JP2023553222A - 炒飯の食味特性を速やかに定量評価する方法 - Google Patents
炒飯の食味特性を速やかに定量評価する方法 Download PDFInfo
- Publication number
- JP2023553222A JP2023553222A JP2022514241A JP2022514241A JP2023553222A JP 2023553222 A JP2023553222 A JP 2023553222A JP 2022514241 A JP2022514241 A JP 2022514241A JP 2022514241 A JP2022514241 A JP 2022514241A JP 2023553222 A JP2023553222 A JP 2023553222A
- Authority
- JP
- Japan
- Prior art keywords
- seasoning
- fried rice
- rice
- fried
- particle
- 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.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 383
- 235000009566 rice Nutrition 0.000 title claims abstract description 383
- 238000000034 method Methods 0.000 title claims abstract description 51
- 235000019640 taste Nutrition 0.000 title claims abstract description 51
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 382
- 235000011194 food seasoning agent Nutrition 0.000 claims abstract description 356
- 239000002245 particle Substances 0.000 claims abstract description 159
- 239000004615 ingredient Substances 0.000 claims abstract description 116
- 239000007788 liquid Substances 0.000 claims abstract description 97
- 230000003595 spectral effect Effects 0.000 claims abstract description 68
- 238000011002 quantification Methods 0.000 claims abstract description 36
- 239000002994 raw material Substances 0.000 claims abstract description 27
- 235000013305 food Nutrition 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 15
- 239000004278 EU approved seasoning Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 4
- 239000000796 flavoring agent Substances 0.000 claims description 61
- 235000019634 flavors Nutrition 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 56
- 230000035515 penetration Effects 0.000 claims description 47
- 238000010411 cooking Methods 0.000 claims description 42
- 235000013339 cereals Nutrition 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000010521 absorption reaction Methods 0.000 claims description 28
- 239000000523 sample Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 5
- 239000013074 reference sample Substances 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000011077 uniformity evaluation Methods 0.000 claims description 5
- 238000001764 infiltration Methods 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract 1
- 235000013555 soy sauce Nutrition 0.000 description 73
- 235000021438 curry Nutrition 0.000 description 68
- 244000000626 Daucus carota Species 0.000 description 42
- 235000002767 Daucus carota Nutrition 0.000 description 42
- 235000013580 sausages Nutrition 0.000 description 42
- 238000001514 detection method Methods 0.000 description 10
- 210000000697 sensory organ Anatomy 0.000 description 9
- 238000005064 physico chemical analysis method Methods 0.000 description 5
- 238000002848 electrochemical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G01N33/10—Starch-containing substances, e.g. dough
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F2101/00—Mixing characterised by the nature of the mixed materials or by the application field
- B01F2101/06—Mixing of food ingredients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Cereal-Derived Products (AREA)
- Image Analysis (AREA)
Abstract
Description
工程1で、m種の調味料液A_1、A_2、……、A_(m-1)、A_mを炒飯調理用調味料とし、n種の具材B_1、B_2、……、B_(n-1)、B_n及び米飯Dを炒飯調理用食材とし、第i種の調味料液A_iの基準濃度がC_A_iであり、第j種の具材B_jの単一粒子平均表面積がS_B_jであり、米飯Dの単一粒子平均表面積がS_Dであり、C_A_i、S_B_j、S_Dがいずれも正数であり、mとnがいずれも0より大きい整数であり、i∈[1,m]、j∈[1,n]であり、
工程2で、それぞれe部の炒飯食材組合を取り、炒飯食材組合1部当たりにN_B_j粒の第j種の具材B_j及びN_D粒の米飯Dを含み、それぞれe部の炒飯調味料液組合を取り、炒飯調味料液組合1部当たりに体積がV_A_imlの第i種の調味料液A_iを含み、且つ第k部の炒飯調味料液組合においてA_iの濃度がC_k_A_i=k*(C_A_i)/eであり、eが2より大きい整数であり、k∈[1,e]であり、N_B_j、N_Dがいずれも正整数であり、V_A_iが正数であり、
工程3で、調味料液濃度の昇順で、e部の炒飯調味料液組合、e部の炒飯食材組合から、1種の炒飯調味料液組合と1種の炒飯食材組合を組み合わせるように、炒飯を調理してe部の完成品炒飯を得、また、第k部の完成品炒飯には具材B_jとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分B_j&A_0&C_k、及び米飯Dとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分D&A_0&C_kを含み、
工程4で、ハイパースペクトル画像収集とスペクトル特徴抽出を行い、
i∈[1,m]、j∈[1,n]、k∈[1,e]とし、それぞれf1粒の炒飯成分B_j&A_0&C_k、D&A_0&C_kを取ってハイパースペクトル画像収集及びスペクトル特徴変数抽出を行って、調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得、且つ特徴変数G1_A_iによりそれぞれ第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kを抽出し、f1が正整数であり、
工程5で、第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_k及び調味料A_iの合計使用量(V_A_i)*k*(C_A_i)/eにより、未知数h_A_i、b_A_iを用いて調味料A_iの定量化モデルをy=F1_i(x)=x*h_A_i+b_A_iと仮定し、モデルを用いて調味料A_iの特徴値の和Sum_g1_A_i_kに基づいて算出された第k部の完成品炒飯調味料A_iの合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたA_i合計使用量(V_A_i)*k*(C_A_i)/eに等しいことに基づいて、未知数h_A_i、b_A_iを求めるための方程式(Sum_g1_A_i_k)*(h_A_i)+b_A_i=(V_A_i)*k*(C_A_i)/eを構築可能であり、kの値とし順に1、2……、e-1、eを取る時に、得られた連立方程式により未知数h_A_i、b_A_iを求めることができ、それによって未知数を含まない調味料A_iの定量化モデルy=F1_i(x)=x*h_A_i+b_A_iを得、モデルyが調味料A_iの濃度(単位表面積当たりに含まれる調味料の量)であり、xが調味料A_iの特徴変数G1_A_iであり、
更に、ステップ1において前記G1_A_iの抽出工程は、各炒飯成分粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯の全波長域スペクトル情報を得、主成分分析アルゴリズム(PCA)によりスペクトル特徴変数抽出を行って調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得るようになっており、
更に、ステップ1において前記第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kの抽出工程は、(1)m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分B_j&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりB_j&A_0&C_kに対応する平均特徴値g1_B_j&A_i&C_kを得、m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分D&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりD&A_0&C_kに対応する平均特徴値g1_D&A_i&C_kを得、(2)第k部の炒飯中の具材B_jの粒子数N_B_jと単一粒子平均表面積S_B_j、及び米飯Dの粒子数N_Dと単一粒子平均表面積S_Dにより、第k部の完成品炒飯中の調味料A_iの特徴値の和
工程1で、i∈[1,m]、j∈[1,n]とし、ステップ1の工程3で調理した第e部の炒飯からそれぞれf2粒の炒飯成分B_j&A_0&C_e、D&A_0&C_eを取ってd:1の割合でランダムに補正集合と予測集合に分け、且つそれらに対してハイパースペクトル画像収集及び原料種類スペクトル特徴変数G2_B&Dの抽出を行い、スペクトル特徴変数G2_B&Dによりそれぞれ補正集合中の具材B_jに対応するスペクトル特徴値g2_B_j_calと米飯Dに対応するスペクトル特徴値g2_D_cal、及び予測集合中の具材B_jに対応するスペクトル特徴値g2_B_j_preと米飯Dに対応するスペクトル特徴値g2_D_preを抽出し、d、f2が正整数であり、
工程2で、スペクトル特徴変数G2_B&Dを独立変数Xとし、炒飯原料種類を従属変数Yとし(基準値0で米飯Dを表し、基準値jで具材B_jを表す)、化学量論方法に基づいて炒飯原料種類認識モデルY=F2(X)を構築し、
更に、ステップ2において前記G2_B&Dの抽出方法は、各炒飯成分B_j&A_0&C_e、D&A_0&C_e粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯試料の全波長域スペクトル情報を得、逐次射影アルゴリズム(SPA)により選別して原料種類を表現するt個の特徴波長λに対応する反射強度を得て特徴変数G2_B&Dとするようになっている。
更に、ステップ2において前記g2_B_j_calは、補正集合中のh1個の粒子B_j&A_0&C_eの特徴波長λ(特徴波長個数がt)での反射強度が構成したh1×tのスペクトル特徴値行列であり、
前記g2_D_calは、補正集合中のh1個の粒子米飯D&A_0&C_eの特徴波長λ(特徴波長個数がt)での反射強度が構成したh1×tのスペクトル特徴値行列であり、同じ理由から、g2_B_j_preとg2_D_preは、予測集合中の対応する炒飯試料粒子の特徴波長λでの反射強度が構成したh1*1/d×tのスペクトル特徴値行列である。
更に、ステップ2において前記化学量論方法はサポートベクターマシン(SVM)である。
工程1で、ステップ1中の工程1に記載のm種の調味料液A_1、A_2、……、A_(m-1)、A_mを炒飯調理用調味料とし、n種の具材B_1、B_2、……、B_(n-1)、B_n及び米飯Dを炒飯調理用食材とし、第i種の調味料液A_iの濃度がC’_A_iであり、第j種の具材B_jの単一粒子表面積がS’_B_jであり、
米飯Dの単一粒子表面積がS’_Dであり、C’_A_i、S’_B_j、S’_D’がいずれも正数であり、
工程2で、体積がそれぞれV’_A_iのm種の調味料A_i、粒子数がそれぞれN’B_jのn種の具材B_j、及び粒子数がN’_Dの米飯Dから、ステップ1の工程3における調理プロセスによって炒飯を調理し、調理した炒飯の解れをし、粒子同士が分離した状態に広げて炒飯の
工程3で、当該ステップで具材B_jに対して成功的に認識した粒子数を記録するために変数R_B_jを設置し、当該ステップで米飯Dに対して成功的に認識した粒子数を記録するために変数R_Dを設置し、且つR_B_j、R_Dの初期値を0に設置し、pの値として順に1、2、……、N’-1、N’を取り、
まず、第p個の粒子の種類認識スペクトル特徴値g2’_B&D_pを炒飯原料種類認識モデルY=F2(X)に代入して、第p個の粒子の所属する炒飯原料種類Ypを得、
続いて、iの値として順に1、2、……、m-1、mを取り、Yp=0の時に、第p個の粒子が米飯Dと認識されたことを意味し、そのため米飯に対して成功的に認識した粒子数R_Dに1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_i_pを調味料A_i定量化モデルy=F1_i(x)に代入して、第R_D個の飯粒に対応する調味料A_iの相対的含有量y1&D&R_D&A_iを得、且つ米飯Dの単一粒子表面積S’_Dによりこの粒子に対応する調味料A_iの絶対的含有量y2&D&R_D&A_i=(y1&D&R_D&A_i)*S’_Dを得、
Yp=jの時に、第p個の粒子が具材B_jと認識されたことを意味し、そのため具材B_jに対して成功的に認識した粒子数R_B_jに1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_i_pを調味料A_i定量化モデルy=F1_i(x)に代入して、第R_B_j個の具材B_j粒子に対応する調味料A_iの相対的含有量y1&B_j&R_B_j&A_iを得、且つ具材B_jの単一粒子表面積S’_B_jによりこの粒子に対応する調味料A_iの絶対的含有量y2&B_j&R_B_j&A_i=(y1&B_j&R_B_j&A_i)*S’_B_jを得、
最後に、当該ステップの炒飯中のN’_B_j粒の具材B_j粒子Ujに対応する調味料A_iの相対的含有量y1&B_j&Uj&A_iと絶対的含有量y2&B_j&Uj&A_i、及びN’_D粒の米飯D粒子VDに対応する調味料A_iの相対的含有量y1&D&VD&A_iと絶対的含有量y2&D&VD&A_iを得、Uj∈[1,N’_B_j]、VD∈[1,N’_D]であり、
工程4で、炒飯食味特性の相対的味染み込み特性評価指標、絶対的味染み込み特性評価指標、均一性味染み込み特性評価指標を計算し、具体的な計算工程は以下の通りであり、
(1)調味料A_iの具材B_j、米飯Dでの相対的味染み込み評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの相対的味染み込み評価指標
第i種の調味料A_iの米飯Dでの相対的味染み込み評価指標
(2)調味料A_iの具材B_j、米飯Dでの絶対的味染み込み評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの絶対的味染み込み評価指標
第i種の調味料A_iの米飯Dでの絶対的味染み込み評価指標
(3)調味料A_iの具材B_j、米飯Dの粒子間での味染み込み均一性評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの味染み込み均一性評価指標
第i種の調味料A_iの米飯Dでの味染み込み均一性評価指標
第i種の調味料A_iの炒飯の異なる種類の食材での味染み込み均一性評価指標
工程5で、工程4において取得した味染み込み特性評価指標を基準試料の基準指標と比較することで、炒飯の味染み込み品質の評価を実現できる。
工程1で、m=2、n=2、C_A_1=90%、C_A_2=60%、S_B_1=6cm2、S_B_2=6cm2、S_D=0.5cm2とし、しょう油調味料液A_1、カレー調味料液A_2を炒飯調理用調味料とし、ソーセージB_1、ニンジンB_2、米飯Dを炒飯調理用食材とし、しょう油調味料液A_1の基準濃度が90%(体積百分率濃度)であり、カレー調味料液A_2の基準濃度が60%(体積百分率濃度)であり、ソーセージB_1の単一粒子平均表面積が6cm2であり、ニンジンB_2の単一粒子平均表面積が6cm2であり、米飯Dの単一粒子平均表面積が0.5cm2であり、
工程2で、e=3、V_A_1=10ml、V_A_2=10ml、N_B_1=50、N_B_2=50、N_D=1800とし、3部の炒飯食材組合を取り、炒飯食材組合1部当たりに50粒のソーセージB_1、50粒のニンジンB_2及び1800粒の米飯Dを含み、3部の調味料液組合を取り、第1部の調味料液組合に10mlの濃度がC_1_A_1=30%のしょう油調味料液A_1と10mlの濃度がC_1_A_2=20%のカレー調味料液A_2を含み、第2部の調味料液組合に10mlの濃度がC_2_A_1=60%のしょう油調味料液A_1と10mlの濃度がC_2_A_2=40%のカレー調味料液A_2を含み、第3部の調味料液組合に10mlの濃度がC_3_A_1=90%のしょう油調味料液A_1と10mlの濃度がC_3_A_2=60%のカレー調味料液A_2を含み、
工程3で、調味料液濃度の昇順で、3部の炒飯食材組合、3部の炒飯調味料液組合から、1種の炒飯食材組合と1種の炒飯調味料液組合を組み合わせるように、炒飯を調理して3部の完成品炒飯を得、第1部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_1_A_1=30%のしょう油調味料液A_1及び濃度C_1_A_2=20%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_1、B_2&A_0&C_1、D&A_0&C_1を含み、第2部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_2_A_1=60%のしょう油調味料液A_1及び濃度C_2_A_2=40%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_2、B_2&A_0&C_2、D&A_0&C_2を含み、第3部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_3_A_1=90%のしょう油調味料液A_1及び濃度C_3_A_2=60%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3を含み、
工程4で、ハイパースペクトル画像収集とスペクトル特徴抽出を行う。
それぞれ20粒の炒飯成分B_1&A_0&C_1、B_2&A_0&C_1、D&A_0&C_1、B_1&A_0&C_2、B_2&A_0&C_2、D&A_0&C_2、B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3を取ってハイパースペクトル画像収集を行い、各炒飯成分粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯の全波長域スペクトル情報を得、主成分分析アルゴリズム(PCA)によりスペクトル特徴変数抽出を行って調理後の炒飯中のしょう油調味料A_1の特徴変数G1_A_1、カレー調味料A_2の特徴変数G1_A_2を得、且つ特徴変数G1_A_1により、それぞれ3部の完成品炒飯におけるしょう油調味料A_1の濃度30%、60%、90%に対応する特徴値の和Sum_g1_A_1_1、Sum_g1_A_1_2、Sum_g1_A_1_3を抽出し、特徴変数G1_A_2により、それぞれ3部の完成品炒飯におけるカレー調味料A_2の濃度20%、40%、60%に対応する特徴値の和Sum_g1_A_2_1、Sum_g1_A_2_2、Sum_g1_A_2_3を抽出し、
前記第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_k(i=1、2;k=1、2、3)の抽出工程は、(1)工程4で取得されたスペクトルデータにより、20粒のソーセージ粒子B_1&A_0&C_kの平均スペクトル、20粒のニンジンB_1&A_0&C_kの平均スペクトル、20粒の米飯D&A_0&C_kの平均スペクトルを取得し、工程4で得られた調理後の炒飯中の調味料A_iの特徴変数G1_A_iにより、それぞれ炒飯成分B_1&A_0&C_k、B_2&A_0&C_k、D&A_0&C_kの特徴変数G1_A_iの対応する特徴値g1_B_1&A_i&C_k、g1_B_2&A_i&C_k、g1_D&A_i&C_kを抽出し、(2)n=2、S_B_1=6cm2、S_B_2=6cm2、S_D=0.5cm2、N_B_1=50、N_B_2=50、N_D=1800を
工程5で、第k部の完成品炒飯中のしょう油調味料A_1の特徴値の和Sum_g1_A_1_k及びしょう油調味料A_1の合計使用量(V_A_1)*k*(C_A_1)/e=3*kmlにより、未知数h_A_1、b_A_1を用いてしょう油調味料A_1の定量化モデルをy=F1_1(x)=x*h_A_1+b_A_1と仮定し、モデルを用いてしょう油調味料A_1の特徴値の和Sum_g1_A_1_kに基づいて算出された第k部の炒飯しょう油調味料A_1の合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたしょう油調味料A_1の合計使用量に等しいことに基づいて、未知数h_A_1、b_A_1を求めるための方程式(Sum_g1_A_1_k)*(h_A_1)+b_A_1=3*kを構築可能であり、kの値とし順に1、2、3を取る時に、得られた連立方程式により未知数h_A_1、b_A_1を求めることができ、それによって未知数を含まないしょう油調味料A_1の定量化モデルy=F1_1(x)=x*h_A_1+b_A_1を得、モデルyがしょう油調味料A_1の濃度(単位表面積当たりに含まれる調味料の量)であり、xがしょう油調味料A_1の特徴変数G1_A_1であり、
第k部の完成品炒飯中のカレー調味料A_2の特徴値の和Sum_g1_A_2_k及び調味料A_2の合計使用量(V_A_2)*k*(C_A_2)/e=2*kmlにより、未知数h_A_2、b_A_2を用いてカレー調味料A_2の定量化モデルをy=F1_2(x)=x*h_A_2+b_A_2と仮定し、モデルを用いてカレー調味料A_2の特徴値の和Sum_g1_A_2_kに基づいて算出された第k部の炒飯カレー調味料A_2の合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたカレー調味料A_2の合計使用量に等しいことに基づいて、未知数h_A_2、b_A_2を求めるための方程式(Sum_g1_A_2_k)*(h_A_2)+b_A_2=2*kを構築可能であり、kの値とし順に1、2、3を取る時に、得られた連立方程式により未知数h_A_2、b_A_2を求めることができ、それによって未知数を含まないカレー調味料A_2の定量化モデルy=F1_2(x)=x*h_A_2+b_A_2を得、モデルyがカレー調味料A_2の濃度(単位表面積当たりに含まれる調味料の量)であり、xがカレー調味料A_2の特徴変数G1_A_2である。
工程1で、ステップ1の工程3で調理した第3部の炒飯から、それぞれ40粒の炒飯成分B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3を取り、補正集合に30粒のソーセージB_1&A_0&C_3、30粒のニンジンB_2&A_0&C_3及び30粒の米飯D&A_0&C_3を含み、予測集合に10粒のソーセージB_1&A_0&C_3、10粒のニンジンB_2&A_0&C_3及び10粒の米飯D&A_0&C_3を含むように、3:1の割合でランダムに補正集合と予測集合に分け、且つそれらに対してハイパースペクトル画像収集を行い、各炒飯成分B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯試料の全波長域スペクトル情報を得、
逐次射影アルゴリズム(SPA)により選別して原料種類を表現するt個の特徴波長λに対応する反射強度を得て特徴変数G2_B&Dとし、補正集合中のソーセージ粒子B_1&A_0&C_3の特徴波長λ(特徴個数がt)での反射強度を抽出して30×tのスペクトル特徴値行列g2_B_1_calとし、ニンジン粒子B_2&A_0&C_3の特徴波長λ(特徴個数がt)での反射強度を30×tのスペクトル特徴値行列g2_B_2_calとし、米飯D&A_0&C_3の特徴波長λ(特徴個数がt)での反射強度を30×tのスペクトル特徴値行列g2_D_calとし、同じ理由から、予測集合中の対応する炒飯試料粒子の特徴波長λでの反射強度を抽出して、10×tのスペクトル特徴値行列g2_B_1_pre、g2_B_2_pre、g2_D_preを取得し、
工程2で、スペクトル特徴変数G2_B&Dを独立変数Xとし、炒飯原料種類を従属変数Yとし(基準値0で米飯Dを表し、基準値1でソーセージB_1を表し、基準値2でニンジンB_2を表す)、サポートベクターマシン(SVM)に基づいて炒飯原料種類認識モデルY=F2(X)を構築する。
工程1で、C’_A_1=50%、C’_A_2=40%、S’_B_1=5cm2、S’_B_2=5cm2、S’_D=0.6cm2とし、ステップ1中の工程1に記載のしょう油調味料液A_1、カレー調味料液A_2を炒飯調理用調味料とし、ソーセージB_1、ニンジンB_2、米飯Dを炒飯調理用食材とし、しょう油調味料液A_1の濃度が50%であり、カレー調味料液A_2の濃度が40%であり、色彩選別機を用いて単一粒子表面積が5cm2のソーセージB_1、ニンジンB_2及び単一粒子表面積が0.6cm2の米飯Dを選び出し、
工程2で、V’_A_1=V’_A_2=15ml、N’_B_1=N’_B_2=10、
N’_D=900とし、15mlのしょう油調味料液A_1、15mlのカレー調味料液A_2、10粒のソーセージB_1、10粒のニンジン及び900粒の米飯Dを一度に加えてステップ1の工程3における調理プロセスで炒飯を調理し、調理した炒飯の解れをし、粒子同士が分離した状態に広げて炒飯のN’=920個の粒子を得、ステップ1の工程4における方法でハイパースペクトル画像を収集し、しょう油調味料A_1の特徴変数G1_A_1により、炒飯中の第p個の粒子に対応するしょう油調味料A_1のスペクトル特徴値g1’_A_1_pを得、カレー調味料A_2の特徴変数G1_A_2により、カレー調味料A_2のスペクトル特徴値g1’_A_2_pを得、ステップ2の工程1における原料種類スペクトル特徴変数G2_B&Dにより、炒飯中の第p個の粒子に対応する種類認識スペクトル特徴値g2’_B&D_pを得、p∈[1,920]であり、
工程3で、当該ステップでソーセージB_1に対して成功的に認識した粒子数を記録するために変数R_B_1を設置し、当該ステップでニンジンB_2に対して成功的に認識した粒子数を記録するために変数R_B_2を設置し、当該ステップで米飯Dに対して成功的に認識した粒子数を記録するために変数R_Dを設置し、且つR_B_1、R_B_2、R_Dの初期値を0に設置し、pの値として順に1、2、……、919、920を取る。
まず、第p個の粒子の種類認識スペクトル特徴値g2’_B&D_pを炒飯原料種類認識モデルY=F2(X)に代入して、第p個の粒子の所属する炒飯原料種類Ypを得、
続いて、Yp=0の時に、第p個の粒子が米飯Dと認識されたことを意味し、そのため米飯に対して成功的に認識した粒子数R_Dに1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_1_pをしょう油調味料A_1定量化モデルy=F1_1(x)に代入して、第R_D個の飯粒に対応するしょう油調味料A_1の相対的含有量y1&D&R_D&A_1を得、第p個の粒子に対応するスペクトル特徴値g1’_A_2_pをカレー調味料A_2定量化モデルy=F1_2(x)に代入して、第R_D個の飯粒に対応するカレー調味料A_2の相対的含有量y1&D&R_D&A_2を得、且つ米飯Dの単一粒子表面積S’_D=0.6cm2によりこの粒子に対応するしょう油調味料A_1の絶対的含有量y2&D&R_D&A_1=(y1&D&R_D&A_1)*0.6、カレー調味料A_2の絶対的含有量y2&D&R_D&A_2=(y1&D&R_D&A_2)*0.6を得、
Yp=1の時に、第p個の粒子がソーセージB_1と認識されたことを意味し、そのためソーセージに対して成功的に認識した粒子数R_B_1に1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_1_pをしょう油調味料A_1定量化モデルy=F1_1(x)に代入して、第R_B_1個のソーセージ粒子に対応するしょう油調味料A_1の相対的含有量y1&B_1&R_B_1&A_1を得、第p個の粒子に対応するスペクトル特徴値g1’_A_2_pをカレー調味料A_2定量化モデルy=F1_2(x)に代入して、第R_B_1個のソーセージ粒子に対応するカレー調味料A_2の相対的含有量y1&B_1&R_B_1&A_2を得、且つソーセージB_1の単一粒子表面積S’_B_1=5cm2によりこの粒子に対応するしょう油調味料A_1の絶対的含有量y2&B_1&R_B_1&A_1=(y1&B_1&R_B_1&A_1)*5、カレー調味料A_2の絶対的含有量y2&B_1&R_B_1&A_2=(y1&B_1&R_B_1&A_2)*5を得、
Yp=2の時に、第p個の粒子がニンジンB_2と認識されたことを意味し、そのためニンジンに対して成功的に認識した粒子数R_B_2に1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_1_pをしょう油調味料A_1定量化モデルy=F1_1(x)に代入して、第R_B_2個のニンジン粒子に対応するしょう油調味料A_1の相対的含有量y1&B_2&R_B_2&A_1を得、第p個の粒子に対応するスペクトル特徴値g1’_A_2_pをカレー調味料A_2定量化モデルy=F1_2(x)に代入して、第R_B_2個のニンジン粒子に対応するカレー調味料A_2の相対的含有量y1&B_2&R_B_2&A_2を得、且つニンジンB_2の単一粒子表面積S’_B_2=5cm2によりこの粒子に対応するしょう油調味料A_1の絶対的含有量y2&B_2&R_B_2&A_1=(y1&B_2&R_B_2&A_1)*5、カレー調味料A_2の絶対的含有量y2&B_2&R_B_2&A_2=(y1&B_2&R_B_2&A_2)*5を得、
最後に、当該ステップの炒飯中のソーセージB_1粒子U1における対応するしょう油調味料A_1の相対的含有量y1&B_1&U1&A_1と絶対的含有量y2&B_1&U1&A_1、カレー調味料A_2の相対的含有量y1&B_1&U1&A_2と絶対的含有量y2&B_1&U1&A_2、ニンジンB_2粒子U2における対応するしょう油調味料A_1の相対的含有量y1&B_2&U2&A_1と絶対的含有量y2&B_2&U2&A_1、カレー調味料A_2の相対的含有量y1&B_2&U2&A_2と絶対的含有量y2&B_2&U2&A_2、米飯D粒子VDにおける対応するしょう油調味料A_1の相対的含有量y1&D&VD&A_1と絶対的含有量y2&D&VD&A_1、カレー調味料A_2の相対的含有量y1&D&VD&A_2と絶対的含有量y2&D&VD&A_2を得、U1、U2∈[1,10]、VD∈[1,900]であり、
前記炒飯粒子における対応する調味料A_iの相対的含有量は炒飯粒子における対応する調味料A_iの濃度(即ち、単位表面積当たりに含まれる調味料A_iの量)であり、絶対的含有量は炒飯粒子における対応する調味料A_iの総量であり、
工程4で、炒飯食味特性の相対的味染み込み特性評価指標、絶対的味染み込み特性評価指標、均一性味染み込み特性評価指標を計算し、具体的な計算工程は以下の通りであり、
(1)調味料A_iのソーセージB_1、ニンジンB_2、米飯Dでの相対的味染み込み評価指標の計算方法は以下の通りであり、
しょう油調味料A_1のソーセージB_1での相対的味染み込み評価指標
カレー調味料A_2のソーセージB_1での相対的味染み込み評価指標
しょう油調味料A_1のニンジンB_2での相対的味染み込み評価指標
カレー調味料A_2のニンジンB_2での相対的味染み込み評価指標
しょう油調味料A_1の米飯Dでの相対的味染み込み評価指標
カレー調味料A_2の米飯Dでの相対的味染み込み評価指標
(2)調味料A_iのソーセージB_1、ニンジンB_2、米飯Dでの絶対的味染み込み評価指標の計算方法は以下の通りであり、
しょう油調味料A_1のソーセージB_1での絶対的味染み込み評価指標
カレー調味料A_2のソーセージB_1での絶対的味染み込み評価指標
しょう油調味料A_1のニンジンB_2での絶対的味染み込み評価指標
カレー調味料A_2のニンジンB_2での絶対的味染み込み評価指標
しょう油調味料A_1の米飯Dでの絶対的味染み込み評価指標
カレー調味料A_2の米飯Dでの絶対的味染み込み評価指標
(3)調味料A_iのソーセージB_1、ニンジンB_2、米飯D粒子間での味染み込み均一性評価指標の計算方法は以下の通りであり、
しょう油調味料A_1のソーセージB_1での味染み込み均一性評価指標
カレー調味料A_2のソーセージB_1での味染み込み均一性評価指標
しょう油調味料A_1のニンジンB_2での味染み込み均一性評価指標
カレー調味料A_2のニンジンB_2での味染み込み均一性評価指標
しょう油調味料A_1の米飯Dでの味染み込み均一性評価指標
カレー調味料A_2の米飯Dでの味染み込み均一性評価指標
しょう油調味料A_1の炒飯の異なる種類の食材での味染み込み均一性評価指標
工程5で、初期において基準試料に基づいて感覚器官を用いて評価して炒飯の味染み込み評価基準指標を作成し、工程4で取得した味染み込み特性評価指標を基準指標と比較し、評価指標が基準指標に近いほど、炒飯の味染み込み品質が優れることを意味し、基準指標±10%以内であれば、その品質がよいと考えられる。
ここで、基準試料とは感覚器官評価と物理化学的分析方法に基づいて評価したところ、色、香り、味が全部そろっている高品質炒飯である。
工程1で、m種の調味料液A_1、A_2、……、A_(m-1)、A_mを炒飯調理用調味料とし、n種の具材B_1、B_2、……、B_(n-1)、B_n及び米飯Dを炒飯調理用食材とし、第i種の調味料液A_iの基準濃度がC_A_iであり、第j種の具材B_jの単一粒子平均表面積がS_B_jであり、米飯Dの単一粒子平均表面積がS_Dであり、C_A_i、S_B_j、S_Dがいずれも正数であり、mとnがいずれも0より大きい整数であり、i∈[1,m]、j∈[1,n]であり、
工程2で、それぞれe部の炒飯食材組合を取り、炒飯食材組合1部当たりにN_B_j粒の第j種の具材B_j及びN_D粒の米飯Dを含み、それぞれe部の炒飯調味料液組合を取り、炒飯調味料液組合1部当たりに体積がV_A_imlの第i種の調味料液A_iを含み、且つ第k部の炒飯調味料液組合において調味料液A_iの濃度がC_k_A_i=k*(C_A_i)/eであり、eが2より大きい整数であり、k∈[1,e]であり、N_B_j、N_Dがいずれも正整数であり、V_A_iが正数であり、
工程3で、調味料液濃度の昇順で、e部の炒飯調味料液組合、e部の炒飯食材組合から、1種の炒飯調味料液組合と1種の炒飯食材組合を組み合わせるように、炒飯を調理してe部の完成品炒飯を得、また、第k部の完成品炒飯には具材B_jとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分B_j&A_0&C_k、及び米飯Dとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分D&A_0&C_kを含み、
工程4で、ハイパースペクトル画像収集とスペクトル特徴抽出を行い、
i∈[1,m]、j∈[1,n]、k∈[1,e]とし、それぞれf1粒の炒飯成分B_j&A_0&C_k、D&A_0&C_kを取ってハイパースペクトル画像収集及びスペクトル特徴変数抽出を行って、調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得、且つ特徴変数G1_A_iによりそれぞれ第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kを抽出し、f1が正整数であり、
工程5で、第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_k及び調味料A_iの合計使用量(V_A_i)*k*(C_A_i)/eにより、未知数h_A_i、b_A_iを用いて調味料A_iの定量化モデルをy=F1_i(x)=x*h_A_i+b_A_iと仮定し、モデルを用いて調味料A_iの特徴値の和Sum_g1_A_i_kに基づいて算出された第k部の完成品炒飯調味料A_iの合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたA_i合計使用量(V_A_i)*k*(C_A_i)/eに等しいことに基づいて、未知数h_A_i、b_A_iを求めるための方程式(Sum_g1_A_i_k)*(h_A_i)+b_A_i=(V_A_i)*k*(C_A_i)/eを構築可能であり、kの値とし順に1、2……、e-1、eを取る時に、得られた連立方程式により未知数h_A_i、b_A_iを求めることができ、それによって未知数を含まない調味料A_iの定量化モデルy=F1_i(x)=x*h_A_i+b_A_iを得、yが調味料A_iの濃度(単位表面積当たりに含まれる調味料の量)であり、xが調味料A_iの特徴変数G1_A_iであり、
更に、ステップ1において前記G1_A_iの抽出工程は、各炒飯成分粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯の全波長域スペクトル情報を得、主成分分析アルゴリズム(PCA)によりスペクトル特徴変数抽出を行って調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得るようになっており、
更に、ステップ1において前記第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kの抽出工程は、(1)m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分B_j&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりB_j&A_0&C_kに対応する平均特徴値g1_B_j&A_i&C_kを得、m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分D&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりD&A_0&C_kに対応する平均特徴値g1_D&A_i&C_kを得、(2)第k部の炒飯中の具材B_jの粒子数N_B_jと単一粒子平均表面積S_B_j、及び米飯Dの粒子数N_Dと単一粒子平均表面積S_Dにより、第k部の完成品炒飯中の調味料A_iの特徴値の和
工程1で、m=2、n=2、C_A_1=90%、C_A_2=60%、S_B_1=6cm2、S_B_2=6cm2、S_D=0.5cm2とし、しょう油調味料液A_1、カレー調味料液A_2を炒飯調理用調味料とし、ソーセージB_1、ニンジンB_2、米飯Dを炒飯調理用食材とし、しょう油調味料液A_1の基準濃度が90%(体積百分率濃度)であり、カレー調味料液A_2の基準濃度が60%(体積百分率濃度)であり、ソーセージB_1の単一粒子平均表面積が6cm2であり、ニンジンB_2の単一粒子平均表面積が6cm2であり、米飯Dの単一粒子平均表面積が0.5cm2であり、
工程2で、e=3、V_A_1=10ml、V_A_2=10ml、N_B_1=50、N_B_2=50、N_D=1800とし、3部の炒飯食材組合を取り、炒飯食材組合1部当たりに50粒のソーセージB_1、50粒のニンジンB_2及び1800粒の米飯Dを含み、3部の調味料液組合を取り、第1部の調味料液組合に10mlの濃度がC_1_A_1=30%のしょう油調味料液A_1と10mlの濃度がC_1_A_2=20%のカレー調味料液A_2を含み、第2部の調味料液組合に10mlの濃度がC_2_A_1=60%のしょう油調味料液A_1と10mlの濃度がC_2_A_2=40%のカレー調味料液A_2を含み、第3部の調味料液組合に10mlの濃度がC_3_A_1=90%のしょう油調味料液A_1と10mlの濃度がC_3_A_2=60%のカレー調味料液A_2を含み、
工程3で、調味料液濃度の昇順で、3部の炒飯食材組合、3部の炒飯調味料液組合から、1種の炒飯食材組合と1種の炒飯調味料液組合を組み合わせるように、炒飯を調理して3部の完成品炒飯を得、第1部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_1_A_1=30%のしょう油調味料液A_1及び濃度C_1_A_2=20%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_1、B_2&A_0&C_1、D&A_0&C_1を含み、第2部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_2_A_1=60%のしょう油調味料液A_1及び濃度C_2_A_2=40%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_2、B_2&A_0&C_2、D&A_0&C_2を含み、第3部の炒飯にはソーセージB_1、ニンジンB_2、米飯D、濃度C_3_A_1=90%のしょう油調味料液A_1及び濃度C_3_A_2=60%のカレー調味料液A_2を炊いた後の炒飯成分B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3を含み、
工程4で、ハイパースペクトル画像収集とスペクトル特徴抽出を行う。
それぞれ20粒の炒飯成分B_1&A_0&C_1、B_2&A_0&C_1、D&A_0&C_1、B_1&A_0&C_2、B_2&A_0&C_2、D&A_0&C_2、B_1&A_0&C_3、B_2&A_0&C_3、D&A_0&C_3を取ってハイパースペクトル画像収集を行い、各炒飯成分粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯の全波長域スペクトル情報を得、主成分分析アルゴリズム(PCA)によりスペクトル特徴変数抽出を行って調理後の炒飯中のしょう油調味料A_1の特徴変数G1_A_1、カレー調味料A_2の特徴変数G1_A_2を得、且つ特徴変数G1_A_1により、それぞれ3部の完成品炒飯におけるしょう油調味料A_1の濃度30%、60%、90%に対応する特徴値の和Sum_g1_A_1_1、Sum_g1_A_1_2、Sum_g1_A_1_3を抽出し、特徴変数G1_A_2により、それぞれ3部の完成品炒飯におけるカレー調味料A_2の濃度20%、40%、60%に対応する特徴値の和Sum_g1_A_2_1、Sum_g1_A_2_2、Sum_g1_A_2_3を抽出し、
前記第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_k(i=1、2;k=1、2、3)の抽出工程は、(1)工程4で取得されたスペクトルデータにより、20粒のソーセージ粒子B_1&A_0&C_kの平均スペクトル、20粒のニンジンB_1&A_0&C_kの平均スペクトル、20粒の米飯D&A_0&C_kの平均スペクトルを取得し、工程4で得られた調理後の炒飯中の調味料A_iの特徴変数G1_A_iにより、それぞれ炒飯成分B_1&A_0&C_k、B_2&A_0&C_k、D&A_0&C_kの特徴変数G1_A_iの対応する特徴値g1_B_1&A_i&C_k、g1_B_2&A_i&C_k、g1_D&A_i&C_kを抽出し、(2)n=2、S_B_1=6cm2、S_B_2=6cm2、S_D=0.5cm2、N_B_1=50、N_B_2=50、N_D=1800を
工程5で、第k部の完成品炒飯中のしょう油調味料A_1の特徴値の和Sum_g1_A_1_k及びしょう油調味料A_1の合計使用量(V_A_1)*k*(C_A_1)/e=3*kmlにより、未知数h_A_1、b_A_1を用いてしょう油調味料A_1の定量化モデルをy=F1_1(x)=x*h_A_1+b_A_1と仮定し、モデルを用いてしょう油調味料A_1の特徴値の和Sum_g1_A_1_kに基づいて算出された第k部の炒飯しょう油調味料A_1の合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたしょう油調味料A_1の合計使用量に等しいことに基づいて、未知数h_A_1、b_A_1を求めるための方程式(Sum_g1_A_1_k)*(h_A_1)+b_A_1=3*kを構築可能であり、kの値とし順に1、2、3を取る時に、得られた連立方程式により未知数h_A_1、b_A_1を求めることができ、それによって未知数を含まないしょう油調味料A_1の定量化モデルy=F1_1(x)=x*h_A_1+b_A_1を得、yがしょう油調味料A_1の濃度(単位表面積当たりに含まれる調味料の量)であり、xがしょう油調味料A_1の特徴変数G1_A_1であり、
第k部の完成品炒飯中のカレー調味料A_2の特徴値の和Sum_g1_A_2_k及び調味料A_2の合計使用量(V_A_2)*k*(C_A_2)/e=2*kmlにより、未知数h_A_2、b_A_2を用いてカレー調味料A_2の定量化モデルをy=F1_2(x)=x*h_A_2+b_A_2と仮定し、モデルを用いてカレー調味料A_2の特徴値の和Sum_g1_A_2_kに基づいて算出された第k部の炒飯カレー調味料A_2の合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたカレー調味料A_2の合計使用量に等しいことに基づいて、未知数h_A_2、b_A_2を求めるための方程式(Sum_g1_A_2_k)*(h_A_2)+b_A_2=2*kを構築可能であり、kの値とし順に1、2、3を取る時に、得られた連立方程式により未知数h_A_2、b_A_2を求めることができ、それによって未知数を含まないカレー調味料A_2の定量化モデルy=F1_2(x)=x*h_A_2+b_A_2を得、yがカレー調味料A_2の濃度(単位表面積当たりに含まれる調味料の量)であり、xがカレー調味料A_2の特徴変数G1_A_2である。
Claims (6)
- 下記のステップで行い、
ステップ1で、前記炒飯調味料定量化モデルの構築は、下記の工程を含み、
工程1で、m種の調味料液A_1、A_2、……、A_(m-1)、A_mを炒飯調理用調味料とし、n種の具材B_1、B_2、……、B_(n-1)、B_n及び米飯Dを炒飯調理用食材とし、第i種の調味料液A_iの基準濃度がC_A_iであり、第j種の具材B_jの単一粒子平均表面積がS_B_jであり、米飯Dの単一粒子平均表面積がS_Dであり、C_A_i、S_B_j、S_Dがいずれも正数であり、mとnがいずれも0より大きい整数であり、i∈[1,m]、j∈[1,n]であり、
工程2で、それぞれe部の炒飯食材組合を取り、炒飯食材組合1部当たりにN_B_j粒の第j種の具材B_j及びN_D粒の米飯Dを含み、それぞれe部の炒飯調味料液組合を取り、炒飯調味料液組合1部当たりに体積がV_A_imlの第i種の調味料液A_iを含み、且つ第k部の炒飯調味料液組合においてA_iの濃度がC_k_A_i=k*(C_A_i)/eであり、eが2より大きい整数であり、k∈[1,e]であり、N_B_j、N_Dがいずれも正整数であり、V_A_iが正数であり、
工程3で、調味料液濃度の昇順で、e部の炒飯調味料液組合、e部の炒飯食材組合から、1種の炒飯調味料液組合と1種の炒飯食材組合を組み合わせるように、炒飯を調理してe部の完成品炒飯を得、また、第k部の完成品炒飯には具材B_jとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分B_j&A_0&C_k、及び米飯Dとm種の濃度がC_k_A_iの調味料液A_iを炊いた後の炒飯成分D&A_0&C_kを含み、
工程4で、ハイパースペクトル画像収集とスペクトル特徴抽出を行い、
i∈[1,m]、j∈[1,n]、k∈[1,e]とし、それぞれf1粒の炒飯成分B_j&A_0&C_k、D&A_0&C_kを取ってハイパースペクトル画像収集及びスペクトル特徴変数抽出を行って、調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得、且つ特徴変数G1_A_iによりそれぞれ第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kを抽出し、f1が正整数であり、
工程5で、第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_k及び調味料A_iの合計使用量(V_A_i)*k*(C_A_i)/eにより、未知数h_A_i、b_A_iを用いて調味料A_iの定量化モデルをy=F1_i(x)=x*h_A_i+b_A_iと仮定し、モデルを用いて調味料A_iの特徴値の和Sum_g1_A_i_kに基づいて算出された第k部の完成品炒飯調味料A_iの合計使用量が当該ステップの工程2における第k部の炒飯の炒め時に加えられたA_i合計使用量(V_A_i)*k*(C_A_i)/eに等しいことに基づいて、未知数h_A_i、b_A_iを求めるための方程式(Sum_g1_A_i_k)*(h_A_i)+b_A_i=(V_A_i)*k*(C_A_i)/eを構築可能であり、kの値とし順に1、2……、e-1、eを取る時に、得られた連立方程式により未知数h_A_i、b_A_iを求めることができ、それによって未知数を含まない調味料A_iの定量化モデルy=F1_i(x)=x*h_A_i+b_A_iを得、モデルyが調味料A_iの濃度であり、xが調味料A_iの特徴変数G1_A_iであり、
ステップ2で、前記炒飯原料種類認識モデルの構築は、下記の工程を含み、
工程1で、i∈[1,m]、j∈[1,n]とし、ステップ1の工程3で調理した第e部の炒飯からそれぞれf2粒の炒飯成分B_j&A_0&C_e、D&A_0&C_eを取ってd:1の割合でランダムに補正集合と予測集合に分け、且つそれらに対してハイパースペクトル画像収集及び原料種類スペクトル特徴変数G2_B&Dの抽出を行い、スペクトル特徴変数G2_B&Dによりそれぞれ補正集合中の具材B_jに対応するスペクトル特徴値g2_B_j_calと米飯Dに対応するスペクトル特徴値g2_D_cal、及び予測集合中の具材B_jに対応するスペクトル特徴値g2_B_j_preと米飯Dに対応するスペクトル特徴値g2_D_preを抽出し、d、f2が正整数であり、
工程2で、スペクトル特徴変数G2_B&Dを独立変数Xとし、炒飯原料種類を従属変数Yとし、基準値0で米飯Dを表し、基準値jで具材B_jを表し、化学量論方法に基づいて炒飯原料種類認識モデルY=F2(X)を構築し、
ステップ3で、前記炒飯食味特性の定量表現は、下記の工程を含み、
工程1で、ステップ1中の工程1に記載のm種の調味料液A_1、A_2、……、A_(m-1)、A_mを炒飯調理用調味料とし、n種の具材B_1、B_2、……、B_(n-1)、B_n及び米飯Dを炒飯調理用食材とし、第i種の調味料液A_iの濃度がC’_A_iであり、第j種の具材B_jの単一粒子表面積がS’_B_jであり、米飯Dの単一粒子表面積がS’_Dであり、C’_A_i、S’_B_j、S’_Dがいずれも正数であり、
工程2で、体積がそれぞれV’_A_iのm種の調味料A_i、粒子数がそれぞれN’_B_jのn種の具材B_j、及び粒子数がN’_Dの米飯Dから、ステップ1の工程3における調理プロセスによって炒飯を調理し、調理した炒飯の解れをし、粒子同士が分離した状態に広げて炒飯の
工程3で、当該ステップで具材B_jに対して成功的に認識される粒子数を記録するために変数R_B_jを設置し、当該ステップで米飯Dに対して成功的に認識される粒子数を記録するために変数R_Dを設置し、且つR_B_j、R_Dの初期値を0に設置し、pの値として順に1、2、……、N’-1、N’を取り、
まず、第p個の粒子の種類認識スペクトル特徴値g2’_B&D_pを炒飯原料種類認識モデルY=F2(X)に代入して、第p個の粒子の所属する炒飯原料種類Ypを得、
続いて、iの値として順に1、2、……、m-1、mを取り、Yp=0の時に、第p個の粒子が米飯Dと認識されたことを意味し、そのため米飯に対して成功的に認識した粒子数R_Dに1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_i_pを調味料A_i定量化モデルy=F1_i(x)に代入して、第R_D個の飯粒に対応する調味料A_iの相対的含有量y1&D&R_D&A_iを得、且つ米飯Dの単一粒子表面積S’_Dによりこの粒子に対応する調味料A_iの絶対的含有量y2&D&R_D&A_i=(y1&D&R_D&A_i)*S’_Dを得、
Yp=jの時に、第p個の粒子が具材B_jと認識されたことを意味し、そのため具材B_jに対して成功的に認識した粒子数R_B_jに1増加し、第p個の粒子に対応するスペクトル特徴値g1’_A_i_pを調味料A_i定量化モデルy=F1_i(x)に代入して、第R_B_j個の具材B_j粒子に対応する調味料A_iの相対的含有量y1&B_j&R_B_j&A_iを得、且つ具材B_jの単一粒子表面積S’_B_jによりこの粒子に対応する調味料A_iの絶対的含有量y2&B_j&R_B_j&A_i=(y1&B_j&R_B_j&A_i)*S’_B_jを得、
最後に、当該ステップの炒飯中のN’_B_j粒の具材B_j粒子Ujに対応する調味料A_iの相対的含有量y1&B_j&Uj&A_iと絶対的含有量y2&B_j&Uj&A_i、及び
粒の米飯D粒子VDに対応する調味料A_iの相対的含有量y1&D&VD&A_iと絶対的含有量y2&D&VD&A_iを得、Uj∈[1,N’_B_j]、VD∈[1,N’_D]であり、
工程4で、炒飯食味特性の相対的味染み込み特性評価指標、絶対的味染み込み特性評価指標、均一性味染み込み特性評価指標を計算し、具体的な計算工程は以下の通りであり、
(1)調味料A_iの具材B_j、米飯Dでの相対的味染み込み評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの相対的味染み込み評価指標
第i種の調味料A_iの米飯Dでの相対的味染み込み評価指標
(2)調味料A_iの具材B_j、米飯Dでの絶対的味染み込み評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの絶対的味染み込み評価指標
第i種の調味料A_iの米飯Dでの絶対的味染み込み評価指標
(3)調味料A_iの具材B_j、米飯Dの粒子間での味染み込み均一性評価指標の計算方法は以下の通りであり、
第i種の調味料A_iの第j種の具材B_jでの味染み込み均一性評価指標
第i種の調味料A_iの米飯Dでの味染み込み均一性評価指標
第i種の調味料A_iの炒飯の異なる種類の食材での味染み込み均一性評価指標
- ステップ1において前記G1_A_iの抽出工程は、各炒飯成分粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯の全波長域スペクトル情報を得、主成分分析アルゴリズムによりスペクトル特徴変数抽出を行って調理後の炒飯中の第i種の調味料A_iの特徴変数G1_A_iを得るようになっていることを特徴とする請求項1に記載の炒飯の食味特性を速やかに定量評価する方法。
- ステップ1において前記第k部の完成品炒飯中の調味料A_iの特徴値の和Sum_g1_A_i_kの抽出工程は、(1)m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分B_j&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりB_j&A_0&C_kに対応する平均特徴値g1_B_j&A_i&C_kを得、m種の濃度がC_k_A_i=k*(C_A_i)/eの調味料液A_iを添加した炒飯成分D&A_0&C_k f1粒に対応する平均スペクトルを抽出し、調味料A_iの特徴変数G1_A_iによりD&A_0&C_kに対応する平均特徴値g1_D&A_i&C_kを得、(2)第k部の炒飯中の具材B_jの粒子数N_B_jと単一粒子平均表面積S_B_j、及び米飯Dの粒子数N_Dと単一粒子平均表面積S_Dにより、第k部の完成品炒飯中の調味料A_iの特徴値の和
- ステップ2において前記G2_B&Dの抽出方法は、各炒飯成分B_j&A_0&C_e、D&A_0&C_e粒子をそれぞれ関心領域とし、各関心領域の平均スペクトルをこのサンプルのスペクトルデータとして炒飯試料の全波長域スペクトル情報を得、逐次射影アルゴリズムにより選別して原料種類を表現するt個の特徴波長λに対応する反射強度を得て特徴変数G2_B&Dとするようになっていることを特徴とする請求項1に記載の炒飯の食味特性を速やかに定量評価する方法。
- ステップ2において前記g2_B_j_calは、補正集合中のh1個の粒子B_j&A_0&C_eの特徴波長λでの反射強度が構成したh1×tのスペクトル特徴値行列であり、特徴波長の個数がtであり、
前記g2_D_calは、補正集合中のh1個の粒子米飯D&A_0&C_eの特徴波長λでの反射強度が構成したh1×tのスペクトル特徴値行列であり、tが特徴波長の個数であり、同じ理由から、g2_B_j_preとg2_D_preは、予測集合中の対応する炒飯試料粒子の特徴波長λでの反射強度が構成したh1*1/d×tのスペクトル特徴値行列であることを特徴とする請求項1に記載の炒飯の食味特性を速やかに定量評価する方法。 - ステップ2において前記化学量論方法はサポートベクターマシンであることを特徴とする請求項1に記載の炒飯の食味特性を速やかに定量評価する方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403368.9 | 2021-11-24 | ||
CN202111403368.9A CN114220501A (zh) | 2021-11-24 | 2021-11-24 | 炒饭食味特性的快速定量评价方法 |
PCT/CN2021/135904 WO2023092647A1 (zh) | 2021-11-24 | 2021-12-07 | 炒饭食味特性的快速定量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023553222A true JP2023553222A (ja) | 2023-12-21 |
JP7498982B2 JP7498982B2 (ja) | 2024-06-13 |
Family
ID=80698115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022514241A Active JP7498982B2 (ja) | 2021-11-24 | 2021-12-07 | 炒飯の食味特性を速やかに定量評価する方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230187030A1 (ja) |
JP (1) | JP7498982B2 (ja) |
CN (1) | CN114220501A (ja) |
WO (1) | WO2023092647A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220501A (zh) * | 2021-11-24 | 2022-03-22 | 江苏大学 | 炒饭食味特性的快速定量评价方法 |
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 |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0640069B2 (ja) * | 1989-04-30 | 1994-05-25 | 株式会社ニレコ | 近赤外線による食味値推定方法 |
US5464981A (en) * | 1993-05-17 | 1995-11-07 | Simco/Ramic Corporation | Methods of separating selected items from a mixture including raisins and the selected items |
JP2000266742A (ja) | 1999-03-15 | 2000-09-29 | Tokyo Gas Co Ltd | 炊飯米の食味評価方法及び装置 |
WO2002084262A2 (en) * | 2001-04-13 | 2002-10-24 | Cargill, Incorporated | Processes for evaluating agricultural and/or food materials; applications; and, products |
DE602005024119D1 (de) * | 2004-03-05 | 2010-11-25 | Prima Meat Packers Ltd | Verfahren zum allergennachweis |
US7805066B2 (en) * | 2007-12-24 | 2010-09-28 | Microsoft Corporation | System for guided photography based on image capturing device rendered user recommendations according to embodiments |
JP2011221637A (ja) * | 2010-04-06 | 2011-11-04 | Sony Corp | 情報処理装置、情報出力方法及びプログラム |
US20140220217A1 (en) * | 2011-07-12 | 2014-08-07 | Maraxi, Inc. | Method and compositions for consumables |
US11754542B2 (en) * | 2012-06-14 | 2023-09-12 | Medibotics Llc | System for nutritional monitoring and management |
US9442100B2 (en) * | 2013-12-18 | 2016-09-13 | Medibotics Llc | Caloric intake measuring system using spectroscopic and 3D imaging analysis |
US10458845B2 (en) * | 2012-06-14 | 2019-10-29 | Medibotics Llc | Mobile device for food identification an quantification using spectroscopy and imaging |
JP6142526B2 (ja) * | 2012-12-27 | 2017-06-07 | セイコーエプソン株式会社 | 食品分析装置 |
US20160165935A1 (en) * | 2013-07-17 | 2016-06-16 | Commonwealth Scientific And Industrial Research Organisation | System and method for formulating a foodstuff |
US9659225B2 (en) * | 2014-02-12 | 2017-05-23 | Microsoft Technology Licensing, Llc | Restaurant-specific food logging from images |
US20150302160A1 (en) * | 2014-04-21 | 2015-10-22 | The Board of Regents of the NV Sys of Higher Edu, Las Vegas NV on Behalf of the Univ of NV Las Vega | Method and Apparatus for Monitoring Diet and Activity |
US9916520B2 (en) * | 2014-09-03 | 2018-03-13 | Sri International | Automated food recognition and nutritional estimation with a personal mobile electronic device |
US20190011383A1 (en) * | 2015-05-26 | 2019-01-10 | Aspect Ai Ltd. | Apparatus and method for quality detection of a processed product |
US10969316B2 (en) * | 2015-09-24 | 2021-04-06 | Frito-Lay North America, Inc. | Quantitative in-situ texture measurement apparatus and method |
US10070661B2 (en) * | 2015-09-24 | 2018-09-11 | Frito-Lay North America, Inc. | Feedback control of food texture system and method |
US10998087B2 (en) * | 2016-08-25 | 2021-05-04 | The Government of the United States of Amercia as represented by the Secretary of Homeland Security | Systems and methodologies for desigining simulant compounds |
US11808771B2 (en) * | 2017-01-25 | 2023-11-07 | Corteva Agriscience Llc | Methods and systems for selective quantitation and detection of allergens including Gly m 7 |
CN110366731B (zh) * | 2017-03-07 | 2023-06-30 | 索尼公司 | 用于指导膳食的图像捕获的系统、方法和存储介质 |
EP3593282A1 (en) * | 2017-03-07 | 2020-01-15 | Sony Corporation | System, method and computer program |
WO2019102400A1 (en) | 2017-11-22 | 2019-05-31 | Cti Srl | System and process for the recognition, characterization and classification of foods and nutrients in foods |
KR102143700B1 (ko) * | 2017-12-08 | 2020-08-12 | 한양대학교 에리카산학협력단 | 식품 정보 관리 장치 및 식품 정보 관리 방법 |
US10776856B2 (en) * | 2018-01-25 | 2020-09-15 | Kraft Foods Group Brands Llc | Method and system for improving food-related personalization |
EP3537119B1 (de) * | 2018-03-06 | 2022-09-28 | Vorwerk & Co. Interholding GmbH | System mit einem speisenzubereitungsgerät und einem spektrometer |
US20190295440A1 (en) * | 2018-03-23 | 2019-09-26 | Nutrino Health Ltd. | Systems and methods for food analysis, personalized recommendations and health management |
US10832094B2 (en) * | 2018-04-10 | 2020-11-10 | International Business Machines Corporation | Generating hyperspectral image database by machine learning and mapping of color images to hyperspectral domain |
JP2020181491A (ja) * | 2019-04-26 | 2020-11-05 | ソフトバンクグループ株式会社 | システム、プログラム、及び方法 |
CN110320162B (zh) * | 2019-05-20 | 2021-04-23 | 广东省智能制造研究所 | 一种基于生成对抗网络的半监督高光谱数据定量分析方法 |
CN110179319A (zh) * | 2019-05-20 | 2019-08-30 | 梁志鹏 | 一种智能烹饪的方法及装置 |
US11976972B2 (en) * | 2019-05-21 | 2024-05-07 | Ohio State Innovation Foundation | Portable spectrometer system and methods for determining nutritional and quality traits |
US10993465B2 (en) * | 2019-08-08 | 2021-05-04 | NotCo Delaware, LLC | Method of classifying flavors |
CN111007040B (zh) * | 2019-12-27 | 2020-10-23 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
US10957424B1 (en) * | 2020-08-10 | 2021-03-23 | NotCo Delaware, LLC | Neural network method of generating food formulas |
TWI778789B (zh) * | 2021-09-14 | 2022-09-21 | 華新麗華股份有限公司 | 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品 |
CN114220501A (zh) * | 2021-11-24 | 2022-03-22 | 江苏大学 | 炒饭食味特性的快速定量评价方法 |
-
2021
- 2021-11-24 CN CN202111403368.9A patent/CN114220501A/zh active Pending
- 2021-12-07 WO PCT/CN2021/135904 patent/WO2023092647A1/zh active Application Filing
- 2021-12-07 JP JP2022514241A patent/JP7498982B2/ja active Active
- 2021-12-07 US US17/907,963 patent/US20230187030A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023092647A1 (zh) | 2023-06-01 |
CN114220501A (zh) | 2022-03-22 |
US20230187030A1 (en) | 2023-06-15 |
JP7498982B2 (ja) | 2024-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esteki et al. | Use of spectroscopic methods in combination with linear discriminant analysis for authentication of food products | |
Barbosa et al. | Correlation between the composition of green Arabica coffee beans and the sensory quality of coffee brews | |
JP7498982B2 (ja) | 炒飯の食味特性を速やかに定量評価する方法 | |
CN104502320B (zh) | 一种三维荧光光谱结合pca‑svm鉴别浓香型白酒的方法 | |
Pu et al. | Hierarchical variable selection for predicting chemical constituents in lamb meats using hyperspectral imaging | |
CN102435713B (zh) | 中药品质自动检测系统 | |
CN108960315B (zh) | 一种调理肉制品品质智能评价系统及方法 | |
CN107860740A (zh) | 一种基于近红外光谱技术的红茶发酵品质的评价方法 | |
Jiang et al. | A novel data fusion strategy based on multiple intelligent sensory technologies and its application in the quality evaluation of Jinhua dry-cured hams | |
Ji et al. | Recent advances and application of machine learning in food flavor prediction and regulation | |
Guo et al. | Classification of traditional Chinese pork bacon based on physicochemical properties and chemometric techniques | |
Yuan et al. | Selecting key wavelengths of hyperspectral imagine for nondestructive classification of moldy peanuts using ensemble classifier | |
Xu et al. | Recent trends of multi-source and non-destructive information for quality authentication of herbs and spices | |
Dias et al. | Monovarietal extra-virgin olive oil classification: A fusion of human sensory attributes and an electronic tongue | |
Liu et al. | Near-infrared prediction of edible oil frying times based on Bayesian Ridge Regression | |
CN110702656A (zh) | 一种基于三维荧光光谱技术的植物油农药残留检测方法 | |
Ke et al. | Non-destructive determination of volatile oil and moisture content and discrimination of geographical origins of Zanthoxylum bungeanum Maxim. by hyperspectral imaging | |
CN109325626A (zh) | 基于苹果原料指标预测干制品综合品质的方法 | |
Manley et al. | Applications: food science | |
Xu | Electronic eye for food sensory evaluation | |
Jin et al. | Uncovering the differences in flavor volatiles of different colored foxtail millets based on gas chromatography-ion migration spectrometry and chemometrics | |
Park et al. | Application of UV-Vis-NIR and FTIR spectroscopy coupled with chemometrics for quality prediction of katsuobushi based on the number of smoking treatments | |
Adam | Sensory and Instrumental Methods of Meat Evaluation: A Review | |
Alcayde et al. | Quality monitoring system for pork meat using computer vision | |
JP7118311B2 (ja) | リピート購買力の予測装置、リピート購買力の予測方法及びその改善方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220302 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220302 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220302 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231121 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240220 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240527 |