JP2023094121A - 品質予測方法、品質予測装置および品質予測プログラム - Google Patents

Abstract

【課題】香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とする品質予測方法、品質予測装置および品質予測プログラムの提供を課題とする。【解決手段】本実施形態では、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する。【選択図】図２

Description

本発明は、品質予測方法、品質予測装置および品質予測プログラムに関する。

商品の品質評価を香りの分析により行うことはよくある。ここで、香り（アロマ）は、単一物質によりもたらされるものではなく、多数の化合物の相互作用によってもたらされているものである。このため、以下の非特許文献１に記載されているようなガスクロマトグラフィー（ＧＳ）による定量評価では、アロマを正確に評価できないことが多い。

斉藤他９名，"かつお節の香りに寄与する重要香気成分"，日本食品科学工学会誌，２０１４年１１月，第６１巻，第１１号，ｐ．５１９－５２７

このため、現状においては、官能評価（人による評価）によりアロマの評価を行うことが多いが、官能評価は、個人差が大きい、多人数の評価が必要となるおよび評価員の育成をする必要がある等の課題がある。

本発明は、上記問題点に鑑みてなされたものであって、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とする品質予測方法、品質予測装置および品質予測プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測方法においては、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップを含むこと、を特徴とする。

また、本発明に係る品質予測方法においては、前記測定される前記所定の情報は、前記測定器における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものであること、を特徴とする。

また、本発明に係る品質予測方法においては、前記測定される前記所定の情報が、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものであること、を特徴とする。

また、本発明に係る品質予測方法においては、前記重量の変化が、前記梁の振動周波数の変化として検出されるものであること、を特徴とする。

また、本発明に係る品質予測方法においては、前記振動周波数が、共振周波数であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記予測に用いられる前記測定値は、１つの前記予測対象について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものであること、を特徴とする。

また、本発明に係る品質予測方法においては、前記モデルが、機械学習の対象となる学習対象の香り成分が前記測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値と、人が前記学習対象の品質を評価した場合の結果と、に基づいて機械学習を用いて構築されたものであること、を特徴とする。

また、本発明に係る品質予測方法においては、前記式が、前記測定値を多変量解析に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記予測ステップにおいて、前記予測対象が良品か非良品かを予測すること、を特徴とする。

また、本発明に係る品質予測方法においては、前記予測対象が、出汁、出汁を用いて作った料理、または、出汁の原料であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記原料が、鰹節であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記予測対象が、時間と共に変化しやすい成分を含んでいること、を特徴とする。

また、本発明に係る品質予測方法においては、前記時間と共に変化しやすい成分が、低沸点の成分、高揮発性の成分または低沸点かつ高揮発性の成分であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記時間と共に変化しやすい成分が、アミン類またはサルファイド類の物質であること、を特徴とする。

また、本発明に係る品質予測方法においては、前記予測対象が、劣化により酸化臭を発生させる成分を含んでいること、を特徴とする。

また、本発明に係る品質予測装置においては、制御部を備える品質予測装置であって、前記制御部は、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段を備えること、を特徴とする。

また、本発明に係る品質予測プログラムにおいては、制御部を備える情報処理装置において実行させるための品質予測プログラムであって、前記制御部において実行させるための、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップを含むこと、を特徴とする。

本発明によれば、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とするという効果を奏する。

図１は、品質予測装置の構成の一例を示すブロック図である。 図２は、本実施形態に係る品質予測のフローの一例を示す図である。 図３は、本実施形態に係るモデル構築のフローの一例を示す図である。 図４は、教師データとなるサンプル（鰹節における血合肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図５は、テストデータとなるサンプル（鰹節における血合肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図６は、教師データとなるサンプル（鰹節における血合肉の部位）およびテストデータとなるサンプル（鰹節における血合肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図７は、教師データとなるサンプル（鰹節における節表面の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図８は、テストデータとなるサンプル（鰹節における節表面の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図９は、教師データとなるサンプル（鰹節における節表面の部位）およびテストデータとなるサンプル（鰹節における節表面の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１０は、教師データとなるサンプル（鰹節における普通肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１１は、テストデータとなるサンプル（鰹節における普通肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１２は、教師データとなるサンプル（鰹節における普通肉の部位）およびテストデータとなるサンプル（鰹節における普通肉の部位）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１３は、教師データとなるサンプル（３部位の混合）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１４は、テストデータとなるサンプル（３部位の混合）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１５は、教師データとなるサンプル（３部位の混合）およびテストデータとなるサンプル（３部位の混合）のＰＣ１およびＰＣ２の値をプロットしたグラフを示す図である。 図１６は、１６種のサンプルを対象として、４つの香りの指標について、評価員が官能評価した結果である「実測値」および構築した相性予測モデルを用いて評価した結果である「予測値」を表として示した図である。

以下に、品質予測方法、品質予測装置および品質予測プログラムの実施形態を、図面に基づいて詳細に説明する。なお、本実施形態により本発明が限定されるものではない。

［１．構成］
本実施形態に係る品質予測装置１００の構成の一例について、図１を参照して説明する。図１は、品質予測装置１００の構成の一例を示すブロック図である。

品質予測装置１００は、市販のデスクトップ型パーソナルコンピュータである。なお、品質予測装置１００、デスクトップ型パーソナルコンピュータのような据置型情報処理装置に限らず、市販されているノート型パーソナルコンピュータ、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、スマートフォン、タブレット型パーソナルコンピュータなどの携帯型情報処理装置であってもよい。

品質予測装置１００は、制御部１０２と通信インターフェース部１０４と記憶部１０６と入出力インターフェース部１０８と、を備えている。品質予測装置１００が備えている各部は、任意の通信路を介して通信可能に接続されている。

通信インターフェース部１０４は、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して、品質予測装置１００をネットワーク３００に通信可能に接続する。通信インターフェース部１０４は、他の装置と通信回線を介してデータを通信する機能を有する。ここで、ネットワーク３００は、品質予測装置１００と測定器２００とを相互に通信可能に接続する機能を有し、例えばインターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等である。

入出力インターフェース部１０８には、入力装置１１２および出力装置１１４が接続されている。出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる。入力装置１１２には、キーボード、マウス、及びマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。なお、以下では、出力装置１１４をモニタ１１４とし、入力装置１１２をキーボード１１２またはマウス１１２として記載する場合がある。

記憶部１０６には、各種のデータベース、テーブルおよびファイルなどが格納される。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）と協働してＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）に命令を与えて各種処理を行うためのコンピュータプログラムが記録される。記憶部１０６として、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のメモリ装置、ハードディスクのような固定ディスク装置、フレキシブルディスク、および光ディスク等を用いることができる。

記憶部１０６は、例えば、取得結果データ１０６ａと、算出結果データ１０６ｂと、予測結果データ１０６ｃと、モデルデータ１０６ｄと、を備えている。

取得結果データ１０６ａには、後述する取得部１０２ａが取得した測定値（例えば、測定器２００による測定で取得した生データ）が格納されている。

算出結果データ１０６ｂには、後述する算出部１０２ｂが算出した算出値（例えば、前記生データに基づいて算出したＰＣ１およびＰＣ２の値）が格納されている。

予測結果データ１０６ｃには、後述する予測部１０２ｃが予測した結果（例えば、「良品か非良品か」という予測結果、または、「生臭さ、燻煙香、肉質香および酸化臭がそれぞれどの程度か」という予測結果）が格納されている。

モデルデータ１０６ｄには、後述する構築部１０２ｅが構築したモデルが格納されている。

制御部１０２は、品質予測装置１００を統括的に制御するＣＰＵ等である。制御部１０２は、ＯＳ等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、格納されているこれらのプログラムに基づいて種々の情報処理を実行する。

制御部１０２は、機能概念的に、例えば、（１）予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を取得する取得手段としての取得部１０２ａと、（２）前記取得した前記測定値に基づいて算出値を算出する算出手段としての算出部１０２ｂと、（３）予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段としての予測部１０２ｃと、（４）前記予測した結果を表示する表示手段としての表示部１０２ｄと、（５）前記モデルを構築する構築手段としての構築部１０２ｅと、を備えている。これらのうち、本実施形態に係る品質予測を行うためには、制御部１０２は少なくとも予測部１０２ｃを備えていればよく、予測部１０２ｃ以外は任意の構成要素である。

取得部１０２ａは、予測対象の香り成分が測定器２００により所定の情報として測定される場合における当該所定の情報に関する値である測定値（例えば、測定器２００による測定で取得した生データ）を取得する。当該所定の情報とは、例えば、重量の変化、反射光強度の変化および色彩の変化等に起因するものである。

算出部１０２ｂは、取得部１０２ａで取得した前記測定値に基づいて、所定の解析ツール（例えば、Ｅｘｃｅｌ、ＪＭＰおよびＲ等）および所定の解析手法（例えば、Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ；ＰＣＡ）を用いて、算出値（例えば、ＰＣ１およびＰＣ２の値）を算出する。

予測部１０２ｃは、取得部１０２ａで取得した前記測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、取得部１０２ａで取得した前記測定値に基づいて算出された算出値を用いて前記予測対象の品質を予測するための式に基づいて、前記予測対象の前記品質を予測する。

表示部１０２ｄは、予測部１０２ｃにおける前記品質についての予測結果（例えば、「良品か非良品か」という予測結果、または、「良品か、酸化臭がする非良品か、生臭さがする非良品か、燻煙臭が異なる非良品か、肉質香が異なる非良品か」という予測結果）を表示する。

構築部１０２ｅは、図３のフローに従い、前記モデルを構築する。すなわち、構築部１０２ｅは、機械学習の対象となる学習対象の香り成分が測定器２００により所定の情報測定される場合における当該所定の情報に関する値である測定値（図３の「測定値」に相当）と、人が前記学習対象の品質を評価した場合の結果（図３の「官能評価結果」に相当）と、に基づいて機械学習（例えば、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）を用いて前記モデルを構築する。

［２．処理の流れ］
本項目では、本実施形態に係る品質予測フローの一例を、図２に沿って説明する。

［２－１．ステップＳ１：取得処理］
取得部１０２ａは、予測対象の香り成分が測定器２００により所定の情報として測定される場合における当該所定の情報に関する値である測定値（例えば、測定器２００による測定で取得した生データ）を取得する（図２のステップＳ１：取得処理）。取得部１０２ａは、当該取得した測定値を取得結果データ１０６ａに格納する。

前記測定される前記所定の情報は、例えば、測定器２００における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものである。

ここで、本実施形態において使用可能な測定器２００としては、大きく分けて、例えば、（１）圧電素子を用いることを特徴とする測定器（以下の実施例で使用）、および、（２）反射光強度の変化を観察することを特徴とする測定器等が挙げられる。

（１）圧電素子を用いることを特徴とする測定器
圧電素子を用いることを特徴とする測定器２００を使用する場合、前記測定される前記所定の情報は、例えば、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものである。当該重量の変化は、例えば、前記梁の振動周波数（例えば、共振周波数）の変化として検出されるものである。圧電素子を用いることを特徴とする測定器２００としては、例えば、以下の実施例において使用するＩ－ＰＥＸ社製のｎｏｓｅ＠ＭＥＭＳ（登録商標）等が挙げられる。

（２）反射光強度の変化を観察することを特徴とする測定器の場合
反射光強度の変化を観察することを特徴とする測定器２００を使用する場合、測定器２００における前記吸着部位は、例えば、アプタマーで構成されており、この場合、前記測定される前記所定の情報（例えば、反射光強度）は、前記アプタマーに前記香り成分が吸着することによる前記アプタマーの単一波長の反射光強度の変化に起因するものである。言い換えると、前記測定される前記所定の情報（例えば、反射光強度）は、前記アプタマーに前記香り成分が吸着した場合に前記アプタマーから観察される単一波長の反射光強度である。反射光強度の変化を観察することを特徴とする測定器２００としては、例えば、Ａｒｙｂａｌｌｅ社製のＮｅＯｓｅ Ｐ３等が挙げられる。なお、前記アプタマーは、広義に解釈することができ、例えば、糖鎖、核酸、高分子、ペプチド等の匂い成分を吸着することが出来る分子を含む。

測定器２００としては、（１）および（２）で説明した測定器２００に加えて、例えば、以下で述べるものも用いることができる。すなわち、測定器２００としては、例えば、ウェット層中に拡散した検出対象分子を検出し検出信号を出力できる任意のセンサ素子を含むものを用いてもよい。前記センサ素子としては、化学物質を検知対象とする化学センサ素子を広く用いてよいが、ウェット層やアプタマーとの組み合わせにおいて、分析試料中に存在する微量かつ多様な検出対象分子を検出・分析し得る観点から、電気化学センサ素子、圧電センサ素子および光学センサ素子からなる群から選択される前記センサ素子を用いてもよい。

前記電気化学センサ素子としては、例えば、電気化学インピーダンス分光法（ＥＩＳ：Ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌ Ｉｍｐｅｄａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ）を利用したセンサ素子（以下、「ＥＩＳセンサ素子」ともいう。）および微分パルスボルタンメトリー（ＤＰＶ：Ｄｉｆｆｅｒｅｎｔｉａｌ Ｐｕｌｓｅ Ｖｏｌｔｍｍｅｔｒｙ）測定を利用したセンサ素子（以下、「ＤＰＶセンサ素子」ともいう。）等が挙げられる。

前記ＥＩＳセンサ素子を用いる場合、電極間に交流電圧を印加し、交流の周波数を変化させながらインピーダンスを測定する。測定したインピーダンスは、実数部を横軸、虚数部を縦軸としたグラフに曲線としてプロットする。このグラフは「ナイキスト線図」と呼ばれ、ナイキスト線図の曲線は、通常は半円を描く。ここで、センサ素子（の電極上）にアプタマーを固定化しておくと、アプタマーが検出対象分子と結合することで電荷移動抵抗が変化し、半円の直径が変化する。この直径の変化量から、検出対象分子の存在・量を把握・計算できる。

前記圧電センサ素子としては、例えば、水晶振動子マイクロバランス（ＱＣＭ：Ｑｕａｒｔｚ Ｃｒｙｓｔａｌ Ｍｉｃｒｏｂａｌａｎｃｅ）法を利用したセンサ素子（以下、「ＱＣＭセンサ素子」ともいう。）および膜型表面応力（ＭＳＳ：Ｍｅｍｂｒａｎｅ－ｔｙｐｅ Ｓｕｒｆａｃｅ Ｓｔｒｅｓｓ）センサ素子（以下、「ＭＳＳセンサ素子」ともいう。）等が挙げられる。

前記ＱＣＭセンサ素子を用いる場合、水晶の薄い板の両面に電極を設けて交流の電界を加えると、一定の周波数（共振周波数）の振動が発生する。斯かる素子を「水晶振動子」といい、共振周波数は、水晶振動子の電極上に付着した物質の質量によって変化する。ここで、センサ素子（の電極上）にアプタマーを固定化しておくと、アプタマーが検出対象分子と結合することで電極上の質量が変化し、共振周波数が変化する。この周波数変化から、検出対象分子の存在・量を把握・計算できる。

前記光学センサ素子としては、例えば、ナノ構造を形成するタンパク質を利用したセンサ素子等が挙げられる。

前記ナノ構造を形成するタンパク質を利用したセンサ素子を用いる場合、表面処理されたバクテリオファージ(ウイルス)を感応膜とし、金基板にコートされた素子を用い、ファージに香気成分が吸着されることでナノ構造に変化をもたらし色彩、すなわち赤色、青色、緑色の吸光度の変化としてとらえ検知する。

更に、測定器２００としては、例えば、電界効果トランジスタ（ＦＥＴ：Ｆｉｅｌｄ Ｅｆｆｅｃｔ Ｔｒａｎｓｉｓｔｏｒ）を含むものであってもよいし、光イオン化検出器（ＰＩＤ：Ｐｈｏｔｏ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）を含むものであってもよいし、相補型金属酸化物半導体（ＣＭＯＳ：Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）を含むものであってもよい。

前記予測対象について説明する。前記予測対象は、香りを発するものであれば如何なるものであってもよく、例えば、飲料、食品、香料および工業製品またはこれらの原料等が挙げられるが、好ましくは、出汁、出汁を用いて作った料理、または、出汁の原料である。

前記出汁は、出汁から抽出したエキス（だし汁）も含む。

前記出汁の前記原料は、固形分であってもよいし、固形分を加工してできる加工物であってもよい。前記固形分としては、例えば、鰹節、雑節、煮干し、および、あご等が挙げられる。前記加工物としては、例えば、花かつお、削り節、および、パウダー等が挙げられる。

ここで、前記予測対象について、化学的性質の観点から説明する。前記予測対象は、例えば、時間と共に変化しやすい成分を含んでいてもよい。時間と共に変化しやすい成分とは、具体的には、低沸点の成分、高揮発性の成分または低沸点かつ高揮発性の成分等であり、より具体的には、アミン類またはサルファイド類等の物質である。従来においては、このような時間変化の大きい成分の分析は困難であったが、本実施形態に係る品質予測装置１００によれば、このような時間変化の大きい成分の分析も可能である。

また、前記予測対象は、例えば、劣化により酸化臭を発生させる成分を含んでいてもよい。従来においては、酸化臭の定量観測は困難であったが、本実施形態に係る品質予測装置１００によれば、酸化臭の分析も可能である。

前記予測対象の前記香り成分を測定器２００に供する方法について説明する。前記予測対象の前記香り成分を測定器２００に供する方法は、特に制限されないが、例えば、アロマをセンサ部分に供するための送気システムおよびセンサの値を安定化するための前処理システムを用いて行うことができる。前記前処理システムについては、ジムロートと冷却水循環装置で構成される。送液ポンプ(日東工器社製：LV-125A)、マスフローコントローラー(コフロック社製)、フラスコ、ジムロートおよび測定器２００（アロマセンサ）をそれぞれテフロン（登録商標）チューブで接続したものをセンサシステムとすることができる。そして、前記予測対象を前記フラスコに入れ、既定の温度に加熱したホットプレート上で保温しながら、既定の流速で前記送液ポンプから空気を押し出すことで、測定器２００（アロマセンサ）に前記予測対象の香り成分を導入することができる。

前記測定値の性質および取得方法について説明する。前記測定値は、例えば、表面プラズモン共鳴法を用いて測定された値（ブランクに対する相対値）である。また、予測部１０２ｃでの予測に用いられる前記測定値は、例えば、１つの前記予測対象について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものである。

［２－２．ステップＳ２：算出処理］
算出部１０２ｂは、取得結果データ１０６ａに格納された前記測定値に基づいて、所定の解析ツール（例えば、Ｅｘｃｅｌ、ＪＭＰおよびＲ等）および所定の解析手法（例えばＰＣＡ）を用いて、算出値（例えば、ＰＣ１およびＰＣ２の値）を算出する（図２のステップＳ２：算出処理）。算出部１０２ｂは、当該算出した算出値を算出結果データ１０６ｂに格納する。

［２－３．ステップＳ３：予測処理］
予測部１０２ｃは、取得結果データ１０６ａに格納された前記測定値を用いて、前記予測対象の品質を予測するためのモデルに基づいて、前記予測対象の前記品質を予測する（図２のステップＳ３：予測処理）。または、予測部１０２ｃは、算出結果データ１０６ｂに格納された前記算出値を用いて、前記予測対象の品質を予測するための式に基づいて、前記予測対象の前記品質を予測する（図２のステップＳ３：予測処理）。

前記モデルは、例えば、構築部１０２ｅが構築してモデルデータ１０６ｄに格納したものである。前記モデルを用いて本実施形態に係る品質予測を行う場合の実施例を、以下の（３－２）に示す。

前記式は、例えば、前記測定値を多変量解析（例えば、ＰＣＡ）に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式である。前記式を用いて本実施形態に係る品質予測を行う場合の実施例を、以下の（３－１）に示す。前記式とは、具体的には、実施例の（３－１）に示す数式１である。

前記品質の前記予測とは、前記予測対象が「良品か非良品か」という予測であってもよいし、あるいはより細かく、前記予測対象が鰹節の場合、「生臭さ、燻煙香、肉質香および酸化臭がそれぞれどの程度か」という予測であってもよい。予測部１０２ｃは、予測した結果を予測結果として予測結果データ１０６ｃに格納する。

［２－４．ステップＳ４：表示処理］
表示部１０２ｄは、予測結果データ１０６ｃに格納された前記予測結果を表示する（図２のステップＳ４：表示処理）。これにより、オペレータ（例えば、鰹節の受け入れを担当する者）は、前記予測対象についての品質の予測結果を知ることができる。以上により、すべての処理が終了する（図２のエンド）。

［３．本実施形態のまとめ］
以上説明してきたように、本実施形態に係る品質予測装置１００によれば、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことが可能となる。これにより、例えば、鰹節の受け入れ時の審査を自動化・効率化することが可能となる。また、例えば、削りたての鰹節の品質トラブルを防止することができる。

ここで、従来における香りの分析手法、例えば、ガスクロマトグラフィー（ＧＳ）を用いた分析方法では、以下のような課題があった。

例えば、鰹節の香気成分をＧＳにより分析するという手法の場合、前処理として、鰹節を溶剤等により抽出する必要があるため、鰹節に含まれる香気成分（アミン類およびサルファイド類等の低沸点高揮発性の物質）のロスがあった。また、前処理の抽出に１時間程かかり、ＧＳ分析にも１時間程かかるため、多くのサンプルをさばけなかった。

別の例として、鰹節の香気成分をＧＳにより分析し、更に、人による香り評価（官能評価）も併せて行うという手法の場合、前段落で述べた問題に加えて、経験のある者（評価員等）でなければ官能評価を行えないという問題もあった。

これに対して、本実施形態に係る測定器２００（アロマセンサ）は、鰹節の香気成分をそのままアロマセンサに導入するため、香気成分のロスを最小限に抑えることができる。また、本実施形態に係る測定器２００（アロマセンサ）は、前処理時間がほぼなく、また、センサによる測定時間は１０分程度であるため、多くのサンプルをさばける。そして、本実施形態に係る測定器２００（アロマセンサ）を使用すれば、官能評価を行う必要がないため、経験のない者であっても、香気成分の分析を行うことができる。

要するに、本実施形態に係る測定器２００（アロマセンサ）によれば、従来は分析が難しかった香気成分も含めて、香気成分を迅速にかつ簡便に分析することができる。

［４．他の実施形態］
本発明は、上述した実施形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施形態にて実施されてよいものである。

例えば、実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。

また、本明細書中や図面中で示した処理手順、制御手順、具体的名称、各処理の登録データや検索条件等のパラメータを含む情報、画面例、データベース構成については、特記する場合を除いて任意に変更することができる。

また、品質予測装置１００に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。

例えば、品質予測装置１００が備える処理機能、特に制御部にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵおよび当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、本実施形態で説明した処理を情報処理装置に実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて品質予測装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶部などには、ＯＳと協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

また、このコンピュータプログラムは、品質予測装置１００に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。

また、本実施形態で説明した処理を実行するためのプログラムを、一時的でないコンピュータ読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）カード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（登録商標）（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、および、Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

また、「プログラム」とは、任意の言語または記述方法にて記述されたデータ処理方法であり、ソースコードまたはバイナリコード等の形式を問わない。なお、「プログラム」は必ずしも単一的に構成されるものに限られず、複数のモジュールやライブラリとして分散構成されるものや、ＯＳに代表される別個のプログラムと協働してその機能を達成するものをも含む。なお、実施形態に示した各装置において記録媒体を読み取るための具体的な構成および読み取り手順ならびに読み取り後のインストール手順等については、周知の構成や手順を用いることができる。

記憶部に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、および、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラム、テーブル、データベース、および、ウェブページ用ファイル等を格納する。

また、品質予測装置１００は、既知のパーソナルコンピュータまたはワークステーション等の情報処理装置として構成してもよく、また、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、品質予測装置１００は、当該装置に本実施形態で説明した処理を実現させるソフトウェア（プログラムまたはデータ等を含む）を実装することにより実現してもよい。

更に、装置の分散・統合の具体的形態は図示するものに限られず、その全部または一部を、各種の付加等に応じてまたは機能負荷に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。すなわち、上述した実施形態を任意に組み合わせて実施してもよく、実施形態を選択的に実施してもよい。

本実施例では、本実施形態に係る品質予測方法により、鰹節の品質判定が可能であることを確認した。

（１）使用したアロマセンサおよび測定原理
本実施例では、アロマセンサとして、Ｉ－ＰＥＸ社製のｎｏｓｅ＠ＭＥＭＳ（登録商標）を使用した。当該センサは、２０種の感応膜がセンサ素子の金属薄膜上に固定されており、計８種類のセンサ素子を使用することができ香気成分吸着により重量が変化する。この重量の変化を圧電素子で検出し信号として各々取得した。

（２）センサシステムの構築
アロマの検出にはセンサ部分のほかにアロマをセンサ部分に供するための前処理システムおよび送気システムが必要となる。前記前処理システムについては、センサの値を安定化するために、ジムロートと冷却水循環装置からなるものを構築した。送気システムはセンサ付随のポンプをフラスコにテフロン（登録商標）チューブで接続し、前記前処理システムを経て測定器２００（アロマセンサ）に導入した。

（３）サンプルの用意
酸化の度合いが異なる鰹節を部位ごとに準備し、これをサンプルとした。具体的には、酸化の度合いとして、レベル０（酸化されていない良品）からレベル３（酸化の度合いが最も強い不良品）までの４段階を用意した。酸化の度合いが強いほど、不良品としての度合いも強い。部位としては、血合肉(魚の背と腹の間に存在する赤色線維筋と呼ばれる部分)、節表面部(血合肉を除く表面部分)、普通肉(鰹節の肉に相当する部分)およびこれら３種の混合の４種を用意した。このため、サンプルとしては、酸化レベル４段階×鰹節４種＝１６種が用意されたこととなる。

そして、当該用意した１６種のサンプルを用いて、鰹節の品質判定を行った。以下の（３－１）では、ＰＣＡを用いた鰹節の品質判定について説明し、以下の（３－２）では、相性予測モデルを用いた鰹節の品質判定について説明する。

（３－１）ＰＣＡを用いた品質判定
（３）で用意した１６種のサンプルそれぞれをフラスコに入れ、既定の流速で前記ポンプから空気を押し出すことで（１L/min）、前記アロマセンサに鰹節の香気を導入した。前記アロマセンサの出力（測定値）が安定した段階で、１６０種センサ信号（＝２０種の感応膜×８種類のセンサ素子）それぞれについて、５秒間の測定値の平均値を取得した。

（３）で取得した測定値を、統計解析ソフト（ＪＭＰ、ＲおよびＥｘｃｅｌ）に供してＰＣＡを行った結果を、図４～図１５に示す。図４は、血合肉の教師データサンプルについての結果である。図５は、血合肉のテストデータサンプルについての結果である。図６は、図４の結果と図５の結果を併せて示した結果である。図７は、節表面部の教師データサンプルについての結果である。図８は、節表面部のテストデータサンプルについての結果である。図９は、図７の結果と図８の結果を併せて示した結果である。図１０は、普通肉の教師データサンプルについての結果である。図１１は、普通肉のテストデータサンプルについての結果である。図１２は、図１０の結果と図１１の結果を併せて示した結果である。図１３は、混合の教師データサンプルについての結果である。図１４は、混合のテストデータサンプルについての結果である。図１５は、図１３の結果と図１４の結果を併せて示した結果である。

図４～図１５において、１つのプロットは、各サンプルにつき１回測定した場合のＰＣ１（横軸）およびＰＣ２（縦軸）の組合せを意味している。図４～図１５において、丸で示すプロットは、酸化レベル０の良品サンプルに対応し、三角形で示すプロットは、酸化レベル１の非良品サンプルに対応し、四角形で示すプロットは、酸化レベル２の非良品サンプルに対応し、ひし形で示すプロットは、酸化レベル３の非良品サンプルに対応する。

図４～図１５に示すように（特に、教師データサンプルとテストデータサンプルを併せてプロットした結果を表示する図６、図９、図１２および図１５に示すように）、血合肉、節表面部、普通肉および混合のそれぞれについて、教師データとテストデータの間で、プロットは、酸化レベルが同じサンプル同士で固まっていることがわかった。言い換えると、例えば酸化レベル０のテストデータのプロットは、酸化レベル０～３の教師データのプロットのうち、酸化レベル０の教師データのプロットの近くに位置することがわかった。このことから、ＰＣＡを用いた鰹節の品質判定が可能であることがわかった。

ここで、ＰＣＡは、特徴量抽出の手法の一つで次元削減の目的で使われ、観測する対象データがどのグループに属するかを予測する手法である。グループを視覚的に明確に可視化する手法として図４～図１５のような２次元マッピングとして表現したが、テストデータが属する群がマッピングでは不明瞭なデータが含まれる可能性がある。この場合、以下のようにして、各群間のマハラノビス距離を算出することで、テストデータがどこの群に属するかを客観的な基準により判断することができる。

具体的には、ある郡上の一点の多変数ベクトル（ｘ１，ｘ２，・・・，ｘｐ）で表される時、群の変数毎の平均を縦ベクトルでμ＝（μ１，μ２，・・・，μｐ）^Ｔと表し、群の分散共分散行列がΣであるならば、ｘ＝（ｘ１，ｘ２，・・・，ｘｐ）^Ｔとするならば、その点の群に対するマハラノビス距離（Ｄ（ｘ））は、以下の数式１で定義される。

各郡の各データは、各郡へのマハラノビス距離が最も近い群に属すると判定可能である。例えばあるデータから、酸化レベル０の良品へのマハラノビス距離をＤ^２ ₀、酸化レベル１の非良品へのマハラノビス距離をＤ^２ ₁、酸化レベル２の非良品へのマハラノビス距離をＤ^２ ₂、酸化レベル３の非良品へのマハラノビス距離をＤ^２ ₃とし、あるテストデータがどの教師データに属するかを判断するためにマハラノビス距離を算出したところ、Ｄ^２ ₀＝0.024、Ｄ^２ ₁＝2.31、Ｄ^２ ₂＝5.96、Ｄ^２ ₃＝6.32となったとする。この場合、当該あるテストデータは、最も小さいマハラノビス距離を有する「良品」の群に属する可能性が高い。

（３－２）相性予測モデルを用いた鰹節の品質判定
次に、（３）で用意した１６種のサンプルの香気を評価員が嗅ぐことによる官能評価を実施した。具体的には、当該サンプルを対象として、生臭さ、燻煙香、肉質香および酸化臭のそれぞれについて、評価員が、１０ｃｍのラインスケール上に垂線を引き、０点からの距離（ｃｍ）を評点（点数）とすることにより、官能評価を実施した。評点（点数）は、「０」が「においがない」ことを意味し、逆に、「１０」が「匂いが非常に強い」ことを意味する。この結果を、図１６の「実測値」の列に示す。

一方で、（３）で用意した１６種のサンプルをフラスコに入れ、既定の流速で前記ポンプから空気を押し出すことで（１L/min）、前記アロマセンサに鰹節の香気を導入した。前記アロマセンサの出力（測定値）が安定した段階で、１６０種センサ信号（＝２０種の感応膜×８種類のセンサ素子）それぞれについて、１分間、計５回測定した測定値のピーク値を取得した。

続けて、前段落で取得した測定値と前々段落で取得した官能評価による点数とを紐付けた。例えば、測定値１６０個と、官能評価による点数４個からなる値を１セットとして紐付けたデータを組合せデータとした。このため、１６４個の値からなる組合せデータが、(鰹節の部位４種)×（酸化レベル４種）＝１６個作成されることとなる。当該作成した組合せデータを用いて、Ｒａｎｄｏｍ Ｆｏｒｅｓｔにより、相性予測モデルを構築した。

そして、当該構築した相性予測モデルの正確性を、以下のようにして検証した。すなわち、（３）で用意した１６種のサンプルを対象として、前々段落で取得した測定値を用いて、前段落で構築した相性予測モデルに基づいて、生臭さ、燻煙香、肉質香および酸化臭のそれぞれについて、０(においがない)～１０(非常に強い)という１１段階の評価を行った。この結果を、図１６の「予測値」の列に示す。なお、図１６の「誤差」の列における数値は、「予測値」の範囲を示している。

図１６に示すように、評価員が官能評価した結果である「実測値」と、構築した相性予測モデルを用いて評価した結果である「予測値」と、の間には、高い相関があることがわかった。具体的には、「実測値」と「予測値」の間の相関を示す相関係数が、生臭さについては0.877±0.094となり、燻煙香については0.970±0.018となり、肉質香については0.963±0.017となり、酸化臭については0.939±0.037となった。つまり、いずれの香りの指標についても、相関係数は高い値となった。このことから、機械学習により構築した相性予測モデルを用いた鰹節の品質判定が可能であることがわかった。

本発明は、例えば、食品、医療および工業製品等の分野において有用であるが、特に、食品の分野においては極めて有用である。

１００ 品質予測装置
１０２ 制御部
１０２ａ 取得部
１０２ｂ 算出部
１０２ｃ 予測部
１０２ｄ 表示部
１０２ｅ 構築部
１０４ 通信インターフェース部
１０６ 記憶部
１０６ａ 取得結果データ
１０６ｂ 算出結果データ
１０６ｃ 予測結果データ
１０６ｄ モデルデータ
１０８ 入出力インターフェース部
１１２ 入力装置
１１４ 出力装置
２００ 測定器
３００ ネットワーク

Claims (17)

1. 予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップ
   を含むこと、
   を特徴とする品質予測方法。
2. 前記測定される前記所定の情報は、前記測定器における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものであること、
   を特徴とする請求項１に記載の品質予測方法。
3. 前記測定される前記所定の情報が、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものであること、
   を特徴とする請求項２に記載の品質予測方法。
4. 前記重量の変化が、前記梁の振動周波数の変化として検出されるものであること、
   を特徴とする請求項３に記載の品質予測方法。
5. 前記振動周波数が、共振周波数であること、
   を特徴とする請求項４に記載の品質予測方法。
6. 前記予測に用いられる前記測定値は、１つの前記予測対象について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものであること、
   を特徴とする請求項１から５のいずれか一つに記載の品質予測方法。
7. 前記モデルが、機械学習の対象となる学習対象の香り成分が前記測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値と、人が前記学習対象の品質を評価した場合の結果と、に基づいて機械学習を用いて構築されたものであること、
   を特徴とする請求項１から６のいずれか一つに記載の品質予測方法。
8. 前記式が、前記測定値を多変量解析に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式であること、
   を特徴とする請求項１から７のいずれか一つに記載の品質予測方法。
9. 前記予測ステップにおいて、前記予測対象が良品か非良品かを予測すること、
   を特徴とする請求項１から８のいずれか一つに記載の品質予測方法。
10. 前記予測対象が、出汁、出汁を用いて作った料理、または、出汁の原料であること、
    を特徴とする請求項１から９のいずれか一つに記載の品質予測方法。
11. 前記原料が、鰹節であること、
    を特徴とする請求項１０に記載の品質予測方法。
12. 前記予測対象が、時間と共に変化しやすい成分を含んでいること、
    を特徴とする請求項１から１１のいずれか一つに記載の品質予測方法。
13. 前記時間と共に変化しやすい成分が、低沸点の成分、高揮発性の成分または低沸点かつ高揮発性の成分であること、
    を特徴とする請求項１２に記載の品質予測方法。
14. 前記時間と共に変化しやすい成分が、アミン類またはサルファイド類の物質であること、
    を特徴とする請求項１２または１３に記載の品質予測方法。
15. 前記予測対象が、劣化により酸化臭を発生させる成分を含んでいること、
    を特徴とする請求項１から１４のいずれか一つに記載の品質予測方法。
16. 制御部を備える品質予測装置であって、
    前記制御部は、
    予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段
    を備えること、
    を特徴とする品質予測装置。
17. 制御部を備える情報処理装置において実行させるための品質予測プログラムであって、
    前記制御部において実行させるための、
    予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップ
    を含むこと、
    を特徴とする品質予測プログラム。

Images