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
本発明は、食品加工の技術分野に属するものであり、具体的には、炒飯の食味特性を損なわなく速やかに定量化する方法に関するものである。炒飯調味料定量化モデルの構築、炒飯原料種類認識モデルの構築、炒飯食味特性の定量表現といった３ステップを含む。スペクトル信号の調味料液含有量変化に対する敏感性により調味料定量化モデルを構築し、完成品炒飯中の調味料総量が炒飯の炒め工程で加えられた調味料の総量に等しいという特徴により、調味料定量化モデルの肝心なパラメータの解析方程式を構築し、方程式を解く方式で調味料定量化モデルを速やかに構築することを実現した。また、本発明は、炒飯粒子のスペクトル特徴を一つ一つ取得し、構築した調味料定量化モデル及び炒飯原料種類認識モデルに基づいて単一粒子の炒飯原料における異なる種類の調味料の含有量を速やかに検出することによって、炒飯食味特性の定量評価指標及びその計算方法を提案して、炒飯の食味特性を研究、最適化するために新しい技術的解決手段を提供する。【選択図】なし
Description
本発明は、食品加工の技術分野に関し、具体的には、炒飯の食味特性を損なわなく速やかに定量化する方法に関する。
炒飯は、米飯、具材、調味料を炒めて作られた美食であり、栄養を含み、美味しくて、種類が多様であり、便利に作れる等の特徴がある。一般の炒飯調理工程においては、特定熟度の米飯と様々な具材を組み合わせて炒めると同時に、異なる風味の調味料を加えて味を付ける。高品質の炒飯や特色のある炒飯は、色、香り、味、形のいずれに対しても高い要求があり、そのうち、味は消費者が炒飯を喫食する時の感じに与える影響が最も大きくて、炒飯品質のレベルを定め、炒飯に特色を与える決め手となっている。しかしながら、炒飯は完成品成分が複雑であるだけでなく、粒径が小さく、形が多様である。従って、炒飯の食味特性をいかにして定量検出するかは、高品質炒飯を評価、製作する場合の肝心なことである。
従来の食味特性評価方法としては、主に人工感覚器官方法、物理化学的分析方法及び無損失検出方法がある。人工感覚器官方法は、主に人間の感覚器官で製品の特性や性質を感知し、食味特性の評価が実現できる。人工感覚器官方法による食味特性評価に関しては、発明特許ＣＮ１１２９８６５０６Ａには感覚器官で米の食味品質を評価する方法が開示されている。しかしながら、人工感覚器官方法は、主観性が強く、検出精度が低い等の欠点があって、炒飯の食味特性を客観的に正確に評価することが困難である。物理化学的分析方法は、物理、化学等の分析手段によって食品の味、風味に関連する成分に対して定性分析、定量分析することで、食品の食味特性を判断できる（例えば、特許ＣＮ１１３１３８２５７Ａ）。しかしながら、物理化学的分析方法は、検出コストが高く、検出工程に時間がかかり、操作者に対する要求が高く、炒飯の食味特性を速やかにオンラインで検出することが困難である。無損失検出方法は、試料の元の状態を破壊せずに、光電等の無損失検出信号と食品食味特徴成分との間の関連性により、食品風味成分の定性と定量検出モデルを構築することで、食品食味特徴を損なわなく速やかに検出することができ、例えば、分光方法（ＣＮ１１１００７０４０Ａ）及び電気化学方法（ＣＮ１０８０３７２５６Ｂ）に基づく食味特性評価方法等が挙げられる。しかしながら、従来の無損失検出方法は、主に試料の食味特性成分含有量の検出に用いられ、炒飯等の複雑な食品における異なる食材の味染み込み能力、味付け成分の分布状況等を精確に分析することが困難であることに加えて、一般の食味成分無損失検出モデルに対応するモデル化工程にはモデル化基準値を提供するために大量の物理化学実験が必要になり、モデルを速やかに構築し効率的にメンテナンスすることに不利である。
従来の技術的解決手段の欠点を克服するために、本発明は、ハイパースペクトル画像信号が炒飯調味料含有量に敏感な特性により、無損失方式によって炒飯完成品における飯粒と具材粒子への調味料の染み込み状況を速やかに感知して、炒飯の食味特性を損なわなく速やかに定量化する方法を提供する。
本発明の目的は、炒飯調味料定量化モデルの構築、炒飯原料種類認識モデルの構築、炒飯食味特性の定量表現といった３ステップを含むことを特徴とする、炒飯の食味特性を損なわなく速やかに定量化する方法を提供することである。
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（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
を得るようになっている。
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
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、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。
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
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、調味料Ａ＿ｉの特徴変数Ｇ１＿Ａ＿ｉにより、炒飯中の第ｐ個の粒子に対応する調味料Ａ＿ｉのスペクトル特徴値ｇ１’＿Ａ＿ｉ＿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，Ｎ’］であり、
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
は、具材Ｂ＿ｊの調味料Ａ＿ｉに対する吸収能力を表すためのものであり、
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
は、米飯Ｄの調味料Ａ＿ｉに対する吸収能力を表すためのものであり、
（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
は、単一粒子具材Ｂ＿ｊの調味料Ａ＿ｉに対する吸収総量を表すためのものであり、
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
は、単一粒子米飯Ｄの調味料Ａ＿ｉに対する吸収総量を表すためのものであり、
（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
は、具材Ｂ＿ｊの異なる粒子間での調味料Ａ＿ｉ含有量の差を表し、
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
は、米飯Ｄの異なる粒子間での調味料Ａ＿ｉ含有量の差を表し、
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
は、異なる食材種類間での調味料Ａ＿ｉ平均含有量の差を表し、
である。
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、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。
前記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り、また、基準試料は異なる地域に喜ばれる味に応じて調整して、異なる地域に応じた基準試料に細かく分けて地元の慣れる味に適応させることが可能である。
本発明は、スペクトル信号の調味料液含有量変化に対する敏感性により調味料定量化モデルを構築し、完成品炒飯中の調味料総量が炒飯の炒め工程で加えられた調味料の総量に等しいという特徴により、調味料定量化モデルの肝心なパラメータの解析方程式を構築し、方程式を解く方式で調味料定量化モデルを速やかに構築することを実現した。また、本発明は、炒飯粒子のスペクトル特徴を一つ一つ取得し、構築した調味料定量化モデル及び炒飯原料種類認識モデルに基づいて単一粒子の炒飯原料における異なる種類の調味料の含有量を速やかに検出することによって、炒飯食味特性の定量評価指標及びその計算方法を提案して、炒飯の食味特性を研究、最適化するために新しい技術的解決手段を提供する。
以下、いくつかの具体的な実施例を参照しながら本発明を更に詳細に説明するが、本発明の保護範囲はこれらの実施例に限定されるものではない。
炒飯調味料定量化モデルの構築、炒飯原料種類認識モデルの構築、炒飯食味特性の定量表現といった３ステップを含むことを特徴とする、炒飯の食味特性を損なわなく速やかに定量化する方法である。
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＝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
Ｓｕｍ＿ｇ１＿Ａ＿ｉ＿ｋ＝３００＊ｇ１＿Ｂ＿１＆Ａ＿ｉ＆Ｃ＿ｋ＋３００＊ｇ１＿Ｂ＿２＆Ａ＿ｉ＆Ｃ＿ｋ＋９００＊ｇ１＿Ｄ＆Ａ＿ｉ＆Ｃ＿ｋを得るようになっており、
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、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。
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、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、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。
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、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
ソーセージＢ＿１のしょう油調味料Ａ＿１に対する吸収能力を表すためのものであり、
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
ソーセージＢ＿１のカレー調味料Ａ＿２に対する吸収能力を表すためのものであり、
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
ニンジンＢ＿２のしょう油調味料Ａ＿１に対する吸収能力を表すためのものであり、
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
ニンジンＢ＿２のカレー調味料Ａ＿２に対する吸収能力を表すためのものであり、
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
米飯Ｄのしょう油調味料Ａ＿１に対する吸収能力を表すためのものであり、
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
米飯Ｄのカレー調味料Ａ＿２に対する吸収能力を表すためのものであり、
（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
ソーセージＢ＿１粒子のしょう油調味料Ａ＿１に対する吸収総量を表すためのものであり、
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
ソーセージＢ＿１粒子のカレー調味料Ａ＿２に対する吸収総量を表すためのものであり、
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
ニンジンＢ＿２粒子のしょう油調味料Ａ＿１に対する吸収総量を表すためのものであり、
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
ニンジンＢ＿２粒子のカレー調味料Ａ＿２に対する吸収総量を表すためのものであり、
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
米飯Ｄ粒子のしょう油調味料Ａ＿１に対する吸収総量を表すためのものであり、
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
米飯Ｄ粒子のカレー調味料Ａ＿２に対する吸収総量を表すためのものであり、
（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
ソーセージＢ＿１の異なる粒子間でのしょう油調味料Ａ＿１含有量の差を表し、
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
ソーセージＢ＿１の異なる粒子間でのカレー調味料Ａ＿２含有量の差を表し、
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
ニンジンＢ＿２の異なる粒子間でのしょう油調味料Ａ＿１含有量の差を表し、
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
ニンジンＢ＿２の異なる粒子間でのカレー調味料Ａ＿２含有量の差を表し、
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
米飯Ｄの異なる粒子間でのしょう油調味料Ａ＿１含有量の差を表し、
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
米飯Ｄの異なる粒子間でのカレー調味料Ａ＿２含有量の差を表し、
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
は、異なる食材種類間でのしょう油調味料Ａ＿１平均含有量の差を表し、
カレー調味料Ａ＿２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
は、異なる食材種類間でのカレー調味料Ａ＿２平均含有量の差を表し、
である。
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、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。
本発明の目的は、炒飯調味料定量化検出モデルの構築、炒飯原料種類認識モデルの構築、炒飯食味特性の定量表現といった３ステップを含むことを特徴とする、炒飯の食味特性を損なわなく速やかに定量化する方法を提供することである。
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
を得るようになっている。
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
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＝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
Ｓｕｍ＿ｇ１＿Ａ＿ｉ＿ｋ＝３００＊ｇ１＿Ｂ＿１＆Ａ＿ｉ＆Ｃ＿ｋ＋３００＊ｇ１＿Ｂ＿２＆Ａ＿ｉ＆Ｃ＿ｋ＋９００＊ｇ１＿Ｄ＆Ａ＿ｉ＆Ｃ＿ｋを得るようになっており、
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。
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 |