JP6749575B2 - 加熱履歴推定方法、加熱履歴推定装置、および、プログラム - Google Patents

Description

本発明は、加熱履歴推定方法、加熱履歴推定装置、および、プログラムに関する。

アミノ化合物含有食品は製造過程では、殺菌、トリプシン阻害物質等の危害物質の不活性化、および／または、風味向上などを目的とした、加熱工程を経ている。しかしながら、過加熱は、機能特性の低下、風味の低下、または、凝集等を引き起こす。

従来の品質管理工程では、官能評価によって適切な加熱が行われているかどうかが調べられているため、定性的、パネル育成および維持のコスト、ならびに、評価のばらつき等の課題があるため、より客観的、且つ、迅速なモニタリング方法の開発が必要となっている。

また、従来の品質管理工程では、温度計による品温計測により適切な加熱が行われているかどうかが調べられていた。

ここで、実際の製造現場では、装置特性もしくは完全な制御が困難であるために温度計の表示と実際の温度とにずれがある、サンプルの濃度ムラにより部位による品温のムラがある、または、温度計へのタンパク質の付着により不正確な計測となり、衛生管理上の手間がかかる等の様々なトラブルがあった。

そこで、加熱処理された結果である試料の性状から、実際の品温を推定する方法の開発が必要となっている。

ここで、従来、食品の状態を判別する技術が開示されている。

例えば、非特許文献１記載の分析方法では、未加工の生乳と、加熱加工された牛乳と、に対する加熱の有無を分光分析により求める技術が開示されている。

また、非特許文献２記載の分析方法では、蛍光指紋計測を用いて、鮮魚の冷凍までの冷蔵保存期間の推定を行う技術が開示されている。

また、非特許文献３記載の分析方法では、利用波長も可視から近赤外の波長を用いた分光分析により、固形物である鶏肉のパテの加熱履歴を計算する技術が開示されている。

Ｅ Ｄｕｆｏｕｒ ａｎｄ Ａ Ｒｉａｕｂｌａｎｃ， Ｐｏｔｅｎｔｉａｌｉｔｙ ｏｆ ｓｐｅｃｔｒｏｓｃｏｐｉｅ ｍｅｔｈｏｄｓ ｆｏｒ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓａｔｉｏｎ ｏｆ ｄａｉｒｙ ｐｒｏｄｕｃｔｓ． １． Ｆｒｏｎｔ−ｆａｃｅ ｆｌｕｏｒｅｓｃｅｎｃｅ ｓｔｕｄｙ ｏｆ ｒａｗ， ｈｅａｔｅｄ ａｎｄ ｈｏｍｏｇｅｎｉｓｅｄ ｍｉｌｋｓ， Ｌａｉｔ （１９９７） ７７， ６５７−６７０ Ｇ ＥｌＭａｓｒｙ ｅｔ ａｌ．， Ｆｒｅｓｈｎｅｓｓ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｉｎｔａｃｔ ｆｒｏｚｅｎ ｆｉｓｈ ｕｓｉｎｇ ｆｌｕｏｒｅｓｃｅｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ ｃｈｅｍｏｍｅｔｒｉｃｓ ｏｆ ｅｘｃｉｔａｔｉｏｎ−ｅｍｉｓｓｉｏｎ ｍａｔｒｉｘ， Ｔａｌａｎｔａ １４３ （２０１５） １４５−１５６ Ｈ． ＣＨＥＮ ａｎｄ Ｂ．Ｐ． ＭＡＲＫＳ， Ｅｖａｌｕａｔｉｎｇ Ｐｒｅｖｉｏｕｓ Ｔｈｅｒｍａｌ Ｔｒｅａｔｍｅｎｔ ｏｆ Ｃｈｉｃｋｅｎ Ｐａｔｔｉｅｓ ｂｙ Ｖｉｓｉｂｌｅ／Ｎｅａｒ−Ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ， Ｊｏｕｒｎａｌ ｏｆ Ｆｏｏｄ Ｓｃｉｅｎｃｅ Ｖｏｌｕｍｅ ６２， Ｉｓｓｕｅ ４， ｐａｇｅｓ ７５３−７８０， Ｊｕｌｙ １９９７

しかしながら、従来の分析方法（非特許文献１等）においては、蛍光指紋を用いて、加熱加工されたアミノ化合物を含有する液体の加熱履歴を推定することについては考慮していないという問題点を有していた。

本発明は、上記に鑑みてなされたもので、アミノ化合物含有食品の加熱履歴を客観的かつ迅速に推定することが可能な加熱履歴推定方法、加熱履歴推定装置、および、プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明の加熱履歴推定方法は、照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象のアミノ化合物含有食品の蛍光強度を測定して、前記測定対象のアミノ化合物含有食品の蛍光指紋情報を取得する蛍光指紋情報取得工程と、前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に基づいて前記測定対象のアミノ化合物含有食品の加熱履歴を推定する加熱履歴推定工程と、を含むことを特徴とする。

また、本発明の好ましい態様によれば、前記加熱履歴推定工程では、アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成工程、を更に含むことが望ましい。

また、本発明の好ましい態様によれば、前記推定モデル作成工程では、前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ（Ｓｏｆｔ Ｉｎｄｅｐｅｎｄｅｎｔ Ｍｏｄｅｌｉｎｇ ｏｆ Ｃｌａｓｓ Ａｎａｌｏｇｙ）、重回帰分析、ＰＬＳ（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）回帰分析、ＰＬＳ判別、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）回帰、ＳＶＭ判別、ＲＦ（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）回帰、および／または、ＲＦ判別行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、前記加熱履歴推定工程では、前記検量線または前記判別式に前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の前記加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理工程、を更に含むことが望ましい。

また、本発明の好ましい態様によれば、前記加熱履歴は、加熱温度、および／または、加熱時間であることが望ましい。

また、本発明の好ましい態様によれば、前記アミノ化合物含有食品は、液状又は固体状であることが望ましい。

また、上述した課題を解決し、目的を達成するために、本発明の加熱履歴推定装置は、照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象のアミノ化合物含有食品の蛍光強度を測定して、前記測定対象のアミノ化合物含有食品の蛍光指紋情報を取得する蛍光指紋情報取得手段と、前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報に基づいて前記測定対象のアミノ化合物含有食品の加熱履歴を推定する加熱履歴推定手段と、を備えたことを特徴とする。

また、本発明の好ましい態様によれば、前記加熱履歴推定手段は、アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成手段、を更に備えたことが望ましい。

また、本発明の好ましい態様によれば、前記推定モデル作成手段は、前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、前記加熱履歴推定手段は、前記検量線または前記判別式に前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の前記加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理手段、を更に備えたことが望ましい。

また、本発明の好ましい態様によれば、前記加熱履歴は、加熱温度、および／または、加熱時間であることが望ましい。

また、本発明の好ましい態様によれば、前記アミノ化合物含有食品は、液状、または、固体状であることが望ましい。

また、上述した課題を解決し、目的を達成するために、本発明のプログラムは、照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象のアミノ化合物含有食品の蛍光強度を測定して、前記測定対象のアミノ化合物含有食品の蛍光指紋情報を取得する蛍光指紋情報取得工程と、前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に基づいて前記測定対象のアミノ化合物含有食品の加熱履歴を推定する加熱履歴推定工程と、をコンピュータに実行させることを特徴とする。

また、本発明の好ましい態様によれば、前記加熱履歴推定工程では、アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成工程、を更にコンピュータに実行させることが望ましい。

また、本発明の好ましい態様によれば、前記推定モデル作成工程では、前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、前記加熱履歴推定工程では、前記検量線または判別式に前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象のアミノ化合物含有食品の前記加熱履歴を推定することが望ましい。

また、本発明の好ましい態様によれば、前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理工程、を更にコンピュータに実行させることが望ましい。

また、本発明の好ましい態様によれば、前記加熱履歴は、加熱温度、および／または、加熱時間であることが望ましい。

また、本発明の好ましい態様によれば、前記アミノ化合物含有食品は、液状又は固体状であることが望ましい。

また、上述した課題を解決し、目的を達成するために、本発明のアミノ化合物含有食品の製造方法は、前記加熱履歴推定方法における工程を含むことが望ましい。

この発明によれば、蛍光指紋を使うことで、アミノ化合物含有食品の加熱の度合いを非破壊で推定することができる。

また、この発明によれば、常に同じ基準で定量評価が可能であるため、ロット（バッチ）間または加熱処理間の違いを比較可能である。それにより、この発明によれば、従来よりも評価値の安定化および定量化が容易となる。

また、この発明によれば、一度検量線ができれば、一点につき数分の計測で加熱度合が推定可能であるため、従来よりも時間の短縮ができる。また、この発明によれば、ランニングコストがほとんどかからないため、従来よりもコストを減らすことができる。

また、この発明によれば、液体および粉末等の様々な形状の試料に適用可能であるため、従来よりもサンプル調製の手間がかからない。

図１は、本発明の概略を説明するための説明図である。 図２は、測定対象物に励起光を照射した場合に、測定対象物から発せられる蛍光を説明するための図である。 図３は、蛍光指紋の一例を３次元データの等高線状のグラフにて示す図である。 図４は、図３の蛍光指紋の一例を平面的に表した俯瞰図である。 図５は、本実施の形態に係るアミノ化合物含有食品の加熱履歴推定方法を説明するためのフローチャートである。 図６は、測定対象の液状のアミノ化合物含有食品の準備の一例を説明するための図である。 図７は、測定対象の固体状のアミノ化合物含有食品の準備の一例を説明するための図である。 図８は、蛍光指紋情報に対して行われるデータ前処理の第１段階を説明するための図である。 図９は、蛍光指紋情報に対して行われるデータ前処理の第２段階（中心化）を説明するための図である。 図１０は、蛍光指紋情報に対して行われるデータ前処理の第２段階（規格化）を説明するための図である。 図１１は、蛍光指紋情報に対して行われるデータ前処理の第２段階（標準化）を説明するための図である。 図１２は、本実施の形態に係る加熱履歴推定装置の構成の一例を示すブロック図である。 図１３は、蛍光指紋取得装置の一例を示すブロック図である。 図１４は、液状の豆乳の加熱履歴推定結果の一例を示す図である。 図１５は、豆乳の凍結乾燥粉末の加熱履歴推定結果の一例を示す図である。 図１６は、液状の豆乳の加熱履歴推定結果の一例を示す図である。 図１７は、液状の牛乳の加熱履歴推定結果の一例を示す図である。 図１８は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。 図１９は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。 図２０は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。 図２１は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。 図２２は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。 図２３は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

以下に、本発明に係る加熱履歴推定方法、加熱履歴推定装置、プログラム、および、製造方法の好適な実施の形態の例を、図１から図２３を参照して詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

［本発明の概略］
本発明で言うアミノ化合物とは、タンパク質、ペプチド、および、アミノ酸の総称である。本発明では、これらを含む食品の加熱履歴を推定することが出来る。

まず、図１を参照して、本発明の概略を説明する。図１は、本発明の概略を説明するための説明図である。

本発明では、アミノ化合物含有食品の加熱履歴を客観的かつ迅速に推定するために、測定対象の加熱したアミノ化合物含有食品の蛍光指紋を測定し、測定した蛍光指紋に基づいて、アミノ化合物含有食品の加熱履歴を推定している。

本発明は、蛍光指紋から加熱履歴を推定するための推定モデルを作成する推定モデル作成工程（Ｓ１）と、測定対象物の蛍光指紋を測定し、測定した蛍光指紋を推定モデルに適用して加熱履歴（加熱度合）を推定する簡易計測工程（Ｓ２）とを備える。

推定モデル作成工程（Ｓ１）では、生豆乳を異なる温度および／または時間で加熱した豆乳の蛍光指紋を測定して、測定した蛍光指紋を多変量解析してアミノ化合物含有食品の加熱履歴を推定するための推定モデルを作成する。

そして、測定した蛍光指紋情報に対しては必要によりデータ前処理を行う。ここで、多変量解析には、教師ありの手法および教師なしの手法がある。

また、教師ありの手法では、加熱履歴が既知の豆乳に対して蛍光指紋を測定し、測定した蛍光指紋に対して多変量解析を行うことで推定モデルを作成する。

一方、教師なしの手法では、豆乳の蛍光指紋を測定し、測定した蛍光指紋に対して多変量解析を行うことで推定モデルを作成する。

蛍光指紋の簡易計測工程（Ｓ２）では、加熱履歴を推定したい豆乳製品の蛍光指紋の計測を行って蛍光指紋を取得する。取得した蛍光指紋に対しては、必要によりデータ前処理を行う。

そして、取得した蛍光指紋を推定モデルに適用して、加熱履歴を推定する。このように、一旦、推定モデルを作成すると、測定対象物の蛍光指紋を取得するだけで、客観的かつ迅速に加熱履歴を推定することが可能となる。

［蛍光指紋］
図２から図４を参照し、蛍光指紋について説明する。図２は、測定対象物に励起光を照射した場合に、測定対象物から発せられる蛍光を説明するための図である。図３は、蛍光指紋の一例を３次元データの等高線状のグラフにて示す図である。図４は、図３の蛍光指紋の一例を平面的に表した俯瞰図である。

図２に示すように、測定対象物に励起光（様々な波長の光）を照射し、測定対象物から発せられた蛍光を検出する。「蛍光指紋」とは、図３に示すように、測定対象物に照射する励起波長、測定対象物から発する蛍光波長、測定対象物の蛍光強度の３軸からなる３次元データの等高線状のグラフである。

また、図４に示すように、「蛍光指紋」は、横軸を蛍光波長、縦軸を励起波長として各ポイントの蛍光強度を等高線プロットすることにより平面的に表すことができる。

蛍光指紋は、測定対象物に対し蛍光染色等の前処理をせずにキャラクタリゼーションが可能であること、操作が容易で短時間で測定できること、さらに吸光法に比べ感度が高いこと、非破壊で測定が可能であることなどの長所を有することから、食品等の内部構造の分析や、大気中の浮遊物の測定や、染料の原料特定などに利用されている手法である。

このように、「蛍光指紋」は、３次元の膨大な情報を有する成分固有の蛍光情報であるため、測定者は、蛍光指紋を利用することで、成分の識別が可能であり、かつ、非破壊での計測が可能である。

［アミノ化合物含有食品の加熱履歴推定方法］
図５から図１１を参照し、本実施の形態に係るアミノ化合物含有食品の加熱履歴推定方法について説明する。図５は、本実施の形態に係るアミノ化合物含有食品の加熱履歴推定方法を説明するためのフローチャートである。

図５に示すように、本実施の形態に係るアミノ化合物含有食品の加熱履歴推定方法は、アミノ化合物含有食品の蛍光指紋を多変量解析して、加熱履歴を推定するための推定モデルを作成する推定モデル作成工程と、アミノ化合物含有食品の蛍光指紋を測定し、測定した蛍光指紋を推定モデルに適用して加熱履歴を推定する加熱履歴推定工程とに大別される。

多変量解析には、（１）教師なし（パターン認識）と、（２）教師ありと、がある。（１）教師なしには、主成分分析、クラスター分析等がある。（２）教師ありには、（２−１）判別分析、（２−２）回帰分析等がある。

（２−１）判別分析は、いくつかのグループにデータを分けるものであり、ＰＬＳ（Ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ）判別分析、ＳＩＭＣＡ（Ｓｏｆｔ Ｉｎｄｅｐｅｎｄｅｎｔ Ｍｏｄｅｌｉｎｇ ｏｆ Ｃｌａｓｓ Ａｎａｌｏｇｙ）、および、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）判別分析等がある。

（２−２）回帰分析は、特定の数値を推定する回帰式（検量線）を作成するものであり、加熱履歴の数値を推定するのに使用することができる。回帰分析には、重回帰分析、ＰＬＳ回帰分析、主成分回帰分析、ＲＦ回帰、および、ＳＶＭ回帰がある。

より望ましくはＲＦ回帰、ＰＬＳ回帰であり、さらに望ましくはＰＬＳ回帰である。望ましいとされる分析手法を採用することで、より正確な加熱履歴を推定することが出来る。

測定対象のアミノ化合物含有食品としては、液状食品としては、豆乳、または、牛乳を挙げることが出来る。また、固体状食品としては、これら液状食品を乾燥したものを挙げることが出来る。特に液状食品では、加熱履歴の痕跡をとどめにくい場合が多い中、本発明を適用することで、その加熱履歴を推定する事が出来、好ましい測定対象と言える。

なお、加熱履歴は、加熱温度、および／または、加熱時間として評価される。

本発明に係る方法で推定される加熱履歴において、その温度幅と加熱時間は理論上、特に限定されない。温度幅としては、少なくとも、一般的な食品の加熱工程で用いられる温度域である、２０〜２００℃においては、適用が可能である。

この温度幅は、より望ましくは５０〜１５０℃である。また、加熱時間は、０．１秒間から１０時間について適用が可能であり、より望ましくは０．５秒間から８時間、さらに望ましくは０．５秒間から１時間について適用が可能である。

本発明に係る方法を用いることで、このような、食品の加熱条件として採用されやすい上記温度域及び加熱時間における加熱履歴を、精度よく推定することが出来る。

推定モデル作成工程では、まず、推定モデルを作成するために、測定対象のアミノ化合物含有食品を準備する（ステップＳ１１）。

ここで、図６は、測定対象の液状のアミノ化合物含有食品の準備の一例を説明するための図である。

図６に示すように、測定対象の液状のアミノ化合物含有食品を、液体用石英セルに入れて、計測装置にセットする。

また、図７は、測定対象の固体状のアミノ化合物含有食品の準備の一例を説明するための図である。

図７に示すように、測定対象の固体状のアミノ化合物含有食品（例えば、液状のアミノ化合物含有食品の凍結乾燥粉末等）を、粒度を均一にするためにマルチビーズショッカー等の粉砕機を用いて微粉砕し、粉体用石英セルに入れて、計測装置にセットする。

図５に戻り、測定対象の液状のアミノ化合物含有食品、または、固体状のアミノ化合物含有食品に対して蛍光指紋計測を行って蛍光指紋情報を取得する（ステップＳ１２）。

例えば、既存の分光蛍光光度計（例えば、日立ハイテクノロジーズ製のＦ−７０００型蛍光分光光度計、または、日本分光製のＦＰ−８５００蛍光分光光度計等）により、励起波長（例えば、２００から７００ｎｍの計測波長範囲内で５ｎｍのデータ取得間隔ごとのｍ個の波長）と、蛍光波長（例えば、２００から９００ｎｍの計測波長範囲で５ｎｍのデータ取得間隔ごとのｎ個の波長）と、の組み合わせを変えながら、合計ｍ×ｎ通りの波長条件で、測定対象物の蛍光強度を取得してもよい。

ここで、測定者は、計測回数（例えば、各試料につき３回）を調整してもよい。図８（Ａ）は、測定対象物の蛍光指紋の一例を示す図である。

図８（Ａ）に示すように、測定対象物について、照射する励起波長および観測する蛍光波長の組み合わせが異なるｍ×ｎ波長条件で蛍光強度を取得し、測定対象物の蛍光指紋情報を取得する。

図５に戻り、取得した蛍光指紋情報に対して、必要によりデータ前処理を実行する（ステップＳ１３）。

以下、図８から図１１を参照して、多変量解析前に蛍光指紋情報に対して行われるデータ前処理について説明する。

図８は、蛍光指紋情報に対して行われるデータ前処理の第１段階を説明するための図である。図９から図１１は、蛍光指紋情報に対して行われるデータ前処理の第２段階を説明するための図である。

データ前処理は、例えば、１．蛍光指紋の散乱光の除去と２次元データへの展開との第１段階、２．２次元の蛍光指紋情報に対する信号処理演算（例えば、中心化、標準化、規格化、２次微分、ベースライン補正、および、平滑化等）の第２段階の処理がある。

＜１．蛍光指紋の散乱光の除去と２次元データへの展開（第１段階の処理）＞
図８（Ａ）に示すように、取得された蛍光指紋情報は、合計ｍ×ｎの波長条件（＝励起波長と蛍光波長の組み合わせ）のパラメータからなる高次元の蛍光強度データを含んでおり、更に、蛍光の定義から外れる光学的データ（例えば、励起光の散乱光、その２次光、３次光等：本発明では便宜的にノイズ情報と表記する）を含んでいる。

ここで、散乱光は、蛍光波長と励起波長が一致する波長条件で、または、散乱光の二次光、三次光はそれぞれ蛍光波長が励起波長の２倍、３倍となる波長条件で現れる。

そのため、ノイズ情報を除去するとともに、取得した高次元の蛍光強度データから、目的とする蛍光指紋以外の情報を除去した低次元の蛍光強度データにすることが望ましい。

そこで、図８（Ｂ）に示すように、ノイズ情報となる励起光の散乱光、ならびに、その２次光および３次光のデータ（例えば、図８（Ｂ）の（ｉ）が示すデータ）を削除する。

ここで、散乱光・２次光・３次光ともにある程度の幅をもって現れるため、例えば、前後３０から４０ｎｍの範囲のデータを除くことにしてもよい。

更に、蛍光波長が励起波長よりも短い範囲のデータ（例えば、図８（Ｂ）の（ｉｉ）が示すデータ）を除去する。

これは、測定対象物が発する蛍光波長は励起波長より長波長であるので、励起波長より長波長の蛍光波長の蛍光強度データのみを解析するための処理である。

このように、散乱光および蛍光波長が励起波長よりも短い範囲のデータを除去して、図８（Ｃ）に示すように、測定対象物の特徴を表す蛍光指紋情報を抽出する。

蛍光指紋情報は、上述したように、励起波長、蛍光波長、および、蛍光強度からなる３次元データである。多くの解析手法は２次元データを対象に開発されているため、それらを用いるためには３次元データを２次元に展開する必要がある。

たとえば、図８（Ｃ）に示すように、励起波長２００から７００ｎｍ、および、蛍光波長２００から７００ｎｍ、励起波長、蛍光波長ともに５ｎｍ間隔で取得した蛍光指紋の場合、励起波長２００ｎｍの蛍光スペクトルの後に励起波長２０５ｎｍの蛍光スペクトル、その後に励起波長２１０ｎｍの蛍光スペクトル・・・というように蛍光スペクトルを一列につなげていく。

このようにして展開した２次元データの一例を図８（Ｄ）に示す。図８（Ｄ）は、３つの蛍光スペクトルを示しており、横軸は波長条件（励起波長と蛍光波長の組み合わせ）、縦軸は蛍光強度となる。

なお、本実施形態においては、第一段階の処理を行わず、３次元データのまま多変量解析を行ってもよい。

＜２．２次元の蛍光指紋情報に対する信号処理演算（第２段階の処理）＞
２次元に展開した蛍光指紋情報に対して、中心化（ｍｅａｎ ｃｅｎｔｅｒｉｎｇ）、規格化（ｎｏｒｍａｌｉｚａｔｉｏｎ）、標準化（ａｕｔｏｓｃａｌｅ）、２次微分（２ｎｄ ｄｅｒｉｖａｔｉｖｅ）、ベースライン補正（ｂａｓｅｌｉｎｅ ｃｏｒｒｅｃｔｉｏｎ）、および、平滑化（ｓｍｏｏｔｈｉｎｇ）のうちの１つまたは組み合わせて信号処理演算を行う。

第２段階のデータ前処理を行うことにより、蛍光スペクトルに含まれている情報の強調、異なるサンプルの蛍光スペクトルの尺度を合わせることができる等の効果がある。

図９は、図８（Ｄ）の蛍光指紋情報を中心化した例を示す図である。「中心化」では、波長条件毎に、全サンプルの蛍光強度の平均を求め、平均が「０」となるように蛍光強度から差し引く処理を行う。

図１０は、図８（Ｄ）の蛍光指紋データを規格化した例を示す図である。「規格化」ではサンプルごとに蛍光強度の積分（スペクトルの下の面積）を求め、全てのサンプルで積分が「１」となるようにサンプルごとに係数をかける処理を行う。

図１１は、図８（Ｄ）の蛍光指紋データを標準化した例を示す図である。「標準化」では波長条件毎に、平均が「０」、および、標準偏差が「１」となるよう、平均を差し引いた後に標準偏差で割る処理を行う。

なお、本実施形態においては、第２段階のデータ前処理を行わずに多変量解析を行ってもよい。

図５に戻り、データ前処理が行われた蛍光指紋情報（データ前処理を行っていない蛍光指紋情報を使用してもよい）を多変量解析してアミノ化合物含有食品の加熱履歴を推定するための推定モデルを作成し（ステップＳ１４）、処理を終了する。

ここで、多変量解析を行う場合には、ＭＡＴＬＡＢ（Ｍａｔｈｗｏｒｋｓ Ｉｎｃ，ＵＳＡ）、Ｕｎｓｃｒａｍｂｌｅｒ（ＣＡＭＯ Ｓｏｆｔｗａｒｅ ＡＳ，Ｎｏｒｗａｙ）、ＪＭＰ（ＳＡＳ Ｉｎｓｔｉｔｕｔｅ Ｉｎｃ，ＵＳＡ）、または、Ｅｘｃｅｌ（Ｍｉｃｒｏｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ，ＵＳＡ）等の汎用のソフトウェアや独自開発のソフトウェアを使用してもよい。

ここで、多変量解析として回帰分析を使用する場合は、例えば、蛍光指紋情報から加熱履歴を推定するための検量線（回帰式）を推定モデルとして作成する。

また、多変量解析として判別分析を使用する場合は、蛍光指紋情報から加熱履歴のどのグループに分類されるかを推定するための推定モデルを作成する。

つぎに、簡易計測工程では、加熱履歴を推定したい測定対象物を準備する（ステップＳ２１）。測定対象物の準備は、ステップＳ１１と同様であるので、詳細な説明は省略する。

そして、加熱履歴を推定したい測定対象物に対して蛍光指紋計測を行って蛍光指紋情報を取得する（ステップＳ２２）。蛍光指紋情報の取得は、ステップＳ１２と同様であるので、詳細な説明は省略する。

そして、取得した蛍光指紋情報に対して、必要によりデータ前処理を実行する（ステップＳ２３）。データ前処理は、ステップＳ１３と同様であるので、詳細な説明は省略する。

そして、測定した蛍光指紋情報を推定モデルに適用して加熱履歴を推定し（ステップＳ２４）、処理を終了する。

［加熱履歴推定装置］
次に、本発明の加熱履歴推定装置の構成について図１２および図１３を参照し実施形態を例に挙げて説明する。

なお、本実施の形態に係る加熱履歴推定装置は、前述のアミノ化合物含有食品の加熱履歴推定方法に好適に使用できるものであるが、本実施の形態に係るアミノ化合物含有食品の加熱履歴推定方法に用いる装置はこれに限定されるものではない。

ここで、図１２は、本実施の形態に係る加熱履歴推定装置の構成の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

図１２に示すように、加熱履歴推定装置２０は、少なくとも蛍光指紋取得装置１０を備えている。蛍光指紋取得装置１０は、蛍光指紋情報を取得する装置であり、分光照明装置１１および分光検出装置１２を備えている。

また、加熱履歴推定装置２０は、蛍光指紋取得装置１０で取得した蛍光指紋情報から、測定対象物１３の加熱履歴を検知する装置であり、メモリ２１、制御部２３、および、計算処理部２４を備えており、測定者はキーボード・マウス２２により、加熱履歴推定装置２０に測定条件等を入力する。

ここで、図１３は、蛍光指紋取得装置１０の一例を示すブロック図であり、該構成のうち本発明に関係する部分のみを概念的に示している。

図１３に示すように、蛍光指紋取得装置１０は、光源１１０と分光装置１１２とを備えた分光照明装置１１、および、分光装置１２２と蛍光指紋検出装置１２４とを備えた分光検出装置１２を備えている。

分光照明装置１１は、測定対象物１３に、所定の波長の励起光を照射して測定対象物１３の成分から蛍光を生じさせる装置である。分光照明装置１１は、照射する励起波長を任意に変える励起波長可変手段を有する。

分光検出装置１２は、所定の蛍光波長において、測定対象物１３の蛍光強度を取得する。分光検出装置１２は、測定対象物１３が発した蛍光のうち、特定の蛍光波長を選択的に捕えて、蛍光強度を計測する。分光検出装置１２は、観測する蛍光波長を任意に変える蛍光波長可変手段を有する。

ここで、図１２に戻り、加熱履歴推定装置２０について説明する。

加熱履歴推定装置２０は、上述の加熱履歴推定方法を実行するための装置である。図１２に示すように、加熱履歴推定装置２０は、メモリ２１、制御部２３、および、計算処理部２４を備えており、キーボード・マウス２２、Ｉ／Ｏポート（例えば、ＵＳＢポート等）２６、および、ディスプレイ３０等が接続されている。

メモリ２１は、蛍光指紋検出装置１２４から加熱履歴推定装置２０へ転送され、計算処理部２４の蛍光指紋情報取得部２４−１により取得された蛍光指紋情報、ならびに、計算処理部２４の推定モデル作成部２４−３で推定モデルを作成する際に使用するアミノ化合物含有食品の加熱履歴の実測値および作成した推定モデル２７等を格納する。

推定モデル２７を作成する際に使用するアミノ化合物含有食品の加熱履歴の実測値は、キーボード・マウス２２またはＩ／Ｏポート２６から入力することができる。

制御部２３は、測定者が入力した励起波長範囲、蛍光波長範囲、波長ピッチで測定対象物１３の蛍光指紋を取得するように、分光照明装置１１が照射する励起波長、および、分光検出装置１２が観測する蛍光波長を調整する指示を行い、また、計算処理部２４に処理を行うよう命令する。

ここで、蛍光指紋取得装置１０から転送された蛍光指紋情報は、加熱履歴推定装置２０のメモリ２１に格納される。

計算処理部２４は、蛍光指紋情報取得部２４−１、データ前処理部２４−２、推定モデル作成部２４−３、および、加熱履歴推定部２４−４を備える。

ここで、蛍光指紋情報取得部２４−１は、所定の励起波長範囲および所定の蛍光波長範囲で、照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象のアミノ化合物含有食品の蛍光強度を測定して、測定対象のアミノ化合物含有食品の蛍光指紋情報を取得する。

データ前処理部２４−２は、蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行う。

推定モデル作成部２４−３は、蛍光指紋情報取得部２４−１により取得された蛍光指紋情報に対して、多変量解析を行うことで推定モデルを作成する。ここで、推定モデル作成部２４−３は、蛍光指紋情報に対して、多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、推定モデルとして検量線、および／または、判別式を作成してもよい。

加熱履歴推定部２４−４は、蛍光指紋情報取得部２４−１により取得された蛍光指紋情報に基づいて測定対象のアミノ化合物含有食品の加熱履歴を推定する。

ここで、加熱履歴推定部２４−４は、アミノ化合物含有食品の加熱履歴を推定するための推定モデルに蛍光指紋情報取得部２４−１により取得された蛍光指紋情報を適用して、測定対象のアミノ化合物含有食品の加熱履歴を推定してもよい。

また、加熱履歴推定部２４−４は、検量線または判別式に蛍光指紋情報取得部２４−１により取得された蛍光指紋情報を適用して、測定対象のアミノ化合物含有食品の加熱履歴を推定してもよい。

例えば、測定者がキーボード・マウス２２を通じて、計算処理部２４に対して処理を行うよう命令すると、まず、計算処理部２４の蛍光指紋情報取得部２４−１が、メモリ２１に格納された蛍光指紋情報を抽出する。

計算処理部２４の推定モデル作成部２４−３は、抽出された蛍光指紋情報に対して、（データ前処理部２４−２による前処理の後）、多変量解析を行い、推定モデルを作成する。

本実施形態において、計算処理部２４の推定モデル作成部２４−３は、例えば、多変量解析としてＰＬＳ回帰分析で作成した検量線を推定モデルとして作成してもよい。

計算処理部２４の推定モデル作成部２４−３は、多変量解析の結果（推定モデル２７）を、メモリ２１に格納してもよく、ディスプレイ３０上に出力してもよく、プリンタ（図示せず）を介して印刷してもよい。

計算処理部２４の加熱履歴推定部２４−４は、メモリ２１に格納された推定モデル２７に抽出された蛍光指紋情報を適用して、加熱履歴を推定する。なお、メモリ２１には、複数の加熱履歴の推定モデル２７を格納しておくことで、１回の蛍光指紋の測定で、複数の加熱履歴を同時に推定することが可能となる。

［実施例］
以下、図１４から図２３を参照して実施例について説明する。なお、本発明はこれらの実施例に限定されるものではない。

［実施例１］
図１４および図１５を参照して実施例１を説明する。本実施例１は、豆乳の加熱温度の推定を行った結果である。図１４は、液状の豆乳の加熱履歴推定結果の一例を示す図である。図１５は、豆乳の凍結乾燥粉末の加熱履歴推定結果の一例を示す図である。

図１４に示すように、推定モデル作成工程にて、同一時間異なる温度で加熱した液状の豆乳（Ｃａｌｉｂｒａｔｉｏｎ）を用いて、推定モデルとなる回帰直線（Ｒｅｇｒｅｓｓｉｏｎ ｌｉｎｅ）を作成している。

そして、図１４に示すように、簡易計測工程にて、回帰直線を用いて、液状の豆乳製品（Ｖａｌｉｄａｔｉｏｎ）について検証したところ、高精度で豆乳製品の加熱温度の推定ができることが実証された。

また、図１５に示すように、推定モデル作成工程にて、同一時間異なる温度で加熱した豆乳の凍結乾燥粉末（Ｃａｌｉｂｒａｔｉｏｎ）を用いて、推定モデルとなる回帰直線（Ｒｅｇｒｅｓｓｉｏｎ ｌｉｎｅ）を作成している。

そして、図１５に示すように、簡易計測工程にて、回帰直線を用いて、豆乳製品の凍結乾燥粉末（Ｖａｌｉｄａｔｉｏｎ）について検証したところ、高精度で豆乳製品の加熱温度の推定ができることが実証された。

［実施例２］
図１６を参照して実施例２を説明する。本実施例２は、豆乳の加熱時間の推定を行った結果である。図１６は、液状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例２においては、（加熱温度，加熱時間）が（８０℃，５分間）、（８０℃，１０分間）、（８０℃，１５分間）、および、（８０℃，３０分間）の液状の豆乳を計測サンプルとして用いた。

そして、簡易計測工程にて、各計測サンプルを液体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱時間の推定を行った。

図１６に示すように、加熱時間が短時間の計測サンプルにおいて、推定値に若干のばらつきがあるが、全体的に推定モデルである検量線周辺に推定値がプロットされた。

このように、本実施例２においては、液状の豆乳を計測サンプルとする場合、特に、加熱時間が長い計測サンプルに対して、高精度で加熱時間の推定ができることが実証された。

［実施例３］
図１７を参照して実施例３を説明する。本実施例３は、牛乳の殺菌温度の推定を行った結果である。図１７は、液状の牛乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例３においては、（殺菌温度，加熱時間）が（１４０℃，３秒間）、（１４０℃，３秒間）、（１３０℃，２秒間）、（１３０℃，２秒間）、（１３０℃，２秒間）、（１２０℃，２秒間）、および、（６６℃，３０分間）の７種類の液状の成分無調整牛乳を計測サンプルとして用いた。

そして、簡易計測工程にて、各計測サンプルを液体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱時間の推定をＰＬＳ回帰分析により行った。

図１７に示すように、殺菌温度、および、加熱時間の違いに関係なく、全体的に実測値と推定値が一致する４５度線周辺に推定値がプロットされた。

このように、本実施例３においては、液状の牛乳を計測サンプルとする場合、殺菌温度、および、加熱時間の違いに関係なく、高精度で殺菌温度の推定ができることが実証された。

［実施例４］
図１８を参照して実施例４を説明する。本実施例４は、豆乳の凍結乾燥粉末の加熱温度の推定を行った結果である。図１８は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例４においては、簡易計測工程にて、各計測サンプルを粉体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱温度の推定をＳＶＭ回帰により行った。

図１８に示すように、加熱温度の違いに関係なく、全体的に実測値と推定値が一致する４５度線周辺に推定値がプロットされた。

このように、本実施例４においては、固体状の豆乳を計測サンプルとする場合、加熱温度の違いに関係なく、高精度で加熱温度の推定ができることが実証された。

［実施例５］
図１９を参照して実施例５を説明する。本実施例５は、豆乳の凍結乾燥粉末の加熱温度の推定を行った結果である。図１９は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例５においては、簡易計測工程にて、各計測サンプルを粉体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱温度の推定をＲＦ回帰により行った。

図１９に示すように、加熱温度の違いに関係なく、全体的に実測値と推定値が一致する４５度線周辺に推定値がプロットされた。

このように、本実施例５においては、固体状の豆乳を計測サンプルとする場合、加熱温度の違いに関係なく、高精度で加熱温度の推定ができることが実証された。

［実施例６］
図２０および図２１を参照して実施例６を説明する。本実施例６は、豆乳の凍結乾燥粉末の加熱履歴の推定を行った結果である。図２０および図２１は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例６においては、簡易計測工程にて、各計測サンプルを粉体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱履歴の推定をＰＬＳ判別により行った。

図２０に示すように、加熱温度２５℃以下を「クラス０」とし、２６℃以上を「クラス１」としてＰＬＳ判別分析を実施した。

ここで、蛍光指紋情報に基づいて、判別境界以上をクラス１とし、判別境界未満をクラス０と判定する判別式を作成した。

図２１に示すように、判別式に基づいて、各サンプルの所属クラスを判定したところ、１００％の確率で正しく判別可能できることが実証された。

［実施例７］
図２２を参照して実施例７を説明する。本実施例７は、豆乳の凍結乾燥粉末の加熱履歴の推定を行った結果である。図２２は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例７においては、簡易計測工程にて、各計測サンプルを粉体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱履歴の推定をＳＶＭ判別により行った。

図２２に示すように、蛍光指紋情報に基づいて、判別式を作成し、判別式に基づいて、各サンプルの所属クラスを判定したところ、１００％の確率で正しく判別可能できることが実証された。

［実施例８］
図２３を参照して実施例８を説明する。本実施例８は、豆乳の凍結乾燥粉末の加熱履歴の推定を行った結果である。図２３は、固体状の豆乳の加熱履歴推定結果の一例を示す図である。

ここで、本実施例８においては、簡易計測工程にて、各計測サンプルを粉体用石英セルに入れて蛍光指紋計測を行い、蛍光指紋情報から加熱履歴の推定をＲＦ判別により行った。

図２３に示すように、蛍光指紋情報に基づいて、判別式を作成し、判別式に基づいて、各サンプルの所属クラスを判定したところ、１００％の確率で正しく判別可能できることが実証された。

なお、本実施形態において、多変量解析として実施する回帰分析としては、ＲＦ回帰またはＰＬＳ回帰がより望ましく、ＰＬＳ回帰が更に望ましい。

また、本実施形態においては、蛍光指紋情報に対して、多変量解析として主成分分析、クラスター分析、正準判別分析、ＳＩＭＣＡ、ＲＦ判別、および／または、ＳＶＭ判別分析を行うことで、推定モデルとして判別式を作成し、判別式に取得された蛍光指紋情報を適用して、測定対象のアミノ化合物含有食品の加熱履歴を推定することが望ましい。

また、本実施形態においては、多変量解析として実施する判別分析としては、ＲＦ判別、または、ＰＬＳ判別がより望ましく、ＰＬＳ判別が更に望ましい。

また、本実施形態においては、アミノ化合物含有食品は、より望ましくは、液状である。

［他の実施の形態］
さて、これまで本発明の実施の形態について説明したが、本発明は、上述した実施の形態以外にも、特許請求の範囲に記載した技術的思想の範囲内において種々の異なる実施の形態にて実施されてよいものである。

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

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

また、加熱履歴推定装置２０に関して、図示の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。

例えば、加熱履歴推定装置２０の各装置が備える処理機能、特に計算処理部２４にて行われる各処理機能については、その全部または任意の一部を、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）および当該ＣＰＵにて解釈実行されるプログラムにて実現してもよく、また、ワイヤードロジックによるハードウェアとして実現してもよい。尚、プログラムは、後述する記録媒体に記録されており、必要に応じて加熱履歴推定装置２０に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤなどのメモリ２１などは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）として協働してＣＰＵに命令を与え、各種処理を行うためのコンピュータプログラムが記録されている。このコンピュータプログラムは、ＲＡＭにロードされることによって実行され、ＣＰＵと協働して制御部を構成する。

また、このコンピュータプログラムは、加熱履歴推定装置２０に対して任意のネットワークを介して接続されたアプリケーションプログラムサーバに記憶されていてもよく、必要に応じてその全部または一部をダウンロードすることも可能である。

また、本発明に係るプログラムを、コンピュータにて読み取り可能な記録媒体に格納してもよく、また、プログラム製品として構成することもできる。ここで、この「記録媒体」とは、メモリーカード、ＵＳＢメモリ、ＳＤカード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、および、Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ等の任意の「可搬用の物理媒体」を含むものとする。

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

メモリ２１に格納される各種のデータベース等は、ＲＡＭ、ＲＯＭ等のメモリ装置、ハードディスク等の固定ディスク装置、フレキシブルディスク、光ディスク等のストレージ手段であり、各種処理やウェブサイト提供に用いる各種のプログラムやテーブルやデータベースやウェブページ用ファイル等を格納する。

また、加熱履歴推定装置２０は、既知のパーソナルコンピュータ、ワークステーション等の情報処理装置として構成してもよく、また、該情報処理装置に任意の周辺装置を接続して構成してもよい。また、加熱履歴推定装置２０は、該情報処理装置に本発明の方法を実現させるソフトウェア（プログラム、データ等を含む）を実装することにより実現してもよい。

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

以上説明したように、本実施の形態によれば、非破壊、非接触での計測にも関わらず、加熱履歴を正確に推定することができるので、液状のアミノ化合物含有食品の加熱度合の検査などの様々な分野において広く使用することができる、非常に汎用性の高い手法である。

１０ 蛍光指紋取得装置
１１ 分光照明装置
１１０ 光源
１１２ 分光装置
１２ 分光検出装置
１２２ 分光装置
１２４ 蛍光指紋検出装置
１３ 測定対象物
２０ 加熱履歴推定装置
２１ メモリ
２２ キーボード・マウス
２３ 制御部
２４ 計算処理部
２４−１ 蛍光指紋情報取得部
２４−２ データ前処理部
２４−３ 推定モデル作成部
２４−４ 加熱履歴推定部
２６ Ｉ／Ｏポート
２７ 推定モデル
３０ ディスプレイ

Claims (18)

1. 照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象の豆乳または牛乳の蛍光強度を測定して、前記測定対象の豆乳または牛乳の蛍光指紋情報を取得する蛍光指紋情報取得工程と、
   前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に基づいて前記測定対象の豆乳または牛乳の加熱温度または加熱時間を推定する加熱履歴推定工程と、
   を含むことを特徴とする加熱履歴推定方法。
2. 前記加熱履歴推定工程では、
   アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項１に記載の加熱履歴推定方法。
3. 前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成工程、
   を更に含むことを特徴とする請求項２に記載の加熱履歴推定方法。
4. 前記推定モデル作成工程では、
   前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、
   前記加熱履歴推定工程では、
   前記検量線または前記判別式に前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項３に記載の加熱履歴推定方法。
5. 前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理工程、
   を更に含むことを特徴とする請求項１から４のいずれか１つに記載の加熱履歴推定方法。
6. 前記豆乳または前記牛乳は、
   液状、または、前記液状を乾燥したものであることを特徴とする請求項１から５のいずれか１つに記載の加熱履歴推定方法。
7. 照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象の豆乳または牛乳の蛍光強度を測定して、前記測定対象の豆乳または牛乳の蛍光指紋情報を取得する蛍光指紋情報取得手段と、
   前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報に基づいて前記測定対象の豆乳または牛乳の加熱温度または加熱時間を推定する加熱履歴推定手段と、
   を備えたことを特徴とする加熱履歴推定装置。
8. 前記加熱履歴推定手段は、
   アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項７に記載の加熱履歴推定装置。
9. 前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成手段、
   を更に備えたことを特徴とする請求項８に記載の加熱履歴推定装置。
10. 前記推定モデル作成手段は、
    前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、
    前記加熱履歴推定手段は、
    前記検量線または前記判別式に前記蛍光指紋情報取得手段により取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項９に記載の加熱履歴推定装置。
11. 前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理手段、
    を更に備えたことを特徴とする請求項７から１０のいずれか１つに記載の加熱履歴推定装置。
12. 前記豆乳または前記牛乳は、
    液状、または、前記液状を乾燥したものであることを特徴とする請求項７から１１のいずれか１つに記載の加熱履歴推定装置。
13. 照射する励起波長および観測する蛍光波長を段階的に変化させながら、測定対象の豆乳または牛乳の蛍光強度を測定して、前記測定対象の豆乳または牛乳の蛍光指紋情報を取得する蛍光指紋情報取得工程と、
    前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に基づいて前記測定対象の豆乳または牛乳の加熱温度または加熱時間を推定する加熱履歴推定工程と、
    をコンピュータに実行させることを特徴とするコンピュータが実行可能なプログラム。
14. 前記加熱履歴推定工程では、
    アミノ化合物含有食品の加熱履歴を推定するための推定モデルに前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項１３に記載のコンピュータが実行可能なプログラム。
15. 前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報に対して、多変量解析を行うことで前記推定モデルを作成する推定モデル作成工程、
    を更にコンピュータに実行させることを特徴とする請求項１４に記載のコンピュータが実行可能なプログラム。
16. 前記推定モデル作成工程では、
    前記蛍光指紋情報に対して、前記多変量解析として主成分回帰、クラスター分析、判別分析、ＳＩＭＣＡ、重回帰分析、ＰＬＳ回帰分析、ＰＬＳ判別、ＳＶＭ回帰、ＳＶＭ判別、ＲＦ回帰、および／または、ＲＦ判別を行うことで、前記推定モデルとして検量線、および／または、判別式を作成し、
    前記加熱履歴推定工程では、
    前記検量線または前記判別式に前記蛍光指紋情報取得工程で取得された前記蛍光指紋情報を適用して、前記測定対象の豆乳または牛乳の前記加熱温度または前記加熱時間を推定することを特徴とする請求項１５に記載のコンピュータが実行可能なプログラム。
17. 前記蛍光指紋情報に対して、中心化、標準化、規格化、微分、ベースライン補正、および／または、平滑化の処理を行うデータ前処理工程、
    を更にコンピュータに実行させることを特徴とする請求項１３から１６のいずれか１つに記載のコンピュータが実行可能なプログラム。
18. 前記豆乳または前記牛乳は、
    液状、または、前記液状を乾燥したものであることを特徴とする請求項１３から１７のいずれか１つに記載のコンピュータが実行可能なプログラム。