであるものとする。かかる場合に、野菜の品質がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１で、参照用重量情報Ｐ２０である場合に、その野菜の品質を過去のデータから分析する。野菜の品質Ａの事例が多い場合には、この野菜の品質がＡにつながる連関度をより高く設定し、野菜の品質がＢの事例が多く、野菜の品質がＡの事例が少ない場合には、野菜の品質がＢにつながる連関度を高くし、野菜の品質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、野菜の品質Ａと野菜の品質Ｂの出力にリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図７に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図７に示す連関度の例で、ノード６１ｂは、参照用外観情報Ｐ０１に対して参照用重量情報Ｐ１８の組み合わせのノードであり、野菜の品質Ｃの連関度がｗ１５、野菜の品質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用外観情報Ｐ０２に対して、参照用重量情報Ｐ１９、Ｐ２１の組み合わせのノードであり、野菜の品質Ｂの連関度がｗ１７、野菜の品質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから野菜の品質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその野菜の品質の判別対象の外観情報と、重量情報とを取得する。ここで重量情報は、野菜の品質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用重量情報と同様である。

このようにして新たに取得した外観情報と、重量情報に基づいて、最適な野菜の品質を探索する。かかる場合には、予め取得した図７（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合であって、重量情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、野菜の品質Ｃがｗ１９、野菜の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図８は、上述した参照用外観情報に加え、上述した参照用品種情報の代わりに参照用栽培履歴情報との組み合わせと、当該組み合わせに対する野菜の品質との３段階以上の連関度が設定されている例を示している。

参照用位置情報の代わりに説明変数として加えられるこの参照用栽培履歴は、野菜の栽培履歴に関するあらゆる情報である。参照用栽培履歴は、野菜が育成する前の期間に対する栽培履歴から、収穫に至るまでのすべての栽培履歴を含むものである。この栽培履歴情報としては、野菜に対する施肥や水やり、農薬散布の時期や回数、量が含まれることは勿論であるが、これに加えて栽培の過程における気温、湿度、天候（晴れ、曇り、雨等の履歴や、台風の来襲時期等）等も含まれる。このような栽培の過程が野菜の品質に影響を及ぼす。栽培の過程はユーザインターフェース、ユーザ端末を介して入力することで取得してもよい。

図８の例では、入力データとして例えば参照用外観情報Ｐ０１〜Ｐ０３、参照用栽培履歴情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用外観情報に対して、参照用栽培履歴情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、野菜の品質が表示されている。

参照用外観情報と参照用栽培履歴情報との各組み合わせ（中間ノード）は、この出力解としての、野菜の品質に対して３段階以上の連関度を通じて互いに連関しあっている。参照用外観情報と参照用栽培履歴情報がこの連関度を介して左側に配列し、野菜の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用外観情報と参照用栽培履歴情報に対して、野菜の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用外観情報と参照用栽培履歴情報が、いかなる野菜の品質に紐付けられる可能性が高いかを示す指標であり、参照用外観情報と参照用栽培履歴情報から最も確からしい野菜の品質を選択する上での的確性を示すものである。

推定装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり推定装置２は、実際の探索解の判別を行う上で、参照用外観情報と、参照用外観情報を取得する際に得た参照用栽培履歴情報、並びにその場合の野菜の品質が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

例えば、過去にあった実際の野菜の品質の評価時において、ある参照用外観情報に対して、参照用栽培履歴情報が、施肥の時期が〇〇、水やりの時期が〇〇、台風が来襲した日が８月１６日、であるものとする。かかる場合に、野菜の品質がＡと判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用外観情報Ｐ０１で、参照用栽培履歴情報Ｐ２０である場合に、その野菜の品質を過去のデータから分析する。野菜の品質Ａの事例が多い場合には、この野菜の品質がＡにつながる連関度をより高く設定し、野菜の品質がＢの事例が多く、野菜の品質がＡの事例が少ない場合には、野菜の品質がＢにつながる連関度を高くし、野菜の品質がＡにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、野菜の品質Ａと野菜の品質Ｂの出力にリンクしているが、以前の事例から野菜の品質Ａにつながるｗ１３の連関度を７点に、野菜の品質Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図８に示す連関度の例で、ノード６１ｂは、参照用外観情報Ｐ０１に対して参照用栽培履歴情報Ｐ１８の組み合わせのノードであり、野菜の品質Ｃの連関度がｗ１５、野菜の品質Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用外観情報Ｐ０２に対して、参照用栽培履歴Ｐ１９、Ｐ２１の組み合わせのノードであり、野菜の品質Ｂの連関度がｗ１７、野菜の品質Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから野菜の品質の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその野菜の品質の判別対象の外観情報と、栽培履歴情報とを取得する。ここで栽培履歴情報は、野菜の品質を実際に見積もる際に、新たに取得するが、その取得方法は、上述した参照用栽培履歴情報と同様である。

このようにして新たに取得した外観情報と、栽培履歴情報に基づいて、最適な野菜の品質を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した外観情報がＰ０２と同一かこれに類似するものである場合であって、栽培履歴情報がＰ２１と同一か又は類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、野菜の品質Ｃがｗ１９、野菜の品質Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い野菜の品質Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる野菜の品質Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に野菜の品質の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

なお、上述した連関度では、参照用外観情報に加え、参照用品種情報、参照用スペクトル情報、参照用香り情報、参照用重量情報、参照用栽培履歴情報の何れかとの組み合わせで構成されている場合を例にとり説明をしたが、これに限定されるものではない。つまり連関度は、参照用外観情報に加え、参照用品種情報、参照用スペクトル情報、参照用香り情報、参照用重量情報、参照用栽培履歴情報の何れか２以上との組み合わせで構成されていてもよい。また連関度は、参照用外観情報に加え、参照用品種情報、参照用スペクトル情報、参照用香り情報、参照用重量情報、参照用栽培履歴情報の何れか１以上に加え、他のファクターがこの組み合わせに加わって連関度が形成されていてもよい。

いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して野菜の品質を求める。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい野菜の品質、を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用外観情報、参照用品種情報、参照用スペクトル情報、参照用香り情報、参照用重量情報、参照用栽培履歴情報を取得し、これらに対する野菜の品質、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

１ 野菜品質推定システム
２ 推定装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (9)

1. 野菜の品質を推定する野菜品質推定プログラムにおいて、
   推定対象の野菜の外観に関する外観情報を取得する情報取得ステップと、
   過去において取得した野菜の外観に関する参照用外観情報と、野菜の品質との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した外観情報に応じた参照用外観情報に基づき、野菜の品質を推定する推定ステップとをコンピュータに実行させること
   を特徴とする野菜品質推定プログラム。
2. 上記情報取得ステップ及び上記推定ステップでは、上記野菜の外観について、野菜を撮像することにより得られた画像情報から取得すること
   を特徴とする請求項１記載の野菜品質推定プログラム。
3. 上記情報取得ステップ及び上記推定ステップでは、上記画像情報と、野菜の大きさ、形状、色、キズの度合の何れかの外観とを教師データとして機械学習された予想モデルを用い、入力を上記画像情報とし、出力を上記外観として判定した結果に基づいて特定すること
   を特徴とする請求項２記載の野菜品質推定プログラム。
4. 上記情報取得ステップでは、推定対象の野菜の品種に関する品種情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際の野菜の品種に関する参照用品種情報とを有する組み合わせと、上記野菜の品質との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した品種情報に応じた参照用品種情報に基づき、野菜の品質を推定すること
   を特徴とする請求項１〜３のうち何れか１項記載の野菜品質推定プログラム。
5. 上記情報取得ステップでは、推定対象の野菜からスペクトル情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際の野菜から取得した参照用スペクトル情報とを有する組み合わせと、上記野菜の品質との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得したスペクトル情報に応じた参照用スペクトル情報に基づき、野菜の品質を推定すること
   を特徴とする請求項１〜３のうち何れか１項記載の野菜品質推定プログラム。
6. 上記情報取得ステップでは、推定対象の野菜の香りに関する香り情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際の野菜の香りに関する参照用香り情報とを有する組み合わせと、上記野菜の品質との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した香り情報に応じた参照用香り情報に基づき、野菜の品質を推定すること
   を特徴とする請求項１〜３のうち何れか１項記載の野菜品質推定プログラム。
7. 上記情報取得ステップでは、推定対象の野菜の重量に関する重量情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際の野菜の重量に関する参照用重量情報とを有する組み合わせと、上記野菜の品質との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した重量情報に応じた参照用重量情報に基づき、野菜の品質を推定すること
   を特徴とする請求項１〜３のうち何れか１項記載の野菜品質推定プログラム。
8. 上記情報取得ステップでは、推定対象の野菜の栽培履歴に関する栽培履歴情報を取得し、
   上記推定ステップでは、上記参照用外観情報と、上記参照用外観情報を取得する際の野菜の栽培履歴に関する参照用栽培履歴情報とを有する組み合わせと、上記野菜の品質との３段階以上の連関度を利用し、更に上記情報取得ステップにおいて取得した栽培履歴情報に応じた参照用栽培履歴情報に基づき、野菜の品質を推定すること
   を特徴とする請求項１〜３のうち何れか１項記載の野菜品質推定プログラム。
9. 野菜の品質を推定する野菜品質推定システムにおいて、
   推定対象の野菜の外観に関する外観情報を取得する情報取得手段と、
   過去において取得した野菜の外観に関する参照用外観情報と、野菜の品質との３段階以上の連関度を利用し、上記情報取得手段により取得された外観情報に応じた参照用外観情報に基づき、野菜の品質を推定する推定手段とを備えること
   を特徴とする野菜品質推定システム。

Images