JP6324741B2 - 食感評価システム、食感評価プログラム、記録媒体および食感評価方法 - Google Patents
食感評価システム、食感評価プログラム、記録媒体および食感評価方法 Download PDFInfo
- Publication number
- JP6324741B2 JP6324741B2 JP2014014763A JP2014014763A JP6324741B2 JP 6324741 B2 JP6324741 B2 JP 6324741B2 JP 2014014763 A JP2014014763 A JP 2014014763A JP 2014014763 A JP2014014763 A JP 2014014763A JP 6324741 B2 JP6324741 B2 JP 6324741B2
- Authority
- JP
- Japan
- Prior art keywords
- texture
- feature
- sample
- pressure distribution
- vector
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims description 92
- 235000013305 food Nutrition 0.000 claims description 129
- 239000013598 vector Substances 0.000 claims description 99
- 238000009826 distribution Methods 0.000 claims description 95
- 238000003825 pressing Methods 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 2
- 235000015110 jellies Nutrition 0.000 description 79
- 239000008274 jelly Substances 0.000 description 76
- 208000010392 Bone Fractures Diseases 0.000 description 35
- 206010017076 Fracture Diseases 0.000 description 35
- 230000001953 sensory effect Effects 0.000 description 32
- 230000006835 compression Effects 0.000 description 31
- 238000007906 compression Methods 0.000 description 31
- 239000011159 matrix material Substances 0.000 description 27
- 239000000499 gel Substances 0.000 description 23
- 230000004044 response Effects 0.000 description 19
- 238000013210 evaluation model Methods 0.000 description 16
- 210000000214 mouth Anatomy 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 230000003938 response to stress Effects 0.000 description 12
- 238000000611 regression analysis Methods 0.000 description 11
- 238000000513 principal component analysis Methods 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 7
- 238000003756 stirring Methods 0.000 description 7
- 230000036962 time dependent Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000003349 gelling agent Substances 0.000 description 6
- 210000003800 pharynx Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 229920002148 Gellan gum Polymers 0.000 description 4
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 4
- 235000010418 carrageenan Nutrition 0.000 description 4
- 229920001525 carrageenan Polymers 0.000 description 4
- 239000000216 gellan gum Substances 0.000 description 4
- 235000010492 gellan gum Nutrition 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- VMBCEJXTYHMTMM-UHFFFAOYSA-N F.F.I Chemical compound F.F.I VMBCEJXTYHMTMM-UHFFFAOYSA-N 0.000 description 3
- 229930006000 Sucrose Natural products 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- MKJXYGKVIBWPFZ-UHFFFAOYSA-L calcium lactate Chemical compound [Ca+2].CC(O)C([O-])=O.CC(O)C([O-])=O MKJXYGKVIBWPFZ-UHFFFAOYSA-L 0.000 description 3
- 229960002401 calcium lactate Drugs 0.000 description 3
- 239000001527 calcium lactate Substances 0.000 description 3
- 235000011086 calcium lactate Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000005720 sucrose Substances 0.000 description 3
- 230000009747 swallowing Effects 0.000 description 3
- 229920001817 Agar Polymers 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- ZNOZWUKQPJXOIG-XSBHQQIPSA-L [(2r,3s,4r,5r,6s)-6-[[(1r,3s,4r,5r,8s)-3,4-dihydroxy-2,6-dioxabicyclo[3.2.1]octan-8-yl]oxy]-4-[[(1r,3r,4r,5r,8s)-8-[(2s,3r,4r,5r,6r)-3,4-dihydroxy-6-(hydroxymethyl)-5-sulfonatooxyoxan-2-yl]oxy-4-hydroxy-2,6-dioxabicyclo[3.2.1]octan-3-yl]oxy]-5-hydroxy-2-( Chemical compound O[C@@H]1[C@@H](O)[C@@H](OS([O-])(=O)=O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H]2OC[C@H]1O[C@H](O[C@H]1[C@H]([C@@H](CO)O[C@@H](O[C@@H]3[C@@H]4OC[C@H]3O[C@H](O)[C@@H]4O)[C@@H]1O)OS([O-])(=O)=O)[C@@H]2O ZNOZWUKQPJXOIG-XSBHQQIPSA-L 0.000 description 2
- 239000008272 agar Substances 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000001879 gelation Methods 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 235000011837 pasties Nutrition 0.000 description 2
- 229920001282 polysaccharide Polymers 0.000 description 2
- 239000005017 polysaccharide Substances 0.000 description 2
- 239000001103 potassium chloride Substances 0.000 description 2
- 235000011164 potassium chloride Nutrition 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000008719 thickening Effects 0.000 description 2
- 206010010214 Compression fracture Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerol Natural products OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000519695 Ilex integra Species 0.000 description 1
- 229920000057 Mannan Polymers 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 239000000679 carrageenan Substances 0.000 description 1
- 229940113118 carrageenan Drugs 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 235000019864 coconut oil Nutrition 0.000 description 1
- 239000003240 coconut oil Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000003599 food sweetener Nutrition 0.000 description 1
- -1 glycerin fatty acid ester Chemical class 0.000 description 1
- 235000011187 glycerol Nutrition 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000019659 mouth feeling Nutrition 0.000 description 1
- 210000002200 mouth mucosa Anatomy 0.000 description 1
- 210000003254 palate Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000011962 puddings Nutrition 0.000 description 1
- 235000020183 skimmed milk Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003765 sweetening agent Substances 0.000 description 1
- UHVMMEOXYDMDKI-JKYCWFKZSA-L zinc;1-(5-cyanopyridin-2-yl)-3-[(1s,2s)-2-(6-fluoro-2-hydroxy-3-propanoylphenyl)cyclopropyl]urea;diacetate Chemical compound [Zn+2].CC([O-])=O.CC([O-])=O.CCC(=O)C1=CC=C(F)C([C@H]2[C@H](C2)NC(=O)NC=2N=CC(=CC=2)C#N)=C1O UHVMMEOXYDMDKI-JKYCWFKZSA-L 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Description
本発明は、食品の食感評価技術に関するものであり、特に、ゲル状食品の表面的印象の評価技術に関する。
高齢者や障害者向けに、舌と口蓋で押しつぶして摂食すること（舌式摂食）が可能な介護食ゼリーなどのゲル状食品や、ミキサー食、おかゆなどのペースト状食品が開発されている。このようなゲル状、ペースト状食品においては、摂食・嚥下の安全性と“おいしさ”が高次元で両立することが望まれる。“おいしさ”は、味や臭いといった食品の化学特性のみでなく、食品の力学特性、すなわち摂食・嚥下過程における食品の力応答と形態変化に起因したテクスチャ（舌触り、口溶け、喉越し、など）にも強く依存する。
従来、テクスチャはヒトの感覚特性に基づく官能評価によって定義されている。官能評価は、ヒトの感覚がそのまま数値化されるというメリットがあるが、再現性の高い評価のためには、訓練された評価者（パネル）を数多く養成する必要があり、コストと時間がかかる。
そこで、力学試験機を用いて食感を評価する技術が提案されている（例えば、特許文献１〜３、非特許文献１）。特許文献１に記載の技術では、食品を押圧して破断曲線を取得し、該破断曲線のパワースペクトルの所望周波数領域上での特定ピークを供試食品の食感評価値として算出する。特許文献２に記載の技術では、押圧中の荷重及び歪率を連続的に測定し、荷重及び歪率の値を基に、歪率−荷重曲線における極大値に到達する以前の曲線部分の変曲点における接線の傾きを食品咀嚼時における食品の硬さを表す指標としている。また、非特許文献１に記載の技術では、食品の押圧を２回繰り返し、最大応力、負の応力などから「かたさ」、「付着性」、「凝集性（まとまり感）」といった食感を評価している（テクスチャープロファイルアナリシス：ＴＰＡ）。さらに、特許文献３に記載の技術では、可視光から赤外線領域の特定波長領域の光を用いる分光分析計測システムによって、ゲル形成性食品の品質（成分や物性）を判定している。
Bourne, M. C. 2002. Food Texture and Viscosity 2nd Edition. 182-184 pages. Academic Press, New York
しかしながら、特許文献１および２に記載の技術によって得られる食感の指標は、単に食品の「かたさ」（機械的特性）を表わしているにすぎない。また、非特許文献１に記載の技術によって得られる「付着性」や「凝集性」などの指標も、口腔内で感じる「付着感」や「まとまり感」とは異なって評価されることが多い。また、特許文献３に記載の技術によって判定される食感も、主に「かたさ」に起因するものである。
食品全体の印象は、従来技術である押圧試験における応力応答特性との対応付けが比較的容易であるが、「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」、「べたつき感」などの表面的印象については、舌表面、口腔粘膜、咽頭などの触感分布に依存するものであり、単に応力応答を観測するだけでは、これと官能評価を結びつけることは困難であった。特に、ゲル状食品の食感は、どの程度の圧力や歪を加えたときに破断するかだけでなく、破断したあとどの様な形状を取っているか、破片がどのように流動していくか、さらに、それぞれの破片がどのような力応答を示すかによって大きく異なる。また、食品の「口どけ感」は、口腔内における食品の温度変化による食品の粘弾性の変化の影響を受けやすく、一定温度における応力応答の観測結果は官能評価と相関しないことが多い。そのため従来技術では、ゲル状食品の表面的印象を評価することが難しかった。
本発明は、上記問題を解決するためになされたものであって、幾何学的特性に強く依存した表面的印象の客観的・数値的な評価が可能な食感評価システムおよび方法の提供を目的とする。
上記課題を解決するため、本発明に係る食感評価システムは、試料を押圧する押圧装置と、前記試料の押圧時に前記試料から受ける圧力分布の経時的変化を計測する計測装置と、前記圧力分布から得られた特徴量に基づいて前記試料の食感を評価する食感評価手段とを備えることを特徴とする。また、本発明に係る食感評価方法は、試料を押圧する押圧ステップと、前記試料の押圧時に前記試料から受ける圧力分布の経時的変化を計測する計測ステップと、前記圧力分布に基づいて前記試料の食感を評価する食感評価ステップとを有することを特徴とする。
上記構成では、試料の破断前（圧縮フェーズ）および破断後（破断フェーズ）の両方のフェーズの圧力分布を用いて、試料の食感が評価される。よって、ゲル状もしくはペースト状食品の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」、「べたつき感」といった表面的印象の客観的・数値的な評価が可能となる。
また、破断フェーズ終了後から５〜１０秒間のフェーズ（保持フェーズ）の圧力分布のデータを加えることにより、ゲル状もしくはペースト状食品の「口溶け感」の客観的・数値的な評価が可能となる。このとき押圧装置のうち、食感の評価対象物である試料と接触する一部もしくは全部の温度を人の体温付近に調節するとさらに評価精度が向上する。
また、上記食感評価システムにおいて、前記計測装置は、前記圧力分布を示す複数フレームの画像情報を前記食感評価手段に出力し、前記食感評価手段は、各フレームの前記画像情報から、空間濃度レベル依存法を用いてテクスチャ特徴量を抽出する特徴量抽出手段と、前記テクスチャ特徴量に基づいて、前記特徴量である特徴量ベクトルを算出する特徴量ベクトル算出手段と、前記特徴量ベクトルから主成分ベクトルを算出する主成分ベクトル算出手段と、前記主成分ベクトルから食感の評価結果を示す推定印象レベルを算出する推定印象レベル算出手段とを有することを特徴とする。
また、上記食感評価システムは、前記押圧装置の前記試料と接する一部もしくは全体を２５℃から４０℃に調整する機構を有することを特徴とする。
また、上記食感評価システムにおいて、前記推定印象レベル算出手段は、推定式（１）に基づいて前記推定印象レベルを算出することを特徴とする。
また、上記食感評価システムにおいて、前記推定式（１）は、あらかじめ官能評価され印象レベルが定まった基準食品に対し、前記押圧装置による押圧、前記計測装置による前記圧力分布の経時的変化の計測、前記特徴量抽出手段による前記テクスチャ特徴量の抽出、前記特徴量ベクトル算出手段による前記特徴量ベクトルの算出、及び、前記主成分ベクトル算出手段による前記主成分ベクトルの算出を行い、さらに、前記主成分ベクトルと印象レベルとの関係を表す重回帰モデルを作成することによって得られることを特徴とする。
また、上記食感評価システムの各手段としてコンピュータを動作させるための食感評価プログラム、及び、当該食感評価プログラムを記録したコンピュータ読み取り可能な記録媒体も、本発明の技術的範囲に含まれる。
本発明によれば、従来の力学測定等による食感評価技術では評価できなかった表面的印象の客観的・数値的な評価が可能となる。そのため、本発明は、食べ易いだけでなく好ましい食感をもつゲル状食品の開発に有用である。
以下、本発明の実施形態一例について添付図面を参照して説明する。
（装置構成）
図１は、本発明の一実施形態に係る食感評価システム１の概略図である。食感評価システム１は、押圧装置２、圧力分布センサ３および制御ＰＣ４を備えている。
図１は、本発明の一実施形態に係る食感評価システム１の概略図である。食感評価システム１は、押圧装置２、圧力分布センサ３および制御ＰＣ４を備えている。
押圧装置２は、食感の評価対象物である試料５を押圧するための装置であり、２つのプレート２１・２２、リニアスライダ２３およびロードセル２４を備えている。下側のプレート２１は、押圧装置２が設置される土台に固定されている。プレート２１の上面に、圧力分布センサ３が載置され、圧力分布センサ３上に試料５が載置される。
上側のプレート２２は、圧力分布センサ３と上下方向に対向する位置に設けられ、リニアスライダ２３に接続されている。リニアスライダ２３は、制御ＰＣ４からの押圧動作制御信号に応じて圧力センサ面に対して鉛直方向に駆動される。これにより、制御ＰＣ４は、押圧装置２による試料５の押圧動作を制御することができる。
また、上下のプレート２１、２２、圧力分布センサ３のうち任意の１つ、２つもしくは全部を温度制御できる電熱ヒーターなどで、人の口腔内温度（２５℃〜４０℃）に保温することもできる。
ロードセル２４は、プレート２２からの力応答を検出するものである。ロードセル２４が検出した力応答のデータは、制御ＰＣ４に出力される。
圧力分布センサ３は、試料５の押圧時に試料５から受ける圧力分布の経時的変化を計測する計測装置である。本実施形態では、圧力分布センサ３として、空間分解能１[ｍｍ]、時間分解能１０[ｍｓ]、測定範囲４４×４４[ｍｍ]の多点式の圧力センサを用いている。計測された圧力分布の経時的変化は、画像情報の圧力分布データとして制御ＰＣ４に出力される。
制御ＰＣ４は、押圧動作制御信号を出力して押圧装置２による押圧動作を制御するとともに、圧力分布センサ３からの圧力分布データに基づいて試料５の食感を評価する機能を有している。制御ＰＣ４の具体的な機能は、後述する。
（試料の押圧）
図２は、試料５の一例を示す写真である。試料５は、直径２０[ｍｍ]、高さ１０[ｍｍ]の円柱形のゼリー食品である。
図２は、試料５の一例を示す写真である。試料５は、直径２０[ｍｍ]、高さ１０[ｍｍ]の円柱形のゼリー食品である。
図３（ａ）〜（ｃ）は、試料５の押圧時の状態を示す写真である。具体的には、図３（ａ）は、試料５の押圧開始直後の状態を示しており、図３（ｂ）は、試料５の破断直前の状態を示しており、図３（ｃ）は、試料５の破断後の状態を示している。
図４（ａ）は、プレート２２の下降変位を示すグラフであり、図４（ｂ）は、ロードセル２４が検出する力応答の時間変化を示すグラフである。図４（ａ）に示すように、プレート２２は、速度２[ｍｍ／ｓ]で下降動作した後、圧力分布センサ３に接触する寸前（プレート２２と圧力分布センサ３が１〜３ｍｍの距離なった時点）において５〜１０秒間保持される。図４（ｂ）に示すように、プレート２２が試料５を圧縮するにつれ、力応答は上昇する。この間を圧縮フェーズとする。その後、力応答が極大となるｔ ＝ ２．３[ｓ] で試料５が破断し始める。このとき、力応答が一度下降するが、試料５は押圧され続けるため、プレート２２が停止するまで再び上昇し続ける。また、プレート２２が停止した後、応力は降下する。試料５の破断開始後からプレート２２の停止までの間を破断フェーズとする。さらに、プレート２２が停止した後を保持フェーズとする。また、ペースト状食品など試料よっては力応答の極大が見られない場合があり、この場合は、押圧開始時の１フレーム目を圧縮フェーズとし、プレート２２停止時までの期間を破断フェーズとする。
図５（ａ）〜（ｃ）は、試料５の押圧時に圧力分布センサ３が計測した圧力分布データの画像情報の一例を示している。具体的には、図５（ａ）は、試料５の押圧開始直後の圧力分布を示しており、図５（ｂ）は、試料５の破断直前の圧力分布を示しており、図５（ｃ）は、試料５の破断後の圧力分布を示している。これらの圧力分布画像は、一連の圧縮破断操作中に圧力分布センサ３から得られた圧力値を、例えば、３〜８０[ｋＰａ] の範囲で４．８[ｋＰａ] ごとに１６分割し、それぞれ０〜１５の圧力レベル値に変換し、このように変換された圧力分布データを、Ｎ＝１６段階の濃度レベルを持つ４４×４４[pixel] の画像情報のフレーム群として取り扱うことにより得られる。各画像において、色の濃いブロックほど圧力が高い。図５（ａ）、（ｂ）から、圧力分布がゼリー底面形状である円状を象りながら上昇していくことが分かる。その後ゼリーは破断し、図５（ｃ）では破断中のゼリーの幾何学的および力学的状態が確認できる。
（制御ＰＣの機能）
図６は、制御ＰＣ４の機能を説明するためのブロック図である。制御ＰＣ４は、押圧動作制御部４１および食感評価部４２を有している。
図６は、制御ＰＣ４の機能を説明するためのブロック図である。制御ＰＣ４は、押圧動作制御部４１および食感評価部４２を有している。
押圧動作制御部４１は、ユーザの指示等に応じて、リニアスライダ２３の位置および速度を制御するための押圧動作制御信号を押圧装置２に出力する。押圧装置２に押圧動作制御信号が入力されると、リニアスライダ２３が駆動され、試料５に対する押圧動作が開始される。
食感評価部４２は、特徴量抽出部４２ａ、特徴量ベクトル算出部４２ｂ、主成分ベクトル算出部４２ｃ、推定印象レベル算出部４２ｄおよび推定式記憶部４２ｅを有している。
食感評価部４２は、ハードウェア的に実現してもよいし、ＣＰＵを用いてソフトウェア的に実現してもよい。食感評価部４２をソフトウェア的に実現する場合、コンピュータである制御ＰＣ４が食感評価プログラムを実行することによって、食感評価部４２の各部が実現される。食感評価プログラムは、ＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体に記録してもよいし、制御ＰＣ４を通信ネットワークと接続し、通信ネットワークを介して食感評価プログラムのプログラムコードをダウンロードしてもよい。
特徴量抽出部４２ａ、特徴量ベクトル算出部４２ｂ、主成分ベクトル算出部４２ｃおよび推定印象レベル算出部４２ｄは、圧力分布センサ３から入力される圧力分布データと、推定式記憶部４２ｅに記憶された下記の推定式（１）とに基づいて、試料５の食感を評価する。
推定式（１）の変数は、官能評価によって印象レベルが確認されている多数の試料から得られた主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によってあらかじめ導出されたものである。推定式（１）から導出された推定印象レベルは、評価した食感ごとに設定され、例えばモチモチ感について、その印象が強い（モチモチしている）ほど数値が大きく、印象が低い（モチモチしていない）ほど数値が小さくなるように設定されている。
（食感評価の手順）
図７は、食感評価手順を示すフローチャートである。以下、図６および図７を参照して、食感評価手法について説明する。
図７は、食感評価手順を示すフローチャートである。以下、図６および図７を参照して、食感評価手法について説明する。
まず、試料５が押圧されている間（ステップＳ１）、特徴量抽出部４２ａは、圧力分布センサ３から圧力分布データを取得するとともに、ロードセル２４から力応答データを取得する（ステップＳ２）。続いて、特徴量抽出部４２ａは、空間濃度レベル依存法を用いて、圧力分布データの各フレームについてテクスチャ特徴量を抽出する（ステップＳ３）。続いて、抽出された特徴量に基づいて、特徴量ベクトル算出部４２ｂが特徴量ベクトルを算出する（ステップＳ４）。続いて、主成分ベクトル算出部４２ｃが特徴量ベクトルから主成分ベクトルを算出する（ステップＳ５）。最後に、推定印象レベル算出部４２ｄが推定式（１）を用いて、主成分ベクトルから食感の評価結果を示す推定印象レベルを算出し（ステップＳ６）、当該評価結果が表示部４３に出力される（ステップＳ７）。以下、ステップＳ３〜Ｓ６について具体的に説明する。
（特徴量の抽出）
ステップＳ３について具体的に説明する。まず、特徴量抽出部４２ａは、各フレームの画像情報から濃度共起行列Ｓ(ｄ，θ)を算出する。濃度共起行列とは、画像内におけるピクセル間の濃度関係を表す行列である。g(x, y)をピクセル(x, y)の濃度レベルとし、d、θをそれぞれ走査距離、走査方向とする。画像内において、相対的な位置関係が(d,θ)で与えられるピクセル対(x1,y1)および(x2,y2)について、濃度対がg(x1,y1)=pおよびg(x2,y2)=qであるとする。ただし、p={0,1, . . . ,N-1}、q={0,1, . . . , N-1}、Nは濃度レベル数である。このとき、濃度共起行列Ｓ(ｄ，θ)の第(p,q)要素をカウントアップする。画像内の全ピクセルに対して、(d,θ)に関する走査を行うことにより、濃度対(p,q)の存在頻度を示す濃度共起行列
ステップＳ３について具体的に説明する。まず、特徴量抽出部４２ａは、各フレームの画像情報から濃度共起行列Ｓ(ｄ，θ)を算出する。濃度共起行列とは、画像内におけるピクセル間の濃度関係を表す行列である。g(x, y)をピクセル(x, y)の濃度レベルとし、d、θをそれぞれ走査距離、走査方向とする。画像内において、相対的な位置関係が(d,θ)で与えられるピクセル対(x1,y1)および(x2,y2)について、濃度対がg(x1,y1)=pおよびg(x2,y2)=qであるとする。ただし、p={0,1, . . . ,N-1}、q={0,1, . . . , N-1}、Nは濃度レベル数である。このとき、濃度共起行列Ｓ(ｄ，θ)の第(p,q)要素をカウントアップする。画像内の全ピクセルに対して、(d,θ)に関する走査を行うことにより、濃度対(p,q)の存在頻度を示す濃度共起行列
が決定する。ここでは、各フレームについて、d=1,2,4,8,16[pixel]、θ=0,45,90, 135[deg]を組み合わせた計２０通りの濃度共起行列Ｓ(ｄ，θ)を算出する。ここで、Ｓ(ｄ，θ)の各要素Ｓ(ｄ，θ) (p, q)を、次式で表される確率値Ｐ(ｄ，θ) (p, q) に変換する。
このようにして得た濃度共起行列を、以下に示す式(２)〜(６)に代入し、５種類の特徴量として、エネルギー、エントロピー、慣性、相関、局所一様性を算出する。
・エネルギー
・エネルギー
・エントロピー
・慣性
・相関
・局所一様性
ただし、式（５）のＥｘ、Ｅｙ、Ｄｘ、Ｄｙは、以下の通りである。
以上の計算によって、各フレームにつき、濃度共起行列２０個×特徴量５種類＝計１００種類の特徴量を算出する。
このように、ステップＳ３では、空間濃度レベル依存法によって、各フレームについてテクスチャ特徴量を抽出する。これにより、ある瞬間において、試料５にどの様な亀裂が入るか、分断された破片がどの様に広がっているかなどといった特徴を総合的に捉えることができる。
図８（ａ）〜（ｅ）は、ｄ＝１[ｐｉｘｅｌ]、θ＝０[ｄｅｇ] の濃度共起行列Ｐ(ｄ，θ)から算出された５種類の特徴量について、破断フェーズ内でのフレームごとの変化を示すグラフである。なお、その他のd、θ の場合でも、各特徴量の傾向は同様である。
（特徴量ベクトルの算出）
続いて、ステップＳ４について具体的に説明する。図８（ａ）〜（ｅ）に示す特徴量は、時間に応じて各フレームで変化するため、印象レベル間の違いが顕著に現れているフレームの特徴量を代表特徴量として採用する。図８より、エネルギー、慣性、局所一様性、エントロピーおよび相関の５種類の特徴量において各フェーズにおける代表特徴量を算出する。各フェーズにおける代表特徴量の個数は、１つ以上であればいくつでもよいが、通常１〜５つ採用する。例えば、それぞれのフェーズ内での「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」などを代表特徴量として採用する。代表特徴量をＥ個採用した場合、１つの試料５の圧力分布データに対して、使用するフェーズの数（Ｄ個）×各フェーズの代表特徴量（Ｅ個）×特徴量の種類（１００）個と各フェーズのフレーム数Ｄ個（圧縮フェーズ，破断フェーズ（２個）もしくは圧縮フェーズ，破断フェーズ，保持フェーズ（３個））を合わせたＦ＝Ｄ×１００×Ｅ＋Ｄ次元の特徴量 ベクトルｘ＊＝[ｘ１，ｘ２， ． ． ．， ｘＦ]Ｔを得る。
続いて、ステップＳ４について具体的に説明する。図８（ａ）〜（ｅ）に示す特徴量は、時間に応じて各フレームで変化するため、印象レベル間の違いが顕著に現れているフレームの特徴量を代表特徴量として採用する。図８より、エネルギー、慣性、局所一様性、エントロピーおよび相関の５種類の特徴量において各フェーズにおける代表特徴量を算出する。各フェーズにおける代表特徴量の個数は、１つ以上であればいくつでもよいが、通常１〜５つ採用する。例えば、それぞれのフェーズ内での「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」などを代表特徴量として採用する。代表特徴量をＥ個採用した場合、１つの試料５の圧力分布データに対して、使用するフェーズの数（Ｄ個）×各フェーズの代表特徴量（Ｅ個）×特徴量の種類（１００）個と各フェーズのフレーム数Ｄ個（圧縮フェーズ，破断フェーズ（２個）もしくは圧縮フェーズ，破断フェーズ，保持フェーズ（３個））を合わせたＦ＝Ｄ×１００×Ｅ＋Ｄ次元の特徴量 ベクトルｘ＊＝[ｘ１，ｘ２， ． ． ．， ｘＦ]Ｔを得る。
（主成分ベクトルの算出）
続いて、ステップＳ５について具体的に説明する。ステップＳ４で得た特徴量ベクトルｘ＊を、以下のように標準化する。
続いて、ステップＳ５について具体的に説明する。ステップＳ４で得た特徴量ベクトルｘ＊を、以下のように標準化する。
この標準化ベクトル（バーｘ＊）を用いて、次式のように未知食品の主成分ベクトルｙ＊を算出する。
（推定印象レベルの算出）
ステップＳ６では、推定印象レベル算出部４２ｄが、次の推定式（１）に基づいて試料５の食感を評価する。
ステップＳ６では、推定印象レベル算出部４２ｄが、次の推定式（１）に基づいて試料５の食感を評価する。
このように、本実施形態では、圧縮フェーズ、破断フェーズ、保持フェーズの圧力分布の経時的変化を示すフレーム画像に基づいて、試料５の食感が評価される。よって、ゲル状食品の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」といった表面的印象や「口どけ感」、「べたつき感」といった人の口腔内の感覚的印象の客観的・数値的な評価が可能となる。
（印象レベル推定式の導出）
続いて、上述の推定式（１）の変数を導出するための手法について説明する。準備として、ヒトによる官能評価済みの試験食品を複数用意し、これらを、圧力分布と印象レベル値の関係をモデル化するための基準食品と定義する。また、評価したい食感（〇〇感，〇〇感，など）ごとに、印象レベルｎを設定しておく。これらの基準食品に対して、以下の手順によって印象レベルの推定式を導出する。
続いて、上述の推定式（１）の変数を導出するための手法について説明する。準備として、ヒトによる官能評価済みの試験食品を複数用意し、これらを、圧力分布と印象レベル値の関係をモデル化するための基準食品と定義する。また、評価したい食感（〇〇感，〇〇感，など）ごとに、印象レベルｎを設定しておく。これらの基準食品に対して、以下の手順によって印象レベルの推定式を導出する。
まず、咀嚼実験モデルを用いた圧力分布のセンシングを行う。舌式摂食を人工的に再現するために、図１に示す押圧装置２を用いて摂食実験モデルを構築する。ヒトは、舌式摂食において、食品破断中の形態変化と力応答を同時に感知している。この基本原理に基づいて、押圧装置２を用いて、印象レベルが異なる基準食品を圧縮破断する過程の圧力分布の経時的変化を計測する。
続いて、テクスチャ解析による印象レベルと圧力分布の経時的変化とのモデリングを行う。すなわち、圧力分布の経時的変化と印象レベルとの関係をモデル化する。はじめに、圧力分布データに画像テクスチャ解析手法を適用し、空間濃度レベル依存法により求められる特徴量ベクトルｘを算出する。次に、これらの特徴量に対する主成分ベクトルｙを算出する。最後に、重回帰分析を行い、主成分ベクトルｙと印象レベルｎとの関係を表す重回帰モデルを作成することによって、印象レベルの推定式を導出する。得られた印象レベルの推定式を用いることにより、未知食品の食感を推定することができる。
（圧力分布センシングの具体例）
基準食品として、Ｍ個のゼリーを使用し、評価したい食感ごとに、各ゼリーの官能評価による印象レベルをｎ１、ｎ２、ｎ３…ｎＭとする。そして、各ゼリーに対して上記実験モデルにおける圧力分布データを取得する。
基準食品として、Ｍ個のゼリーを使用し、評価したい食感ごとに、各ゼリーの官能評価による印象レベルをｎ１、ｎ２、ｎ３…ｎＭとする。そして、各ゼリーに対して上記実験モデルにおける圧力分布データを取得する。
（印象レベルと圧力分布の経時的変化とのモデリングの具体例）
既に説明した図７に示すステップＳ３・Ｓ４と同様に、Ｍ個のゼリーについて、空間濃度レベル依存法を用いて、圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出し、Ｆ次元の特徴量ベクトルｘ＊＝[ｘ１，ｘ２， ． ． ．， ｘＦ]Ｔを得る。
既に説明した図７に示すステップＳ３・Ｓ４と同様に、Ｍ個のゼリーについて、空間濃度レベル依存法を用いて、圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出し、Ｆ次元の特徴量ベクトルｘ＊＝[ｘ１，ｘ２， ． ． ．， ｘＦ]Ｔを得る。
続いて、特徴量間での高い相関関係を除去するために主成分分析を施し、特徴量ベクトルｘの次元を圧縮する。摂食実験から得た圧力分布データの総数をＭとし、圧力分布データｋ (ｋ ＝ １， ２， ． ． ．，Ｍ) から得た特徴量ベクトルを、
とする。続いて、次式のように、全特徴量ベクトルを並べた行列Ｘを作成する。
さらに、次式のように、列ベクトルを定める。
次に、行列Ｘの相関係数行列Ｒを算出し、行列Ｒの固有値λｉ(ｉ＝１，２， ． ． ．， Ｆ)と、 大きさ１の固有ベクトルｕｉから成る行列Ｕを次式のように算出する。
ただし、ｒｉ，ｊは、ベクトルｘｉ(ｉ＝１，２， ． ． ．， Ｆ)とｘｊ(ｊ＝１，２， ． ． ．， Ｆ)との相関係数を表す。 行列Ｕから、λｉ≧１の固有値に対応する固有ベクトルｕｉを抽出し、次式の行列を作成する。
ただし、Ｌはλｉ≧１を満たす固有値の総数であり、ｕ(ｌ)(ｌ＝１，２， ． ． ．， Ｌ) は、λｉ≧１を満たす固有値に対応する固有ベクトルｕｉである。次に、行列Ｘを構成するｘｉを標準化して、次のような行列を用意する。
ただし、
である。
最後に、主成分ベクトルを構成する行列Ｙを次式のように算出する。
最後に、主成分ベクトルを構成する行列Ｙを次式のように算出する。
上記式中のｙｋが、圧力分布データｋの主成分ベクトルであり、
となる。このようにして、主成分ベクトルが算出される。
続いて、重回帰分析による印象レベル推定式の導出について説明する。
主成分ベクトルｙを説明変数、印象レベルｎを目的変数として重回帰モデルを作成し、印象レベルの推定式を獲得する。主成分ベクトルｙと印象レベルｎとの関係が、線形回帰式
で与えられるものと仮定する。ただし、
である。また、ａ０は定数項、ａｌ(ｌ＝１，２， ． ． ． ，Ｌ)は各主成分に対する偏回帰係数である。全試験食品データｋ(ｋ＝１，２， ． ． ． ，Ｍ) に式（７）を適用し、次式を得る。
ｎ＝Ｚａ （８）
ただし、
ｎ＝Ｚａ （８）
ただし、
である。式（８）より、定数項と偏回帰係数の推定値を次式で算出する。
ただし、Ｚ＃＝（ＺＴＺ）−１ＺＴは、Ｚの擬似逆行列である。以上の手順により、圧力分布データｋから得た主成分ベクトルｙｋに対する印象レベルの推定式
を得る。なお、定数項および偏回帰係数ａｌ＝０の帰無仮説について検定を行い、危険率５％以上の定数項あるいは偏回帰係数項を除去して、再度重回帰分析を行う。この作業を、全ての定数項および偏回帰係数の危険率が５％以下になるまで繰り返し、最終的な印象レベルの推定式を決定する。
［ゼリー状食品の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」の推定］
本実施例では、食感の異なる５種類（Ａ〜Ｅ）のゼリー食品について、本発明の食感評価方法により推定印象レベルを得るとともに、当該推定値を８名の評価者による実際に官能評価をして得られた印象レベルと比較した。
本実施例では、食感の異なる５種類（Ａ〜Ｅ）のゼリー食品について、本発明の食感評価方法により推定印象レベルを得るとともに、当該推定値を８名の評価者による実際に官能評価をして得られた印象レベルと比較した。
[モデルゼリー食品（Ａ〜Ｅ）調製法]
ゲル化剤として、脱アシル型ジェランガム（商品名：ケルコゲル、三栄源エフ・エフ・アイ社）、ネイティブ型ジェランガム商品名：ケルコゲルＬＴ−１００、三栄源エフ・エフ・アイ社）、寒天（商品名：ゲルアップＪ−３５３１、三栄源エフ・エフ・アイ社）、カッパカラギナン（商品名：カラギニンＣＳ−６０６、三栄源エフ・エフ・アイ社）、及びイオタカラギナン（商品名：カラギニンＣＳ−５９９、三栄源エフ・エフ・アイ社）を用いた。１０ｇのショ糖と表１に示す分量のゲル化剤を粉体混合した。イオン交換水をA、Bの場合は９０℃、C-〜Eの場合は８０℃に加温後、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、１０分間撹拌し続けた。これにＡ、Ｂの場合は０．１ｇの乳酸カルシウム、Ｄの場合は０．１ｇ塩化カリウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。
ゲル化剤として、脱アシル型ジェランガム（商品名：ケルコゲル、三栄源エフ・エフ・アイ社）、ネイティブ型ジェランガム商品名：ケルコゲルＬＴ−１００、三栄源エフ・エフ・アイ社）、寒天（商品名：ゲルアップＪ−３５３１、三栄源エフ・エフ・アイ社）、カッパカラギナン（商品名：カラギニンＣＳ−６０６、三栄源エフ・エフ・アイ社）、及びイオタカラギナン（商品名：カラギニンＣＳ−５９９、三栄源エフ・エフ・アイ社）を用いた。１０ｇのショ糖と表１に示す分量のゲル化剤を粉体混合した。イオン交換水をA、Bの場合は９０℃、C-〜Eの場合は８０℃に加温後、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、１０分間撹拌し続けた。これにＡ、Ｂの場合は０．１ｇの乳酸カルシウム、Ｄの場合は０．１ｇ塩化カリウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。
表中の数値の単位は、ゼリー食品１００ｇに含まれる各成分の重量（ｇ）である。
［官能評価法（印象レベル取得方法）］
１． ２０℃の試料を各８名の被験者に全量口に含ませた後、自由に摂食させた。各ゼリーの形状は、直径２０ｍｍ、高さ１０ｍｍ の円柱形（約７ｇ）とした。
２． 試料摂食後に、「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」の４項目について、被験者に長さ１００ｍｍの直線の任意の位置に線を引かせることによって、印象レベルｎを評価させた。直線の左端を０点、右端を１００点とした。
３． 点数は、次の基準で採点させた。
０点：全く「モチモチ（など）」していない
５０点：小さめの一口サイズとして標準的な「モチモチ（など）感」を有している
１００点：小さめの一口サイズでゲル状食品を食べるときの想像しうる最も「モチモチ（など）」している状態
１． ２０℃の試料を各８名の被験者に全量口に含ませた後、自由に摂食させた。各ゼリーの形状は、直径２０ｍｍ、高さ１０ｍｍ の円柱形（約７ｇ）とした。
２． 試料摂食後に、「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」の４項目について、被験者に長さ１００ｍｍの直線の任意の位置に線を引かせることによって、印象レベルｎを評価させた。直線の左端を０点、右端を１００点とした。
３． 点数は、次の基準で採点させた。
０点：全く「モチモチ（など）」していない
５０点：小さめの一口サイズとして標準的な「モチモチ（など）感」を有している
１００点：小さめの一口サイズでゲル状食品を食べるときの想像しうる最も「モチモチ（など）」している状態
[推定印象レベル取得方法]
１． 直径２０ｍｍ、高さ１０ｍｍ の円柱形のゼリーを、フィルム式圧力分布センサＩ−Ｓｃａｎ４０（ニッタ株式会社製、空間分解能１[ｍｍ]、時間分解能１０[ｍｓ]、測定範囲４４×４４[ｍｍ]の多点式の圧力センサ）の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき１８個ずつ、計９０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２． 圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（１種類）＝１００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量１００個とフレーム数１個，破断フェーズの代表特 徴量１００個とフレーム数１個を合わせたＦ＝２０２次元の特徴量 ベクトルを得た。
３． 算出された２０２次元の特徴量ベクトルを主成分分析によって６次元まで圧縮した。
４． ６次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルを得た。
結果を表２〜５に示す。
１． 直径２０ｍｍ、高さ１０ｍｍ の円柱形のゼリーを、フィルム式圧力分布センサＩ−Ｓｃａｎ４０（ニッタ株式会社製、空間分解能１[ｍｍ]、時間分解能１０[ｍｓ]、測定範囲４４×４４[ｍｍ]の多点式の圧力センサ）の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき１８個ずつ、計９０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２． 圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（１種類）＝１００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量１００個とフレーム数１個，破断フェーズの代表特 徴量１００個とフレーム数１個を合わせたＦ＝２０２次元の特徴量 ベクトルを得た。
３． 算出された２０２次元の特徴量ベクトルを主成分分析によって６次元まで圧縮した。
４． ６次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルを得た。
結果を表２〜５に示す。
表２〜５は、それぞれゼリー食品Ａ〜Ｅの「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」について、官能評価値による印象レベルと推定印象レベルの関係を示している。
表２〜５から、ゼリー食品Ａ〜Ｅの４項目の食感について、食感評価方法による推定値は実際の官能評価から得られた印象レベルに近似していることが分かる。本実施例の結果から、本発明の食感評価システムおよび方法によって、「ざらざら感」「つるつる感」「モチモチ感」「ねっとり感」といった表面的印象が精度よく推定できることが示された。
［市販ゼリー食品の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」の推定］
本実施例では、実施例１で使用した５種類（Ａ〜Ｅ）のゼリー食品に加えて、以下の方法で調製した食感の異なる１０種類（Ｆ〜Ｏ）のゼリー食品を用いた。これら１５種類のゼリーから得られた代表特徴量ベクトルと印象レベルを重回帰分析することにより食感評価モデルを構築した。また、この食感評価モデルを用い、官能評価値が未知である市販のゼリー食品（ａ〜ｈ）の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」を推定した。
本実施例では、実施例１で使用した５種類（Ａ〜Ｅ）のゼリー食品に加えて、以下の方法で調製した食感の異なる１０種類（Ｆ〜Ｏ）のゼリー食品を用いた。これら１５種類のゼリーから得られた代表特徴量ベクトルと印象レベルを重回帰分析することにより食感評価モデルを構築した。また、この食感評価モデルを用い、官能評価値が未知である市販のゼリー食品（ａ〜ｈ）の「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」を推定した。
[モデルゼリー食品（Ｆ〜Ｏ）調製法]
ゲル化剤として、脱アシル型ジェランガム（商品名：ケルコゲル、三栄源エフ・エフ・アイ社）、ネイティブ型ジェランガム商品名：ケルコゲルＬＴ−１００、三栄源エフ・エフ・アイ社）、２種類の寒天（商品名：ゲルアップＪ−４５０３、ゲルアップＪ−４５０４、いずれも三栄源エフ・エフ・アイ社）、カッパカラギナン（商品名：カラギニンＣＳ−６０６、三栄源エフ・エフ・アイ社）、マンナン（商品名：サンサポートＰ−１８０、三栄源エフ・エフ・アイ社）、ヒドロキシプロピル化デンプン（商品名：サンサポートＰ−１８１）及び５種類の増粘多糖類製剤（商品名：サンサポートＫ−Ｓ（Ｆ）、サンサポートＧ−１０１６、サンサポートＧ−１０２８、サンサポートＧ−１０１４、サンサポートＧ−１０５４、いずれも三栄源エフ・エフ・アイ社）を用いた。１０ｇのショ糖もしくは０．１ｇの甘味料製剤（商品名：サンスイートＳＵ−１００、三栄源エフ・エフ・アイ社）と表６、７に示す分量のゲル化剤を粉体混合した。Ｆ、Ｇ、Ｈの場合は９０℃、Ｉ、Ｊ、Ｌ、Ｎの場合は８０℃に加温後、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、１０分間撹拌し続けた。これにＦ、Ｊ、Ｎの場合は表６、７に記載の分量の乳酸カルシウム、Ｉの場合は０．１ｇ塩化カリウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。Ｋ、Ｍ、Ｏの場合は、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、８０℃に加温後、１０分間撹拌し続けた。これにＫ、Ｍの場合は表７に記載の分量の乳酸カルシウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。
ゲル化剤として、脱アシル型ジェランガム（商品名：ケルコゲル、三栄源エフ・エフ・アイ社）、ネイティブ型ジェランガム商品名：ケルコゲルＬＴ−１００、三栄源エフ・エフ・アイ社）、２種類の寒天（商品名：ゲルアップＪ−４５０３、ゲルアップＪ−４５０４、いずれも三栄源エフ・エフ・アイ社）、カッパカラギナン（商品名：カラギニンＣＳ−６０６、三栄源エフ・エフ・アイ社）、マンナン（商品名：サンサポートＰ−１８０、三栄源エフ・エフ・アイ社）、ヒドロキシプロピル化デンプン（商品名：サンサポートＰ−１８１）及び５種類の増粘多糖類製剤（商品名：サンサポートＫ−Ｓ（Ｆ）、サンサポートＧ−１０１６、サンサポートＧ−１０２８、サンサポートＧ−１０１４、サンサポートＧ−１０５４、いずれも三栄源エフ・エフ・アイ社）を用いた。１０ｇのショ糖もしくは０．１ｇの甘味料製剤（商品名：サンスイートＳＵ−１００、三栄源エフ・エフ・アイ社）と表６、７に示す分量のゲル化剤を粉体混合した。Ｆ、Ｇ、Ｈの場合は９０℃、Ｉ、Ｊ、Ｌ、Ｎの場合は８０℃に加温後、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、１０分間撹拌し続けた。これにＦ、Ｊ、Ｎの場合は表６、７に記載の分量の乳酸カルシウム、Ｉの場合は０．１ｇ塩化カリウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。Ｋ、Ｍ、Ｏの場合は、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらイオン交換水に添加し、８０℃に加温後、１０分間撹拌し続けた。これにＫ、Ｍの場合は表７に記載の分量の乳酸カルシウムを撹拌しながら加え、イオン交換水で全量を１００ｇに調製した後に８℃の恒温水槽で冷却してゲル化させた。
表中の数値の単位は、ゼリー食品１００ｇに含まれる各成分の重量（ｇ）である。
［官能評価法（印象レベル取得方法）］
モデルゼリー食品（Ａ〜Ｏ、１５種類）および市販ゼリー食品（ａ〜ｈ、８種類）を実施例１の官能評価法［官能評価法（印象レベル取得方法）］と同じ方法で官能評価を行った。
モデルゼリー食品（Ａ〜Ｏ、１５種類）および市販ゼリー食品（ａ〜ｈ、８種類）を実施例１の官能評価法［官能評価法（印象レベル取得方法）］と同じ方法で官能評価を行った。
[食感評価モデル構築法]
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ａ〜Ｏ、１５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計９０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用したＧ以外の１４種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。Ｇのゼリーの応力応答には極大値が存在しないため、押圧開始時の１フレーム目を圧縮フェーズとし、剛体プランジャー停止時までの期間を破断フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個，破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ａ〜Ｏ、１５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計９０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用したＧ以外の１４種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。Ｇのゼリーの応力応答には極大値が存在しないため、押圧開始時の１フレーム目を圧縮フェーズとし、剛体プランジャー停止時までの期間を破断フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個，破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
[市販ゲル状食品の推定印象レベル取得方法]
１．ａ〜ｈの８種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計４８個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した８種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
結果を表８〜１１に示す。
１．ａ〜ｈの８種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計４８個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した８種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
結果を表８〜１１に示す。
表８〜１１は、それぞれゼリー状食品ａ〜ｈの「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」について、官能評価値による印象レベルと推定印象レベルの関係を示している。
表８〜１１から、市販ゼリー食品ａ〜ｈの４項目の食感について、食感評価方法による推定値は実際の官能評価から得られた印象レベルに近似していることが分かる。本実施例の結果から、本発明の食感評価システムおよび方法によって、「ざらざら感」「つるつる感」「モチモチ感」「ねっとり感」といった表面的印象が精度よく推定できることが示された。
［市販ペースト食品の口腔内および咽頭通過時の「べたつき感」の推定］
本実施例では、食感の異なる４種類（ｉ〜ｌ）の市販ペースト食品を用いて本発明の食感評価方法により口腔内および咽頭通過時における「べたつき感」の推定印象レベルを得るとともに、当該推定値を８名の評価者による実際に官能評価をして得られた印象レベルと比較した。
本実施例では、食感の異なる４種類（ｉ〜ｌ）の市販ペースト食品を用いて本発明の食感評価方法により口腔内および咽頭通過時における「べたつき感」の推定印象レベルを得るとともに、当該推定値を８名の評価者による実際に官能評価をして得られた印象レベルと比較した。
［官能評価法（印象レベル取得方法）］
１．２０℃の市販ペースト食試料を各８名の被験者に全量口に含ませた後、自由に摂食させた。各ペースト食品の重量は１０ｇとした。
２．試料摂食後に、「べたつき感（口腔内）」、「べたつき感（咽頭通過時）」の２項目について、被験者に長さ１００ｍｍの直線の任意の位置に線を引かせることによって、印象レベルｎを評価させた。直線の左端を０点、右端を１００点とした。
３．点数は、次の基準で採点させた。
０点：全く「べたつき感」がない
５０点：小さめの一口サイズとして標準的な「べたつき感」を有している
１００点：小さめの一口サイズでゲル状食品を食べるときの想像しうる最も「べたつき感」がある状態
１．２０℃の市販ペースト食試料を各８名の被験者に全量口に含ませた後、自由に摂食させた。各ペースト食品の重量は１０ｇとした。
２．試料摂食後に、「べたつき感（口腔内）」、「べたつき感（咽頭通過時）」の２項目について、被験者に長さ１００ｍｍの直線の任意の位置に線を引かせることによって、印象レベルｎを評価させた。直線の左端を０点、右端を１００点とした。
３．点数は、次の基準で採点させた。
０点：全く「べたつき感」がない
５０点：小さめの一口サイズとして標準的な「べたつき感」を有している
１００点：小さめの一口サイズでゲル状食品を食べるときの想像しうる最も「べたつき感」がある状態
[推定印象レベル取得方法]
１．３ｇの市販ペースト食品を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き（形状は任意）、ペースト食品の上面を垂直に剛体の平面プランジャーで圧縮して、ペースト食品の下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ペースト食品につき６個ずつ、計２４個のペースト食品を測定した）。なお、このとき、本実施例で使用した４種類のペースト食品の応力応答には全て極大値が存在せず、押圧開始時の１フレーム目を圧縮フェーズとし、剛体プランジャー停止時までの期間を破断フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のペースト食品の圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個，破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された５０１次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルを得た。
結果を表１２〜１３に示す。
１．３ｇの市販ペースト食品を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き（形状は任意）、ペースト食品の上面を垂直に剛体の平面プランジャーで圧縮して、ペースト食品の下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ペースト食品につき６個ずつ、計２４個のペースト食品を測定した）。なお、このとき、本実施例で使用した４種類のペースト食品の応力応答には全て極大値が存在せず、押圧開始時の１フレーム目を圧縮フェーズとし、剛体プランジャー停止時までの期間を破断フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のペースト食品の圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個，破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された５０１次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルを得た。
結果を表１２〜１３に示す。
表１２〜１３から、市販ペースト食品ｉ〜ｌの２項目の食感について、食感評価方法による推定値は実際の官能評価から得られた印象レベルに近似していることが分かる。本実施例の結果から、本発明の食感評価システムおよび方法によって、ペースト食品の「べたつき感（口腔内）」、「べたつき感（咽頭通過時）」といった表面的印象が精度よく推定できることが示され、本発明は保形性の良いゲル食品だけでなくペースト食品などゾル状の食品にも適用できることが確認された。
［市販ゼリー食品の「口どけ感」の推定］
本実施例では、食感の異なる５種類（Ｐ〜Ｔ）のモデルゼリー食品を用いて得られた代表特徴量ベクトルと官能評価から得られた印象レベルを重回帰分析することにより食感評価モデルを構築した。また、この食感評価モデルを用い、官能評価値が未知である市販のゼリー食品（ｆ，ｈ，ｍ）の「口どけ感」を推定した。
本実施例では、食感の異なる５種類（Ｐ〜Ｔ）のモデルゼリー食品を用いて得られた代表特徴量ベクトルと官能評価から得られた印象レベルを重回帰分析することにより食感評価モデルを構築した。また、この食感評価モデルを用い、官能評価値が未知である市販のゼリー食品（ｆ，ｈ，ｍ）の「口どけ感」を推定した。
[モデルゼリー食品（Ｐ〜Ｔ）調製法]
ゲル化剤として５種類の増粘多糖類製剤（商品名：サンサポートＧ−１０４３、サンサポートＧ−１０１５、サンサポートＧ−１２、サンサポートＧ−２２、サンサポートＧ−１０６６、いずれも三栄源エフ・エフ・アイ社）を用いた。イオン交換水に２ｇのヤシ油を添加し、これに１０ｇのショ糖、６ｇの脱脂粉乳、表１４に示す分量のゲル化剤およびグリセリン脂肪酸エステル（商品名：ホモゲンＤＭ−Ｓ、三栄源エフ・エフ・アイ社）の粉体混合物を加え、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらＰ以外の場合は８０℃に、Ｐの場合は９０℃に加温後、１０分間撹拌し続けた。これをイオン交換水で全量を１００ｇに調製し、高圧ホモジナイザーを用いて１５０ｋｇ／ｍ２、７５℃でホモジナイズし、さらに８５℃で３０分加熱した後、８℃の恒温水槽で冷却してゲル化させた。
ゲル化剤として５種類の増粘多糖類製剤（商品名：サンサポートＧ−１０４３、サンサポートＧ−１０１５、サンサポートＧ−１２、サンサポートＧ−２２、サンサポートＧ−１０６６、いずれも三栄源エフ・エフ・アイ社）を用いた。イオン交換水に２ｇのヤシ油を添加し、これに１０ｇのショ糖、６ｇの脱脂粉乳、表１４に示す分量のゲル化剤およびグリセリン脂肪酸エステル（商品名：ホモゲンＤＭ−Ｓ、三栄源エフ・エフ・アイ社）の粉体混合物を加え、これをプロペラ攪拌機を用いて１２００ｒｐｍで撹拌しながらＰ以外の場合は８０℃に、Ｐの場合は９０℃に加温後、１０分間撹拌し続けた。これをイオン交換水で全量を１００ｇに調製し、高圧ホモジナイザーを用いて１５０ｋｇ／ｍ２、７５℃でホモジナイズし、さらに８５℃で３０分加熱した後、８℃の恒温水槽で冷却してゲル化させた。
表中の数値の単位は、ゼリー食品１００ｇに含まれる各成分の重量（ｇ）である。
［官能評価法（印象レベル取得方法）］
モデルゼリー食品（Ｐ〜Ｔ）および市販のゼリー食品（ｆ，ｈ，ｍ）を用い、実施例１の官能評価法［官能評価法（印象レベル取得方法）］と同じ方法で官能評価を行った。
モデルゼリー食品（Ｐ〜Ｔ）および市販のゼリー食品（ｆ，ｈ，ｍ）を用い、実施例１の官能評価法［官能評価法（印象レベル取得方法）］と同じ方法で官能評価を行った。
[食感評価モデル構築法１（室温（２０℃で押圧、保持フェーズなし）]
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ｐ〜Ｔ、５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサーにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計３０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ｐ〜Ｔ、５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサーにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計３０個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
[市販ゲル状食品の推定印象レベル取得方法１]
１．（ｆ，ｈ，ｍ）の３種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した３種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法１（室温（２０℃で押圧、保持フェーズなし）]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
１．（ｆ，ｈ，ｍ）の３種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。全ての測定は室温（２０℃）で行った。なお、このとき、本実施例で使用した３種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズおよび破断フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１００２次元の特徴量 ベクトルを得た。
３．算出された１００２次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法１（室温（２０℃で押圧、保持フェーズなし）]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
[食感評価モデル構築法２（押圧装置を４０℃に調温、保持フェーズあり）]
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ｐ〜Ｔ、５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサーにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。このとき、フィルム式圧力分布センサをヒーターで４０℃に温度調節した。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。また、剛体の平板プランジャーが停止した後１０秒間の圧力分布も測定し、これを保持フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズ、破断フェーズおよび保持フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個、保持フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１５０３次元の特徴量 ベクトルを得た。
３．算出された１５０３次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
１．直径２０ｍｍ、高さ１０ｍｍ の円柱形のモデルゼリー食品（Ｐ〜Ｔ、５種類）を、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサーにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。このとき、フィルム式圧力分布センサをヒーターで４０℃に温度調節した。なお、このとき、本実施例で使用した５種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。また、剛体の平板プランジャーが停止した後１０秒間の圧力分布も測定し、これを保持フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズ、破断フェーズおよび保持フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個、保持フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１５０３次元の特徴量 ベクトルを得た。
３．算出された１５０３次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを説明変数、印象レベルを目的変数とした重回帰分析によって推定印象レベルの回帰直線（食感評価モデル）を得た。
[推定印象レベル取得方法２（押圧装置を４０℃に調温、保持フェーズあり）]
１．（ｆ，ｈ，ｍ）の３種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。このとき、フィルム式圧力分布センサをヒーターで４０℃に温度調節した。なお、このとき、本実施例で使用した３種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。また、剛体の平板プランジャーが停止した後１０秒間の圧力分布も測定し、これを保持フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズ、破断フェーズおよび保持フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個、保持フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１５０３次元の特徴量 ベクトルを得た。
３．算出された１５０３次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法２（押圧装置を４０℃に調温、保持フェーズあり）]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
結果を表１５に示す。
１．（ｆ，ｈ，ｍ）の３種類の市販ゼリー食品試料を直径２０ｍｍ、高さ１０ｍｍ の円柱形に整形し、フィルム式圧力分布センサＩ−Ｓｃａｎ４０の上に置き、円筒ゲル上面を垂直に剛体の平面プランジャーで圧縮して、円筒ゲル下面と接触している多点式センサにかかる圧力の経時変化を測定した（各ゼリーにつき６個ずつ、計１８個のゼリーを測定した）。このとき、フィルム式圧力分布センサをヒーターで４０℃に温度調節した。なお、このとき、本実施例で使用した３種類のゼリーの応力応答には全て極大値が存在し、圧縮フェーズと破断フェーズを容易に分離することができた。また、剛体の平板プランジャーが停止した後１０秒間の圧力分布も測定し、これを保持フェーズとした。
２．圧力分布データの各フレームについてテクスチャ特徴量（エネルギー、エントロピー、慣性、相関、局所一様性）を抽出し、当該特徴量に基づいて特徴量ベクトルを算出する。このとき、圧縮フェーズ、破断フェーズおよび保持フェーズの各フレームにおける特徴量の「平均値」、「最大値」、「最小値」、「標準偏差」、「範囲」の５種類値を代表特徴量とした（代表特徴量の総数は、各フェーズにつき「濃度共起行列」（２０個）×「特徴量」（５種類）×「代表特徴量」（５種類）＝５００個得られる）。これにより、１種類のゼリーの圧力分布データに対して、圧縮フェーズの代表特徴量５００個とフレーム数１個、破断フェーズの代表特徴量５００個とフレーム数１個、保持フェーズの代表特徴量５００個とフレーム数１個を合わせたＦ＝１５０３次元の特徴量 ベクトルを得た。
３．算出された１５０３次元の特徴量ベクトルを主成分分析によってＬ次元まで圧縮した。なお、Ｌは値が１以上である固有値の総数である。
４．Ｌ次元の主成分ベクトルを上記の[食感評価モデル構築法２（押圧装置を４０℃に調温、保持フェーズあり）]で構築した重回帰式（食感評価モデル）に代入して推定印象レベルを得た。
結果を表１５に示す。
表１５は、それぞれ市販ゼリー状食品ｆ〜ｈの「口どけ感」について、官能評価値による印象レベルと「推定印象レベル取得方法１（常温（２０℃）で押圧、保持フェーズなし）」および「推定印象レベル取得方法２（押圧装置を４０℃に調温、保持フェーズあり）」の２種類の方法で取得した推定印象レベルの関係を示している。どちらの方法で取得した推定印象レベルも実際の官能評価から得られた印象レベルと近い値を示したが、押圧装置を人の口腔内温度に近い４０℃に調温し、押圧が停止した後の期間（保持フェーズ）の圧力分布の変化を評価系に加えた「推定印象レベル取得方法２」で取得した推定印象レベルのほうがより近似していた。試料（食品）の温度変化の影響を受けやすい「口どけ感」のような食感を評価する場合、押圧装置を人間の体温に近づけ、押圧後しばらく保持すると、より精度よく表面的印象を推定できることが示された。
なお、本実施例においては「モチモチ感」、「ねっとり感」、「ざらざら感」、「つるつる感」、「べたつき感」、「口どけ感」を評価したが、他の食感についても印象レベルを取得することにより、本発明によって同様に評価することができる。
（従来方法との比較）
ここで、比較例として、力応答に基づく従来のテクスチャプロファイル法による食感評価の精度を検証した。
ここで、比較例として、力応答に基づく従来のテクスチャプロファイル法による食感評価の精度を検証した。
図９は、それぞれ印象レベルが異なる３種類のゼリー食品（Ｃ〜Ｅ）を圧縮破断させた際にロードセル２４から得られた力応答データを示している。図９から、ゼリー食品Ｃのゼリーの力応答を残りの２種類のゼリーの力応答と区別することは容易である。しかしながら、ゼリー食品Ｄとゼリー食品Ｅについては、両者を力応答に基づいて区別することは困難であることが分かる。すなわち、従来のテクスチャプロファイル法によって、食品素材の違いおよびそれらの幾何学的特性に基づく食品テクスチャの違いを評価することは困難といえる。
一方、本実施形態では、従来のテクスチャプロファイル法では判別困難なゼリー食品ＤおよびＥについても、表２〜５に示すように両者の違いを明快に判別可能であることが分かる。
（総括）
以上のように、本実施形態の食感評価システムでは、試料を押圧することによって破断したときの圧力分布の変化を計測し、この計測データから空間濃度レベル依存法を用いて、複数の特徴量を抽出する。抽出された特徴量群の中から試料固有の特徴をよりよく示すパラメータを主成分分析によって算出し、このパラメータを用いて食感との重回帰モデルを作成する。この重回帰モデルを用いることにより，圧力分布の経時的変化から食感を評価する。空間濃度レベル依存法は、ある瞬間において、食品にどの様な亀裂が入るか、分断された破片がどの様に広がっているか、さらに、それぞれの破片がどのような力応答を示すかなどといった特徴を総合的に捉えることができる。したがって、実施形態の食感評価システムは、食品の押圧による破断様式を総合的に評価でき、様々な食感の評価に適している。特に、従来技術では評価が難しかった、ゲル状食品の表面的印象を評価するのに適している。
以上のように、本実施形態の食感評価システムでは、試料を押圧することによって破断したときの圧力分布の変化を計測し、この計測データから空間濃度レベル依存法を用いて、複数の特徴量を抽出する。抽出された特徴量群の中から試料固有の特徴をよりよく示すパラメータを主成分分析によって算出し、このパラメータを用いて食感との重回帰モデルを作成する。この重回帰モデルを用いることにより，圧力分布の経時的変化から食感を評価する。空間濃度レベル依存法は、ある瞬間において、食品にどの様な亀裂が入るか、分断された破片がどの様に広がっているか、さらに、それぞれの破片がどのような力応答を示すかなどといった特徴を総合的に捉えることができる。したがって、実施形態の食感評価システムは、食品の押圧による破断様式を総合的に評価でき、様々な食感の評価に適している。特に、従来技術では評価が難しかった、ゲル状食品の表面的印象を評価するのに適している。
本発明は上記実施形態に限定されるものではなく、特許請求の範囲に記載した範囲内で種々の変更が可能であり、上記実施形態に開示された技術的手段を適宜組み合わせて得られる形態も、本発明の技術的範囲に含まれる。
本発明によって、様々な喫食者にとって最適な食感をもった飲食品を提供することができる。特に、本発明は、摂食・嚥下の安全性と“おいしさ”が高次元で両立するゲル状食品の開発に適用でき、例えば、介護食用に調製された（例えば「ねっとり感」が抑えられた）水分補給ゼリー、デザートゼリー、プリン、卵豆腐などといった一般食用のゼリーの食感改良に適用できる。
１ 食感評価システム
２ 押圧装置
２１ プレート
２２ プレート
２３ リニアスライダ
２４ ロードセル
３ 圧力分布センサ
４ 制御ＰＣ（食感評価手段）
４１ 押圧動作制御部
４２ 食感評価部（食感評価手段）
４２ａ 特徴量抽出部（特徴量抽出手段）
４２ｂ 特徴量ベクトル算出部（特徴量ベクトル算出手段）
４２ｃ 主成分ベクトル算出部（主成分ベクトル算出手段）
４２ｄ 推定印象レベル算出部（推定印象レベル算出手段）
４２ｅ 推定式記憶部
４３ 表示部
５ 試料
２ 押圧装置
２１ プレート
２２ プレート
２３ リニアスライダ
２４ ロードセル
３ 圧力分布センサ
４ 制御ＰＣ（食感評価手段）
４１ 押圧動作制御部
４２ 食感評価部（食感評価手段）
４２ａ 特徴量抽出部（特徴量抽出手段）
４２ｂ 特徴量ベクトル算出部（特徴量ベクトル算出手段）
４２ｃ 主成分ベクトル算出部（主成分ベクトル算出手段）
４２ｄ 推定印象レベル算出部（推定印象レベル算出手段）
４２ｅ 推定式記憶部
４３ 表示部
５ 試料
Claims (7)
- 試料を押圧する押圧装置と、
前記試料の押圧時に前記試料から受ける圧力分布の経時的変化を計測する計測装置と、
前記試料の破断前および破断後の圧力分布から得られた特徴量に基づいて前記試料の食感を評価する食感評価手段と
を備え、
前記計測装置は、前記圧力分布を示す複数フレームの画像情報を前記食感評価手段に出力し、
前記食感評価手段は、前記画像情報の各フレームの画像情報から、空間濃度レベル依存法を用いて、前記特徴量であるテクスチャ特徴量を抽出する特徴量抽出手段と、
前記テクスチャ特徴量に基づいて特徴量ベクトルを算出する特徴量ベクトル算出手段と、
前記特徴量ベクトルから主成分ベクトルを算出する主成分ベクトル算出手段と、
前記主成分ベクトルから食感の評価結果を示す推定印象レベルを算出する推定印象レベル算出手段と
を有することを特徴とする食感評価システム。 - 前記押圧装置の前記試料と接する一部もしくは全体を２５℃から４０℃に調整する機構を有することを特徴とする請求項１に記載の食感評価システム。
- 前記推定印象レベル算出手段は、下記推定式（１）に基づいて前記推定印象レベルを算出することを特徴とする請求項１に記載の食感評価システム。
- 前記推定式（１）は、
あらかじめ官能評価された基準食品に対し、前記押圧装置による押圧、前記計測装置による前記圧力分布の経時的変化の計測、前記特徴量抽出手段による前記テクスチャ特徴量の抽出、前記特徴量ベクトル算出手段による前記特徴量ベクトルの算出、及び、前記主成分ベクトル算出手段による前記主成分ベクトルの算出を行い、
さらに、前記主成分ベクトルと印象レベルとの関係を表す重回帰モデルを作成することによって得られることを特徴とする請求項３に記載の食感評価システム。 - 請求項１〜４のいずれかに記載の各手段としてコンピュータを動作させるための食感評価プログラム。
- 請求項５に記載の食感評価プログラムを記録したコンピュータ読み取り可能な記録媒体。
- 試料を押圧する押圧ステップと、
前記試料の押圧時に前記試料から受ける圧力分布の経時的変化を計測する計測ステップと、
前記試料の破断前および破断後の圧力分布から得られた特徴量に基づいて前記試料の食感を評価する食感評価ステップと
を有し、
前記計測ステップでは、前記圧力分布を示す複数フレームの画像情報を生成し、
前記食感評価ステップは、
前記画像情報の各フレームの画像情報から、空間濃度レベル依存法を用いて、前記特徴量であるテクスチャ特徴量を抽出する特徴量抽出ステップと、
前記テクスチャ特徴量に基づいて特徴量ベクトルを算出する特徴量ベクトル算出ステップと、
前記特徴量ベクトルから主成分ベクトルを算出する主成分ベクトル算出ステップと、
前記主成分ベクトルから食感の評価結果を示す推定印象レベルを算出する推定印象レベル算出ステップと
を有することを特徴とする食感評価方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014014763A JP6324741B2 (ja) | 2013-01-29 | 2014-01-29 | 食感評価システム、食感評価プログラム、記録媒体および食感評価方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013014088 | 2013-01-29 | ||
| JP2013014088 | 2013-01-29 | ||
| JP2014014763A JP6324741B2 (ja) | 2013-01-29 | 2014-01-29 | 食感評価システム、食感評価プログラム、記録媒体および食感評価方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014167470A JP2014167470A (ja) | 2014-09-11 |
| JP6324741B2 true JP6324741B2 (ja) | 2018-05-16 |
Family
ID=51617218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014014763A Active JP6324741B2 (ja) | 2013-01-29 | 2014-01-29 | 食感評価システム、食感評価プログラム、記録媒体および食感評価方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6324741B2 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6807255B2 (ja) * | 2017-03-09 | 2021-01-06 | 株式会社 資生堂 | 測定装置、測定方法および測定プログラム |
| KR102121012B1 (ko) * | 2018-04-05 | 2020-06-10 | 세종대학교산학협력단 | 저작물성 테스트장치 |
| JP7131766B2 (ja) * | 2018-05-28 | 2022-09-06 | 三栄源エフ・エフ・アイ株式会社 | 機械学習システム、食感評価モデル、食感評価装置、機械学習方法および食感評価方法 |
| JP7146550B2 (ja) * | 2018-09-28 | 2022-10-04 | 日清オイリオグループ株式会社 | 食感評価システム |
| JP7424579B2 (ja) * | 2019-02-12 | 2024-01-30 | 国立大学法人大阪大学 | 食感評価システム及び食感評価方法 |
| JP7411978B2 (ja) * | 2019-07-12 | 2024-01-12 | 国立大学法人宇都宮大学 | 美味しさ計測装置、美味しさ計測システム及び美味しさ計測装置のプログラム |
| JP7156467B1 (ja) | 2021-07-30 | 2022-10-19 | Ｊｆｅスチール株式会社 | プレス成形品しわ発生判定指標取得方法及びプレス成形品しわ発生判定方法 |
| CN114720646B (zh) * | 2022-04-07 | 2023-12-15 | 手拉手纳米科技(嘉兴)有限公司 | 基于大数据的食品油炸锅的智能优化分析方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60143739A (ja) * | 1983-12-29 | 1985-07-30 | Kawasaki Steel Corp | 自動かたさ測定装置 |
| JP3250508B2 (ja) * | 1997-12-26 | 2002-01-28 | 株式会社島津製作所 | 材料試験機 |
| JP3567199B2 (ja) * | 2002-03-28 | 2004-09-22 | 国立大学法人広島大学 | 食品の物性測定装置および測定方法 |
| US7640847B2 (en) * | 2003-12-31 | 2010-01-05 | Council Of Scientific And Industrial Research | Method and device for measuring the texture of cooked grains |
| JP4627752B2 (ja) * | 2006-12-27 | 2011-02-09 | 日本アビオニクス株式会社 | 金属粒子の硬さ測定方法、接合性評価方法、硬さ測定装置および接合性評価装置 |
| SE531410C2 (sv) * | 2007-05-30 | 2009-03-24 | Fibro System Ab | Förfarande och anordning för bestämning av en materialytas topografi |
| BRPI0812341B1 (pt) * | 2007-06-05 | 2018-08-28 | Cargill Inc | métodos para avaliar atributos de paladar dos alimentos usando um dispositivo de tribologia |
-
2014
- 2014-01-29 JP JP2014014763A patent/JP6324741B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2014167470A (ja) | 2014-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6324741B2 (ja) | 食感評価システム、食感評価プログラム、記録媒体および食感評価方法 | |
| Friedman et al. | The texturometer—a new instrument for objective texture measurement | |
| Foegeding et al. | Invited review: Sensory and mechanical properties of cheese texture | |
| Naether et al. | The examination and identification of bite marks in foods using 3D scanning and 3D comparison methods | |
| US20170164929A1 (en) | Devices that cooperate with ultrasound probes for muscoskeletal evaluations and related systems and methods | |
| Meullenet et al. | Bi‐cyclical instrument for assessing texture profile parameters and its relationship to sensory evaluation of texture | |
| Nunes et al. | Vegetable proteins and milk puddings | |
| JP5780583B2 (ja) | 食感の生理学的評価装置 | |
| Ishihara et al. | Instrumental uniaxial compression test of gellan gels of various mechanical properties using artificial tongue and its comparison with human oral strategy for the first size reduction | |
| Harrison et al. | Towards modelling of fluid flow and food breakage by the teeth in the oral cavity using smoothed particle hydrodynamics (SPH) | |
| JP7131766B2 (ja) | 機械学習システム、食感評価モデル、食感評価装置、機械学習方法および食感評価方法 | |
| Brenner et al. | A note on instrumental measures of adhesiveness and their correlation with sensory perception | |
| RU2452925C1 (ru) | Способ отображения температурного поля биологического объекта | |
| Varela et al. | On the assessment of fracture in brittle foods: The case of roasted almonds | |
| CN106645606B (zh) | 一种阿胶感官品质评价方法 | |
| Böl et al. | On a staggered iFEM approach to account for friction in compression testing of soft materials | |
| TWI542320B (zh) | 以深度圖影像與骨架特徵點進行人體重量估測之方法 | |
| Ng et al. | The slip extrusion test: a novel method to characterise bolus properties | |
| JP7424579B2 (ja) | 食感評価システム及び食感評価方法 | |
| Kohyama | Compression test of soft gellan gels using a soft machine equipped with a transparent artificial tongue | |
| Shibata et al. | Food Texture Estimation Using Robotic Mastication Simulator Equipped with Teeth and Tongue. | |
| Dunnewind et al. | Relative importance of cohesion and adhesion for sensory stickiness of semisolid foods | |
| Bourne | Relationship between rheology and food texture | |
| Araujo et al. | Correlation of the fetal cerebellar volume with other fetal growth indices by three-dimensional ultrasound | |
| Mossaz et al. | Measuring and predicting the spreading of dairy products in the mouth: sensory, instrumental and modelling approaches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170117 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170117 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170809 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170822 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171011 |
|
| 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: 20180313 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180411 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6324741 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |