JP2021185868A - 練り製品特性推定装置、モデル生成装置、練り製品特性推定方法、モデル生成方法、およびプログラム - Google Patents

Abstract

【課題】水産物の練り製品において、所望のＪＳとなるすり身の組み合わせ及び配合率を見つけやすくする。【解決手段】練り製品特性推定装置３０は、モデル記憶部３２０及び算出部３４０を備えている。モデル記憶部３２０は、モデルを記憶している。このモデルは、複数種類の水産物のすり身それぞれの特性情報と、複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳを正解データとして学習することにより、生成されている。算出部３４０は、水産物のすり身の組み合わせ及び配合率を取得するとともに、この組み合わせに含まれるすり身それぞれの特性情報を取得し、当該特性情報、当該配合率、及びモデル記憶部３２０が記憶しているモデルを用いて、練り製品のＪＳの推定値を算出する。【選択図】図７

Description

本発明は、練り製品特性推定装置、練り製品特性推定方法、およびプログラムに関する。

水産物の練り製品において、食感は重要な指標である。例えば特許文献１には、食感を完了するための改良剤について記載されている。

特開２０１４−５４２２５号公報

水産物の練り製品の食感の指標の一つに、ＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）がある。ＪＳは、すり身のゲル形成能の指標、すなわち、練り製品の弾力を表す指標である。ＪＳは、練り製品の原材料となるすり身の配合によって大きく変わる。しかし、すり身には様々な品質のものがあるため、所望のＪＳとなるすり身の組み合わせ及び配合率を見つけることは難しかった。

本発明の目的は、水産物の練り製品において、所望のＪＳとなるすり身の組み合わせ及び配合率を見つけやすくすることにある。

本発明によれば、複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳを正解データとして学習されたモデルを記憶する記憶部と、
水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する算出部と、
を備える練り製品特性推定装置が提供される。

本発明によれば、複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳを正解データとした訓練データを複数取得する訓練データ取得部と、
前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成部と、
を備え、
前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率を用いて、前記練り製品のＪＳの推定値を算出するモデル生成装置が提供される。

本発明によれば、コンピュータが、
複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳを正解データとして学習されたモデルを記憶する記憶部から、当該モデルを読み出し、
水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する、練り製品特性推定方法が提供される。

本発明によれば、コンピュータが、
複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳを正解データとした訓練データを複数取得する訓練データ取得処理と、
前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成処理と、
を行い
前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率が入力されると、前記練り製品のＪＳの推定値を算出するモデル生成方法が提供される。

本発明によれば、コンピュータに、
複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳを正解データとして学習されたモデルを記憶する記憶部から、当該モデルを読み出す機能と、
水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する機能と、
を持たせるプログラムが提供される。

本発明によれば、コンピュータに、
複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳを正解データとした訓練データを複数取得する訓練データ取得機能と、
前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成機能と、
を持たせ、
前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率が入力されると、前記練り製品のＪＳの推定値を算出するプログラムが提供される。

本発明によれば、水産物の練り製品において、所望のＪＳとなるすり身の組み合わせ及び配合率を見つけやすくなる。

第１実施形態に係るモデル生成装置及び練り製品特性推定装置の使用環境を説明するための図である。 原料データ記憶部が記憶している情報のデータ構造の一部を示す図である。 原料データ記憶部が記憶している情報のデータ構造の他の一部を示す図である。 原料データ記憶部が記憶している情報のデータ構造の他の一部を示す図である。 モデル生成装置の機能構成の一例を示す図である。 訓練データ記憶部が記憶している情報の一例を示している。 練り製品特性推定装置の機能構成の一例を示す図である。 モデル生成装置及び練り製品特性推定装置のハードウェア構成例を示す図である。 モデル生成装置が行う処理の一例を示すフローチャートである。 練り製品特性推定装置が行う処理の一例を示すフローチャートである。 図１０のステップＳ１４０において表示される画面の第１例を示す図である。 図１０のステップＳ１４０において表示される画面の第２例を示す図である。 第２実施形態に係る練り製品特性推定装置の機能構成の一例を示す図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。

［第１実施形態］
図１は、本実施形態に係るモデル生成装置２０及び練り製品特性推定装置３０の使用環境を説明するための図である。練り製品特性推定装置３０は、練り製品の原材料となる水産物のすり身の組み合わせ及び配合率を用いて、その組み合わせ及び配合率における練り製品のＪＳの推定値を算出する。ＪＳの推定値の算出において、練り製品特性推定装置３０はモデルを用いる。このモデルはモデル生成装置２０によって生成されている。

モデル生成装置２０は、訓練データを用いてモデルを生成する。このモデルは、練り製品の種類別に生成されていてもよい。なお、練り製品の種類としては、例えばちくわ、蒲鉾（笹蒲鉾及びカニ蒲鉾を含む）、魚肉ソーセージ、並びにはんぺんが挙げられるが、これらに限定されない。

本図に示す例において、モデル生成装置２０及び練り製品特性推定装置３０は、原料データ記憶部１０と共に使用される。原料データ記憶部１０は、練り製品の原料に関する各種の情報を記憶している。原料データ記憶部１０が記憶している情報には、複数のすり身それぞれの特性情報が含まれている。

なお、モデル生成装置２０と練り製品特性推定装置３０は一つの装置であってもよい。さらに、原料データ記憶部１０、モデル生成装置２０、及び練り製品特性推定装置３０が一つの装置であってもよい。

図２は、原料データ記憶部１０が記憶している情報のデータ構造の一部を示している。本図に示す例において、すり身は、その特性に基づいて複数のクラスタに分類されている。同一のクラスタに属するすり身は、特性が互いに似ているため、練り製品を製造する際に互いに代替可能となっている。なお、クラスタの分類は、例えばｋ−ｍｅａｎｓ法を用いて行われるが、これに限定されない。

図３は、原料データ記憶部１０が記憶している情報のデータ構造の他の一部を示している。本図に示すように、原料データ記憶部１０は、複数種類のすり身別に、その特性情報を記憶している。特性情報は、少なくともそのすり身のＪＳ、及びそのすり身に混入している夾雑物の含有率を含んでいる。夾雑物の含有率は、例えば単位表面積において目視確認可能な夾雑物の数量として定義することもできる。特性情報は、さらに、すり身に含まれている水分の量又は含有率）、ｐＨ、硬さ、付着性、弾力性、及び粘着力の少なくとも一つ（好ましくは全部）を含んでいるのが好ましい。また特性情報は、さらに、すり身のグレード及び製造者（パッカー）を含んでいてもよい。また特性情報は、さらに、魚種名、漁獲した季節、漁獲海域、及び入庫日の少なくとも一つを含んでいても良い。

ここでＪＳについて説明する。ＪＳは、上記したように、Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈのことであり、すり身のゲル形成能の指標、すなわち、練り製品の弾力を表す指標である。ＪＳは、例えば、以下の手順で測定することができる。まず、すり身に塩を３％添加し、サイレントカッターで、０℃以下で約１０分塩摺り後、馬鈴薯澱粉を５％添加し、更に１０℃に上がるまで約１０分間本摺りし、練り肉を得る。そして、得られた練り肉を折径４８ｍｍの塩化ビニリデンチューブに充填し、９０℃で４０分加熱することにより、被測定物を調製する。ＪＳは、被測定物を２．５ｍｍで切断し、その断面に対して５ｍｍ球プランジャーを１ｍｍ／秒の速度で押し込んだ時の破断荷重（Ｗ（ｇ））と、破断までの距離（Ｌ（ｃｍ））の積（ＪＳ（ｇ・ｃｍ））で表される。

次に、硬さ、付着性、弾力性、及び粘着力について説明する。これらは、機械的なテクスチャー測定から求められる力学的物性値であり、練り製品の口腔内や飲み込みにおける感覚から求められる官能評価と対応する指標である。硬さ、付着性、弾力性、及び粘着力は、例えば、以下の手順で測定することができる。まず、ＪＳと同様の方法により、練り肉を得る。次いで、練り肉を直径４０ｍｍ、深さ１５ｍｍの容器にすりきれ一杯いれることにより、被測定物を得る。そして、被測定物に対して円型プランジャーを１０ｍｍ／秒の速度で２回繰り返し圧縮した時の荷重をテクスチャープロファイル分析法により分析し、硬さ、付着性、弾力性、及び粘着力を算出する。

ここで、硬さはプランジャーで被測定物を圧縮した時の最大荷重（Ｎ）である。付着性はプランジャーに付着した被測定物を引き離そうとする力（Ｎ）であり、テクスチャープロファイル分析法においては曲線に囲まれた面積で表される。弾力性はプランジャーで被測定物に連続２回の圧縮を行い、１回目の圧縮開始から最大荷重に到達するまでに要する時間（Ｔ１）と、２回目の圧縮開始から最大荷重に到達するまでに要する時間（Ｔ２）の比（Ｔ２／Ｔ１）で表される。粘着力はプランジャーに付着した被測定物を引き離そうとするときに生じる最大荷重（Ｎ）である。

なお、テクスチャープロファイル分析法には、テクスチャー試験機（ＥＸ―１００Ｎ、日本計測システム株式会社製）を用いることができる。

また原料データ記憶部１０は、複数種類のすり身別に、そのすり身の単価及び在庫情報を記憶している。在庫情報は、実際に在庫として存在している量を含んでいるが、さらに、これから在庫として入荷する量（計画数量）も含んでいるのが好ましい。計画数量は、さらにそのすり身が入荷する日時を示す情報を含んでいるのが好ましい。

図４は、原料データ記憶部１０が記憶している情報のデータ構造の他の一部を示している。モデル生成装置２０及び練り製品特性推定装置３０は、原材料となるすり身を個別に扱うのではなく、クラスタという単位で扱う。言い換えると、モデル生成装置２０及び練り製品特性推定装置３０は、すり身の組み合わせ及び配合率を示す情報として、クラスタの組み合わせ及び配合率を示す情報を用いる。

そして原料データ記憶部１０は、クラスタ別に、そのクラスタの特性情報を記憶している。この特性情報も、少なくともそのすり身のＪＳ、及びそのすり身に混入している夾雑物の割合を含んでいる。そしてこの例においても、特性情報は、さらに、すり身に含まれている水分の量又は割合）、ｐＨ、硬さ、付着性、弾力性、及び粘着力の少なくとも一つ（好ましくは全部）を含んでいるのが好ましい。

なお、各クラスタにおいて、そのクラスタに属するすり身の特性情報にはある程度のばらつき（範囲）がある。しかし、図４に示す特性情報の各項目は、モデル生成装置２０及び練り製品特性推定装置３０で使用しやすくするために、範囲ではなく特定の値（例えば代表値）となっている。ここでも散られる代表値は、例えば平均値であるが、他の統計的指標であってもよい。

図５は、モデル生成装置２０の機能構成の一例を示す図である。モデル生成装置２０は、訓練データ記憶部２１０、訓練データ取得部２２０、及びモデル生成部２３０を備えている。

訓練データ記憶部２１０は、モデルを生成するための訓練データを記憶している。訓練データ取得部２２０は、訓練データ記憶部２１０から訓練データを読み出す。後述するように、訓練データ記憶部２１０が記憶している情報は訓練データの一部の項目である。そして訓練データ取得部２２０は、訓練データの残りの項目を原料データ記憶部１０から読み出す。

モデル生成部２３０は、訓練データ取得部２２０が読み出した情報を用いてモデルを生成し、生成したモデルを練り製品特性推定装置３０に出力する。このモデルは、上記したように、練り製品の原材料となる水産物のすり身の組み合わせ及び配合率を用いて、その組み合わせ及び配合率における練り製品のＪＳの推定値を算出するものである。モデルが練り製品の種類ごとに生成される場合、訓練データ記憶部２１０は、練り製品の種類別に、訓練データを特定する情報を記憶している。

なお、モデル生成部２３０は、例えば機械学習を用いてモデルを生成する。ここで用いられる機械学習は、例えばディープラーニングなどのニューラルネットワークを用いたものであるが、これに限定されない。

図６は、訓練データ記憶部２１０が記憶している情報の一例を示している。訓練データ記憶部２１０は、実際に製造された練り製品別に、その練り製品の原材料となったクラスタの組み合わせ及び配合率、及びその練り製品のＪＳの実測値を記憶している。ここで、訓練データの説明変数は、クラスタの組み合わせ及び配合率となり、正解データはＪＳの実測値となる。

本図に示す例において、原料データ記憶部１０は各クラスタの特性情報を記憶していない。このため、モデル生成部２３０は、各クラスタの特性情報を、原料データ記憶部１０から読み出して使用する。

また本図に示す例において、訓練データ記憶部２１０は、その練り製品を製造する際に添加された水の量（添加水量）を記憶している。この添加水量も、訓練データの説明変数として用いられるのが好ましい。なお、添加水量は、例えばすり身に対する重量％であるが、これに限定されない。

図７は、練り製品特性推定装置３０の機能構成の一例を示す図である。本図に示す例において、練り製品特性推定装置３０は、記憶処理部３１０、モデル記憶部３２０、算出部３４０、及びディスプレイ３５０を備えている。記憶処理部３１０は、原料データ記憶部１０が生成したモデルを取得してモデル記憶部３２０に記憶させる。算出部３４０は、練り製品の原材料となるすり身の組み合わせ及び配合率を取得するとともに、原材料に含まれるすり身それぞれの特性情報を取得し、当該特性情報、当該配合率並びに前記モデルを用いて、取得した組み合わせ及び配合率における練り製品のＪＳの推定値を算出する。算出部３４０は、算出したＪＳの推定値をディスプレイ３５０に表示させる。

練り製品特性推定装置３０は、さらに入力データ取得部３３０及びディスプレイ３５０を備えている。入力データ取得部３３０は、ユーザからすり身の組み合わせ及び配合率を示す情報、すなわちＪＳを算出するための条件を取得する。この処理の詳細については、フローチャートを用いて後述する。

図８は、モデル生成装置２０のハードウェア構成例を示す図である。モデル生成装置２０は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０を有する。

バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０２０は、ＣＰＵ（Central Processing Unit） やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。

メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。

ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置である。ストレージデバイス１０４０はモデル生成装置２０の各機能（例えば訓練データ取得部２２０及びモデル生成部２３０）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、そのプログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は訓練データ記憶部２１０しても機能する。

入出力インタフェース１０５０は、モデル生成装置２０と各種入出力機器とを接続するためのインタフェースである。例えばモデル生成装置２０は、入出力インタフェース１０５０を介して練り製品特性推定装置３０と通信する。

ネットワークインタフェース１０６０は、モデル生成装置２０をネットワークに接続するためのインタフェースである。このネットワークは、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１０６０がネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。モデル生成装置２０は、ネットワークインタフェース１０６０を介して練り製品特性推定装置３０と通信してもよい。

なお、練り製品特性推定装置３０のハードウェア構成例も、図８に示した例と同様である。この場合、ストレージデバイス１０４０は練り製品特性推定装置３０の各機能（例えば記憶処理部３１０、入力データ取得部３３０、及び算出部３４０）を実現するプログラムモジュールを記憶している。また、ストレージデバイス１０４０はモデル記憶部３２０しても機能する。

図９は、モデル生成装置２０が行う処理の一例を示すフローチャートである。モデルが練り製品の種類別に生成される場合、モデル生成装置２０は、練り製品の種類毎に本図に示す処理を行う。

まずモデル生成装置２０の訓練データ取得部２２０は、訓練データ記憶部２１０から訓練データを読み出す（ステップＳ１０）。この段階において、訓練データは正解データを含んでいるが、訓練データの説明変数は特性情報を含んでいない。すなわち説明変数は不完全な状態である。次いで訓練データ取得部２２０は、訓練データ記憶部２１０から読み出した訓練データに含まれるクラスタの特性情報を、原料データ記憶部１０から読み出す（ステップＳ２０）。これにより、訓練データの説明変数は完全な状態になる。

次いでモデル生成部２３０は、訓練データ取得部２２０が取得した訓練データを用いてモデルを生成する（ステップＳ３０）。そしてモデル生成部２３０は、生成したモデルを練り製品特性推定装置３０に出力し、練り製品特性推定装置３０のモデル記憶部３２０に記憶させる（ステップＳ４０）。

図１０は、練り製品特性推定装置３０が行う処理の一例を示すフローチャートである。まず練り製品特性推定装置３０の入力データ取得部３３０は、原料データ記憶部１０から原材料として使用可能なすり身の情報を読み出し、ディスプレイ３５０に表示させる（ステップＳ１１０）。この際、入力データ取得部３３０は、クラスタ毎に複数のすり身の情報をまとめて（例えば一覧表で）表示させる。この際、この表示には、そのすり身を今回使用する原材料として選択するためのボタンも含まれる。そして練り製品特性推定装置３０のユーザは、ディスプレイ３５０を見ながら、今回使用する複数のすり身を選択するとともに、各すり身の使用量を入力する。すると入力データ取得部３３０は、入力されたすり身の使用量をクラスタ別に集計する。これにより、今回選択されたクラスタの組み合わせ及び配合率が決定される。すると入力データ取得部３３０は、決定した組み合わせに含まれるクラスタの特性情報を原料データ記憶部１０から読み出す。また入力データ取得部３３０は、選択されたすり身の単価も読みだす（ステップＳ１２０）。次いで算出部３４０は、モデル記憶部３２０からもモデルを読み出し、このモデルに、クラスタの配合率及び読み出した特定情報を入力することにより、その組み合わせ及び配合率における練り製品のＪＳの推定値を算出する（ステップＳ１３０）。

この際、算出部３４０は、ステップＳ１２０で読みだしたすり身の単価を、ステップＳ１２０で入力された各すり身の使用量に従って加重平均することにより、練り製品の原材料の単価も算出する。この単価が重量当たりの単価で示される場合、単価を算出する際の原材料には、さらに後述する添加水量が含まれてもよい。

なお、モデルの訓練データの説明変数に添加水量が含まれていた場合、入力データ取得部３３０は、想定される添加水量も取得する。この場合、算出部３４０は、この添加水量をモデルに入力する。この添加水量は、例えばユーザが入力データ取得部３３０に入力するが、予め定められた値が用いられてもよい。

そして算出部３４０は、算出したＪＳの推定値をディスプレイ３５０に表示させる（ステップＳ１４０）。この際、算出部３４０は、ステップＳ１２０で選択された原材料及びその組み合わせを、各原材料の数量とともに表示する。ここで原材料は、クラスタ単位で表示されてもよいし、すり身単位で表示されてもよい。

また、原材料となるクラスタのデータとして、当該クラスタに属するすり身に添加できる水分の標準量及び最大量の少なくとも一方が含まれることがある。この場合、入力データ取得部３３０は、これらの量も取得する。そして算出部３４０は、選択されたクラスタの組み合わせ及び配合率における、添加できる水分の標準量及び最大量の少なくとも一方を算出し、この算出した値をＪＳの推定値とともにディスプレイ３５０に表示させてもよい。

練り製品特性推定装置３０のユーザは、ディスプレイ３５０に表示されたＪＳの推定値が許容範囲であるか否かを判断する。許容範囲外であった場合（ステップＳ１５０：Ｎｏ）、ステップＳ１２０に戻る。なお、この判断は算出部３４０が行ってもよい。

図１１は、図１０のステップＳ１４０において表示される画面の第１例を示す図である。本図に示す例において、算出部３４０は、ディスプレイ３５０に、算出したＪＳの推定値及び練り製品の原材料の単価を表示する。また算出部３４０は、練り製品の添加水量もディスプレイ３５０に表示させる。さらに算出部３４０は、各クラスタの特性情報もディスプレイ３５０に表示させている。

図１２は、図１０のステップＳ１４０において表示される画面の第２例を示す図である。本図に示す例は、原材料がクラスタで表記されるのではなくすり身で表記される点を除いて、図１１に示した例と同様である。

以上、本実施形態によれば、モデル生成装置２０は、原材料となるすり身の特性から練り製品のＪＳを算出するためのモデルを生成する。そして練り製品特性推定装置３０は、このモデルを用いて練り製品のＪＳの推定値を算出する。このため、所望のＪＳとなるすり身の組み合わせ及び配合率は見つけやすくなる。

［第２実施形態］
図１３は、本実施形態に係る練り製品特性推定装置３０の機能構成の一例を示す図である。本実施形態に係る練り製品特性推定装置３０は、入力データ取得部３３０の代わりに組み合わせ生成部３３２を備えている点を除いて、第１実施形態に係る練り製品特性推定装置３０と同様の構成である。

組み合わせ生成部３３２は、原料データ記憶部１０が記憶しているクラスタの在庫（購入予定の計画数量を含む）を用いて、クラスタの組み合わせ及び配合率を決定する。例えば組み合わせ生成部３３２は、在庫の範囲内でクラスタの配合率を決定したり、在庫が多いクラスタを優先的に選択する。

この際、組み合わせ生成部３３２は、組み合わせ及び配合率を決定するための条件、例えば練り製品の原材料の単価を取得する。組み合わせ生成部３３２は、各クラスタの単価を用いて、原材料の単価が取得した値以下となるように、クラスタの組み合わせ及び配合率を決定する。

本実施形態によっても、第１実施形態と同様に、所望のＪＳとなるすり身の組み合わせ及び配合率は見つけやすくなる。また、組み合わせ生成部３３２は、クラスタの在庫を用いて、クラスタの組み合わせ及び配合率を決定する。このため、実際に使用可能な組み合わせ及び配合率におけるＪＳが算出される。

さらに組み合わせ生成部３３２は、原材料の単価が取得した値以下となるように、クラスタの組み合わせ及び配合率を決定する。このため、練り製品の単価が予定の値以上になることを防止できる。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。

また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。

１０ 原料データ記憶部
２０ モデル生成装置
３０ 練り製品特性推定装置
２１０ 訓練データ記憶部
２２０ 訓練データ取得部
２３０ モデル生成部
３１０ 記憶処理部
３２０ モデル記憶部
３３０ 入力データ取得部
３３２ 組み合わせ生成部
３４０ 算出部
３５０ ディスプレイ

Claims (15)

1. 複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとして学習されたモデルを記憶する記憶部と、
   水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する算出部と、
   を備える練り製品特性推定装置。
2. 請求項１に記載の練り製品特性推定装置において、
   前記特性情報は、前記すり身のＪＳ、及び前記すり身に含まれる夾雑物に関する情報を含む練り製品特性推定装置。
3. 請求項２に記載の練り製品特性推定装置において、
   前記特性情報は、前記すり身の水分の量又は割合、ｐＨ、硬さ、付着性、弾力性、及び粘着力の少なくとも一つを含む練り製品特性推定装置。
4. 請求項１〜３のいずれか一項に記載の練り製品特性推定装置において、
   前記モデルの説明変数は、添加水量を含み、
   前記算出部は、さらに添加水量を前記モデルに入力する練り製品特性推定装置。
5. 請求項１〜４のいずれか一項に記載の練り製品特性推定装置において、
   すり身の在庫情報及用いて、前記組み合わせ及び配合率を生成する組み合わせ生成部をさらに備える練り製品特性推定装置。
6. 請求項５に記載の練り製品特性推定装置において、
   前記組み合わせ生成部は、さらにすり身の単価を用いて前記組み合わせ及び配合率を生成する練り製品特性推定装置。
7. 請求項１〜６のいずれか一項に記載の練り製品特性推定装置において、
   前記算出部は、すり身の単価を用いて、前記組み合わせ及び前記配合率における練り製品の原材料の単価を算出する製品特性推定装置。
8. 複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとした訓練データを複数取得する訓練データ取得部と、
   前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成部と、
   を備え、
   前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率を用いて、前記練り製品のＪＳの推定値を算出するモデル生成装置。
9. 請求項８に記載のモデル生成装置において、
   前記特性情報は、前記すり身のＪＳ、及び前記すり身に含まれる夾雑物に関する情報を含むモデル生成装置。
10. 請求項９に記載のモデル生成装置において、
    前記特性情報は、前記すり身の水分の量又は割合、ｐＨ、硬さ、付着性、弾力性、及び粘着力の少なくとも一つを含むモデル生成装置。
11. 請求項８〜１０のいずれか一項に記載のモデル生成装置において、
    前記説明変数は、添加水量を含むモデル生成装置。
12. コンピュータが、
    複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとして学習されたモデルを記憶する記憶部から、当該モデルを読み出し、
    水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する、練り製品特性推定方法。
13. コンピュータが、
    複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとした訓練データを複数取得する訓練データ取得処理と、
    前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成処理と、
    を行い
    前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率が入力されると、前記練り製品のＪＳの推定値を算出するモデル生成方法。
14. コンピュータに、
    複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部とし、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとして学習されたモデルを記憶する記憶部から、当該モデルを読み出す機能と、
    水産物のすり身の組み合わせ及び配合率を取得するとともに、前記組み合わせに含まれる前記すり身それぞれの前記特性情報を取得し、当該特性情報、当該配合率、及び前記モデルを用いて、前記組み合わせ及び前記配合率における練り製品のＪＳの推定値を算出する機能と、
    を持たせるプログラム。
15. コンピュータに、
    複数種類の水産物のすり身それぞれの特性情報と、前記複数種類のすり身の配合率と、を説明変数の少なくとも一部として、製造された練り製品のＪＳ（Ｊｅｌｌｙ Ｓｔｒｅｎｇｔｈ）を正解データとした訓練データを複数取得する訓練データ取得機能と、
    前記複数の訓練データを学習することにより、練り製品のＪＳの推定値を算出するモデルを生成するモデル生成機能と、
    を持たせ、
    前記モデルは、前記練り製品の原材料となる複数のすり身それぞれの前記特性情報及び前記複数のすり身の配合率が入力されると、前記練り製品のＪＳの推定値を算出するプログラム。

Images