JP7131766B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7131766B2
JP7131766B2 JP2018101580A JP2018101580A JP7131766B2 JP 7131766 B2 JP7131766 B2 JP 7131766B2 JP 2018101580 A JP2018101580 A JP 2018101580A JP 2018101580 A JP2018101580 A JP 2018101580A JP 7131766 B2 JP7131766 B2 JP 7131766B2
Authority
JP
Japan
Prior art keywords
food
pressure distribution
texture
texture evaluation
evaluation
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
Application number
JP2018101580A
Other languages
English (en)
Other versions
JP2019207123A (ja
Inventor
誠 中馬
聡 池上
充 東森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
San Ei Gen FFI Inc
Osaka University NUC
Original Assignee
San Ei Gen FFI Inc
Osaka University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by San Ei Gen FFI Inc, Osaka University NUC filed Critical San Ei Gen FFI Inc
Priority to JP2018101580A priority Critical patent/JP7131766B2/ja
Publication of JP2019207123A publication Critical patent/JP2019207123A/ja
Application granted granted Critical
Publication of JP7131766B2 publication Critical patent/JP7131766B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Description

特許法第30条第2項適用 (その1) ウェブサイトの掲載日 2017年12月1日 ウェブサイトのアドレス http://www.mdpi.com/2218-6581/6/4/37
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、などの食感)にも強く依存する。
従来、食感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。
これに対し、機器を用いた物理測定によって食感を評価する研究・開発が行われており、一般的には、食品を圧縮・破断する際の1軸反力を計測し、その最大値や範囲、周波数などから機械的特性を評価する手法が採用されている(例えば、非特許文献1)。ただし、このような1軸反力に基づく手法では、ヒトが舌上で感知する繊細な幾何学的・表面的特性を評価することは原理的に難しい。このため、食品の応答を多軸で捉えることで幾何学的・表面的特性の評価にまで踏み込んだ研究が行われ、咀嚼後の破断片を画像解析により評価する手法(例えば、非特許文献2)や、食品による口腔内の圧力分布特性の違いを評価する手法(例えば、非特許文献3)が報告されている。
本発明者らも、高齢者向けの介護用食品として、舌と口蓋を使って押しつぶすこと(以下、舌式咀嚼と呼ぶ)が可能なゲル食品を対象とし、食品圧縮・破断中の圧力分布情報から機械的特性のみでなく幾何学的・表面的特性についても食感評価が可能なことを実証した(例えば、非特許文献4および5)。この手法では、測定平面(食品と圧縮用プレートとの境界面)の圧力分布を画像として取り扱い、空間濃度レベル依存法によって画像内に含まれる画素値の一様性、局所変化、複雑さ、などに対応した特徴量を算出し、これら特徴量から食品の食感を評価する回帰モデルを作成している。
S. Okada, H. Nakamoto, F. Kobayashi, and F. Kojima: A Study on Classification of Food Texture with Recurrent Neural Network, ICIRA 2016: Intelligent Robotics and Applications, Lecture Notes in Computer Science, 9834, 247/256 (2016) C. Tournier, M. Grass, D. Zope, C. Salles, and D.Bertrand: Characterization of Bread Breakdown DuringMastication by Image Texture Analysis, Journal of Food Engineering, 113-4, 615/622 (2012) H. Dan, T. Azuma, and K. Kohyama: Characterization of Spatiotemporal Stress Distribution During Food Fracture by Image Texture nalysis Methods, Journal of Food Engineering, 81-4, 429/436 (2007) T. Yamamoto, M. Higashimori, M. Nakauma, S. Nakao, A. Ikegami, and S. Ishihara: Pressure Distribution-Based Texture Sensing by Using a Simple Artificial Mastication System, Proc. of 36th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, 864/869 (2014) 柴田,石原,中尾,池上,中馬,東森:弾性可変型模擬舌を用いた食品テクスチャセンシング,日本ロボット学会誌, 34-9, 631/639 (2016)
このように、従来手法では、食品の状態を示す特徴量はモデル作成者の経験に基づいてあらかじめ定義されてきた。この場合、一般に、モデルの評価性能はどのような特徴量を用いるかによって変化する。また、かたさ、滑らかさ、ねっとりさ、など食感評価項目は多岐に渡るため、それぞれを評価する際に必要となる特徴量も異なることが予想される。以上のように、繊細かつ多様な食品の食感を評価するための特徴量を、モデル作成者が事前に設計するのは容易ではないため、汎用性の高い食感評価が難しいという問題があった。
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、汎用性の高い食感評価技術を提供することを課題とする。
本発明者らは鋭意研究を重ねた結果、試料を押圧する際の圧力分布画像に基づいて機械学習を行うことにより、モデル作成者の経験等に依存しない、汎用性の高い食感評価が可能な食感評価モデルが得られることを見出した。
本発明はかかる知見に基づいて完成したものであり、下記の態様を有する。
項1.
食品の食感を評価するための食感評価モデルを学習する機械学習システムであって、
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を示す圧力分布画像を取得する画像取得部と、
前記圧力分布画像に基づいて前記食感評価モデルを学習する学習部と、
を備えることを特徴とする機械学習システム。
項2.
前記学習部は、人工ニューラルネットワークにより前記食感評価モデルを学習することを特徴とする項1に記載の機械学習システム。
項3.
前記人工ニューラルネットワークは、畳み込みニューラルネットワークであることを特徴とする項2に記載の機械学習システム。
項4.
前記画像取得部は、2フレームの圧力分布画像を、前記学習部が学習に用いる圧力分布画像として取得することを特徴とする項1~3のいずれかに記載の機械学習システム。
項5.
前記2フレームの圧力分布画像は、前記試料の破断時および押圧終了時における圧力分布画像であることを特徴とする項4に記載の機械学習システム。
項6.
項1~5のいずれかに記載の機械学習システムによって学習された食感評価モデル。
項7.
食品の食感を評価する食感評価装置であって、
項6に記載の食感評価モデルに従って、前記食品の食感を評価する評価部を備えることを特徴とする食感評価装置。
項8.
食品の食感を評価するための食感評価モデルを学習する機械学習方法であって、
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を示す圧力分布画像を取得する画像取得ステップと、
前記圧力分布画像に基づいて前記食感評価モデルを学習する学習ステップと、
を備えることを特徴とする機械学習方法。
項9.
食品の食感を評価する食感評価方法であって、
項8に記載の機械学習方法によって学習された食感評価モデルに従って、前記食品の食感を評価する評価ステップを備えることを特徴とする食感評価方法。
本発明によれば、汎用性の高い食感評価技術を提供することができる。
本発明の一実施形態に係る食感評価システムの概略図である。 試料の一例を示す写真である。 (a)~(c)は、試料の押圧時の状態を示す写真である。 ロードセルが検出する力応答の時間変化を示すグラフである。 制御PCの機能を説明するためのブロック図である。 圧力分布画像の一例である。 圧力分布画像が連結された入力画像の一例である。 入力画像を作成する態様の説明図である。 CNNモデルの一例である。 食感評価システムの動作手順を示すフローチャートである。 官能評価試験に用いられる用紙の一例である。 (a)~(d)は、入力画像の一例である。 (a)~(d)は、入力画像を用いた学習による評価誤差の変化を示すグラフの一例である。 (a)~(d)は、入力画像を用いた学習による評価誤差の変化を示すグラフの他の例である。 本実施例の一例に係る食感評価システムによって評価された食感の評価値と、官能評価データにおける官能評価値との関係を示すグラフである。 本実施例の他の例に係る食感評価システムによって評価された食感の評価値と、官能評価データにおける官能評価値との関係を示すグラフである。 従来手法の食感評価システムによって評価された食感の評価値と、官能評価データにおける官能評価値との関係を示すグラフである。 本実施例に係る食感評価モデルおよび従来手法の各評価精度の決定係数を、食感評価項目ごとに比較した結果を示すグラフである。
以下、本発明の実施形態について添付図面を参照して説明する。なお、本発明は、下記の実施形態に限定されるものではない。
(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、食感評価モデルを学習する機械学習システムと、食感を評価する食感評価装置とを兼ね備えたシステムであり、図1に示すように、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。計測された圧力分布の経時的変化は、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機能の他、試料5の食感を評価するための食感評価モデルを学習する機能、および、学習済みの食感評価モデルに従って食品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。図2に示す試料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。プレート22を下降させ、プレート22が試料5の上面と接触した時刻をt=0とする。その後、プレート22はそのまま下降動作を継続し、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=T[s]で試料5が破断し始める。このとき、力応答は一度下降するが、試料5は押圧され続けるため、プレート22が停止するまで力応答は再び上昇し続ける。その後プレート22は、圧力分布センサ3に接触する寸前で停止し、この時刻をt=Tとする。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。
なお、図4に示す時刻T~T15は、プレート22が試料5の上面と接触してから停止するまでの期間(t=0~T)を15等分した時刻である。後述するように、制御PC4では、時刻T~T15における15フレームの圧力分布画像を取得する。
また、試料よっては力応答の極大が見られない場合があり(ペースト状食品など)、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が停止するまでの期間を破断フェーズとする。
(制御PCの機能)
図5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、記憶部41、押圧動作制御部42、画像取得部43、学習部44および評価部45を有している。
記憶部41は、例えばハードディスクドライブ(HDD)やソリッドステートドライブ(SSD)で構成することができる。記憶部41には、官能評価データSおよび学習前の食感評価モデルMが記憶されている。
官能評価データSは、学習部44が機械学習を行うための教師データであり、評価者に対して事前に実施された官能評価試験によって取得された官能評価値のデータである。官能評価試験の形態は特に限定されないが、本実施形態では、複数種類の試料について、評価者が試食した際に舌上で感じた食感の度合いを所定の回答用紙に回答する。回答結果は、官能評価値の真値niとして集計され、官能評価データSに蓄積される。
学習前の食感評価モデルMは、あらかじめ用意されたニューラルネットワークのモデルである。本実施形態では、畳み込みニューラルネットワーク(Convolutional Neural Network、CNN)が用いられるが、本発明はこれに限定されず、あらゆる人工ニューラルネットワーク(ANN)を用いることができる。
押圧動作制御部42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。
画像取得部43は、試料の押圧時に前記試料から受ける圧力分布を示す圧力分布画像を取得する。具体的には、画像取得部43は、圧力分布センサ3から出力される圧力分布データおよび力応答データに基づいて、圧力分布画像を取得する。圧力分布データは、圧力分布センサ3の表面に格子状に分布した計測位置x,yおよび計測時刻tにおける圧力値p(x,y,t)である。
本実施形態の一例では、画像取得部43は、押圧開始時からの時系列的な複数の圧力分布画像を取得する。具体的には画像取得部43は、計測位置をピクセル座標、圧力値を画素値(濃淡値)、時刻をフレーム番号とした圧力分布画像のフレーム群に変換する。
圧力分布画像の一例を図6に示す。これらの圧力分布画像は、フレーム数P=15であり、図4に示す時刻T~T15において時系列的に計測された圧力分布データに対応している。さらに、画像取得部43は、図7に示すように、15フレームの圧力分布画像を一方向に連結して1つの入力画像IN1を生成し、学習部44が学習に用いる圧力分布画像として出力する。なお、入力画像IN1を生成するための圧力分布画像のフレーム数は特に限定されない。
本実施形態の他の例では、試料5の破断時および押圧終了時における圧力分布画像を、学習部44が学習に用いる圧力分布画像として選択的に取得してもよい。具体的には画像取得部43は、図8に示すように、力応答が極大となる破断開始時刻Tにおける圧力分布画像と、押圧終了時刻Tにおける圧力分布画像とを取得する。画像取得部43は、これら2フレームの圧力分布画像を一方向に連結して1つの入力画像IN2を生成し、学習部44が学習に用いる圧力分布画像として出力する。
なお、試料5の種類によっては、力応答が極大となるような破断が起こらないことがある。この場合、画像取得部43は、押圧終了時における圧力分布画像を2つ連結して入力画像を生成してもよい。
また、入力画像IN1には、圧力分布の時間的変化に関する情報が含まれるが、当該情報は入力画像IN2には含まれていない。
学習部44は、画像取得部43が取得した圧力分布画像に基づいて、食感評価モデルを学習する。学習部44は、画像取得部43からの入力画像IN1またはIN2を食感評価モデルMの入力データとし、官能評価データSを教師データとすることで、畳み込みニューラルネットワーク(CNN)により学習する。CNNの構造については後述する。
機械学習によって得られた学習済みの食感評価モデルMは、未知の試料の食感評価に用いることができる。食感評価モデルMの作成後、制御PC4のCPUが食感評価モデルMを実行することにより、評価部45が生成される。
未知の食品の食感を評価する場合、図1に示す押圧装置2が食品を押圧することにより得られた圧力分布データおよび力応答データから、図2に示す画像取得部43が圧力分布画像を取得し、評価部45に出力する。評価部45は、学習済みの食感評価モデルMに従って、圧力分布画像から未知の食品の食感を評価する。
(CNNモデルの構造)
学習前の食感評価モデルMであるCNNモデルの一例を図9に示す。CNNモデルには、入力画像IN1(フレーム数P=15)または入力画像IN2(フレーム数P=2)が入力され、食感の官能評価値が出力される。入力画像1枚あたりのサイズを、縦Hピクセル、横Wピクセルとすると、フレーム数Pの入力画像のサイズは、縦H×Pピクセル、横Wピクセルとなる。CNNモデルの中間層は、4つの畳み込み層C1、C2、C3、C4および3つのプーリング層P1、P2、P3を備えており、中間層において、入力画像の特徴量を学習する。畳み込み層C1、C2、C3とプーリング層P1、P2、P3とは、交互に3層ずつ存在する。畳み込み層C1、C2、C3にはそれぞれ3×3のフィルタがD1=D2=D3=96種類ずつ存在する。プーリング層P1、P2、P3には max pooling を使用し、出力されるサイズは各辺1/2となる。プーリング層P3に続く畳み込み層C4では、2×2のフィルタがD4=32種類存在し、フィルタを動かすストライドは2として適用する。得られた出力をベクトル化して全結合層F1の入力とする。さらにノード数32の全結合層F2を経て出力層となり、出力層から食感の評価値Niが出力される。
学習部44は、官能評価データSを用いて、評価値Niと官能評価データSにおける真値niとの誤差が小さくなるよう誤差逆伝播法によるネットワークの学習を行う。これを繰り返すことにより、学習済みの食感評価モデルMが得られる。
(動作手順)
本実施形態に係る機械学習方法および食感評価方法は、図1に示す食感評価システム1によって実施される。図10は、図1に示す食感評価システム1の動作手順を示すフローチャートである。
本実施形態に係る機械学習方法は、押圧装置2が試料5を押圧する押圧ステップS1と、画像取得部43が、試料5の押圧時に試料5から受ける圧力分布を示す圧力分布画像を取得する画像取得ステップS2と、学習部44が、前記圧力分布画像に基づいて食感評価モデルMを学習する学習ステップS3とを備える。これにより、ステップS4において、学習済みの食感評価モデルMが生成される。
本実施形態に係る食感評価方法は、本実施形態に係る機械学習方法によって学習された食感評価モデルMに従って、評価部45が食品の食感を評価する評価ステップS5を備える。
このように本実施形態では、食感評価システム1が本実施形態に係る機械学習方法および食感評価方法の両方を実施しており、制御PC4が、機械学習を行うための装置としての機能と、食感評価装置としての機能を兼ね備えているが、これらの方法を別個のシステムで実施してもよい。すなわち、一方のシステムで機械学習方法を実施し、これによって生成された学習済みの食感評価モデルMを、通信ネットワークまたは記録媒体を介して他のシステムに転送し、当該他のシステム(汎用のコンピュータや携帯端末)において食感評価方法を実施してもよい。
(実施形態の総括)
以上のように本実施形態では、押圧装置の人工咀嚼によって得た圧力分布画像に基づいて機械学習を行うことにより、食品の食感を評価するための食感評価モデルを生成する。これにより、従来手法よりも汎用性の高い食感評価が可能となる。特にCNNは、画像特徴量による評価式のパラメータだけでなく、画像特徴量の定義自体が学習の対象となっている。そのため、CNNを食品の食感評価に導入することにより、食感評価のための特徴量の定義がモデル作成者の経験や意図に依存するといった問題を生ずることなく、多様な食感評価項目に対応することができる。
なお、本発明は上記実施形態に限定されるものではなく、その趣旨を逸脱しない限りにおいて種々の変更が可能であり、例えば、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属する。
以下、本発明の実施例について説明するが、本発明は下記の実施例に限定されない。
本実施例では、図1に示す食感評価システム1を用いて、ゲル食品の食感を評価した。
(試料)
試料として、素材や配合の異なる23種類のゲル食品を使用した。ゲル食品は、直径20[mm]、高さ10[mm]の円柱形とした。食感評価項目として、“もちもち感(Elasticity:i=1)”、“つるつる感(Smoothness:i=2)”、“ねっとり感(Stickiness:i=3)”、“ざらざら感(Granularity:i=4)”の4種類を用いた。なお、“もちもち感”は機械的特性に属し、他の3種類の食感は幾何学的・表面的特性に属する。
(官能評価試験)
事前に、Visual analog scale法に基づく官能評価試験を実施することにより、機械学習の教師データとして用いるための官能評価データSを得た。具体的には、試験員に食感評価項目iごとに官能評価の度合いをマークする用紙を与えた。図11に示すように、用紙には長さ100[mm]の直線が描かれ、その左端には「“〇〇感”を全く感じない」、右端には「“〇〇感”を非常に感じる」と記述されている。試験員は、各ゲル食品について、試食した際に舌上で感じた食感の度合いを直線上にマークする。マークされた位置を0~100[mm]の整数値として測定し、換算値を各ゲル食品の官能評価値とした。本実施例では、試験員8名で上記の官能評価試験を実施し、試験員の平均値を官能評価データSの官能評価値niとした。
(圧力分布計測)
本実施例では、押圧装置2を用いて試料を圧縮・破断し、そのときの圧力分布を計測した。押圧装置2の圧力分布センサ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]、圧力分解能0.2[kPa]の多点式の圧力センサ(ニッタ株式会社製)を用いた。プレート22に速度2[mm/s]の下降動作を与え、ゲル食品の上面と接触した時刻をt=0[s]とする。その後、圧力分布センサ3の上面との距離が1[mm]となったt=4.5[s]でプレート22を静止させた。圧力分布センサ3およびロードセル24はそれぞれ、t=0~4.5[s]の期間の圧力分布および力応答を計測し、計測された圧力分布データおよび力応答データを制御PC4に出力する。
続いて、制御PC4の画像取得部43によって、圧力分布データに基づき、圧力分布画像を取得した。圧力分布画像の各ピクセルの画素値は、測定された0~45[kPa]の圧力値を量子化した0~255の整数値とした。上記実施形態のように、t=0~4.5[s]の期間における時系列の15フレームの圧力分布画像と、破断時および押圧終了時における2フレームの圧力分布画像とを取得した。圧力分布画像1フレームのサイズは、縦Hピクセル、横Wピクセルとすると、H×W=48[pixel]となった。そして、15フレームの圧力分布画像および2フレームの圧力分布画像を、それぞれ一方向に連結して2つの入力画像IN1、IN2を生成した。ここで、複数のフレーム画像を連結する際には、境界が識別できるように、画素値0、幅2ピクセルの外枠を画像フレームに付加した。
入力画像IN1、IN2の一例を図12に示す。図12(a)は、もちもち感が最小である試料の入力画像(上段(min))およびもちもち感が最大である試料の入力画像(下段(max))を示している。図12(b)~(d)も同様に、各食感評価項目について、官能評価値が最小である試料の入力画像を上段に示し、官能評価値が最大である試料の入力画像を下段に示している。また、図12(a)~(d)では、左側に2つの入力画像IN1が示され、右側に2つの入力画像IN2が示されている。なお、図12(a)および(c)では、下段の入力画像IN2が、押圧終了時における画像フレームを2つ連結したものとなっている。これは、当該試料において、力応答が落ち込むような破断が起こらなかったためである。
本実施例では、ゲル全23種類について各種類6個ずつ、計138個のゲル食品の圧力分布画像を取得した。
(CNN学習)
続いて、学習部44が圧力分布画像に基づいてCNNによる学習を行った。本実施例では、Leave-one-out交差検証法を行い、食感評価モデルMの作成および評価値Niの計算手順は以下のとおりとした。
全138個のデータ(圧力分布画像-官能評価値のセット)から、1個を未知のデータとして取り除き、他の137個のデータの圧力分布画像に4種類の回転操作(0°、90°、180°、270°)を行い、計548個のデータに増やした。この548個のデータを用いて食感評価モデルMを作成し、取り除いた1個のデータに対して評価値Niを算出した。このようなモデル作成と評価を、全138個のデータそれぞれについて繰り返した。なお、以上の作業は食感評価項目iごとに行った。CNNの構築および学習はChainer 1.21.0を使用した。活性化関数は、出力層では恒等関数、それ以外の層ではReLU関数とし、最適化手法としてAdamを用いた。ミニバッチ学習をバッチサイズ8で行い、エポック数は200とした。
(結果)
4種類の食感評価項目について、15フレームからなる入力画像IN1を用いた学習による評価誤差の変化を図13に示し、2フレームからなる入力画像IN2を用いた学習による評価誤差の変化を図14に示す。図13および図14において、実線は検証用データ、点線は学習用データによる結果であり、学習を重ねることでいずれも誤差が減少していることがわかる。また、情報が多い15フレームからなる入力画像IN1の方が、学習が速く進んでいることがわかる。このように、食感評価項目によって学習速度が異なることから、学習速度に応じて学習を停止することが望ましい。
4種類のテクスチャ評価項目について、本実施例の食感評価システムによって評価された食感の評価値Niと、官能評価データSにおける官能評価値(真値)niとの関係を、図15および図16に示す。図15における評価値Niは、15フレームからなる入力画像IN1を用いて学習された食感評価モデルM(以下、食感評価モデルM1とする)による評価値である。図16における評価値Niは、2フレームからなる入力画像IN2を用いて学習された食感評価モデルM(以下、食感評価モデルM2とする)による評価値である。また、図17は、非特許文献4に記載の従来手法による食感の評価値Niと官能評価値(真値)niとの関係を示している。図15~図17から、食感評価モデルM1およびM2による評価値のほうが、官能評価値との誤差が従来手法による評価値よりも少ないことがわかる。
さらにこれらの結果について、食感の評価精度を決定係数Rで評価した。食感評価モデルM1、M2および従来手法の各評価精度の決定係数を、食感評価項目ごとに比較した結果を図18に示す。4つの食感評価項目における決定係数Rの平均値は、従来手法による評価において0.81であった。一方、食感評価モデルM1による評価および食感評価モデルM2による評価では、4つの食感評価項目における決定係数Rの平均値はいずれも0.97であった。4つの食感評価項目の全てにおいて、本実施例の手法は従来手法を上回る決定係数が得られており、その有効性が確認できた。
とりわけ、“つるつる感”および“ねっとり感”の各食感評価項目においては、従来手法の決定係数が著しく低いが、本実施例の手法では、これらの食感評価項目でも高い決定係数が得られている。これは、CNNによる画像特徴量学習効果が発揮されたためと想定され、多様な食感評価項目に対応可能という意味で汎用性が向上している。
また、本実施例の手法においては、食感評価モデルM1と食感評価モデルM2とで、決定係数に大きな差が見られない。このことから、食品破断時および圧縮終了時の圧力分布画像には、食感評価を行うための十分な情報が含まれていると言える。よって、食品破断時および圧縮終了時の圧力分布画像は、わずか2フレームであり、時間的変化に関する情報が含まれていないにも関わらず、高い精度で食感評価が可能なことが確認できた。
1 食感評価システム(機械学習システム)
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(食感評価装置)
41 記憶部
42 押圧動作制御部
43 画像取得部
44 学習部
45 評価部
5 試料
C1 畳み込み層
C2 畳み込み層
C3 畳み込み層
F1 全結合層
F2 全結合層
IN1 入力画像
IN2 入力画像
M 食感評価モデル
M1 食感評価モデル
M2 食感評価モデル
Ni 評価値
ni 官能評価値
P1 プーリング層
P2 プーリング層
P3 プーリング層
S 官能評価データ

Claims (7)

  1. 食品の食感を評価するための食感評価モデルを学習する機械学習システムであって、
    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時系列的な圧力分布を示す複数フレームの圧力分布画像を取得し、前記複数フレームの圧力分布画像を連結して1つの入力画像を生成する画像取得部と、
    前記入力画像に基づいて畳み込みニューラルネットワークにより前記食感評価モデルを学習する学習部と、
    を備えることを特徴とする機械学習システム。
  2. 前記時系列的な圧力分布を示す複数フレームの圧力分布画像は、前記試料の破断時および押圧終了時における圧力分布画像であることを特徴とする請求項に記載の機械学習システム。
  3. 請求項1又は2に記載の機械学習システムによって学習された食感評価モデル。
  4. 食品の食感を評価する食感評価装置であって、
    請求項に記載の食感評価モデルに従って、前記食品の食感を評価する評価部を備えることを特徴とする食感評価装置。
  5. 食品の食感を評価するための食感評価モデルを学習する機械学習方法であって、
    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時系列的な圧力分布を示す複数フレームの圧力分布画像を取得し、前記複数フレームの圧力分布画像を連結して1つの入力画像を生成する画像取得ステップと、
    前記入力画像に基づいて畳み込みニューラルネットワークにより前記食感評価モデルを学習する学習ステップと、
    を備えることを特徴とする機械学習方法。
  6. 前記時系列的な圧力分布を示す複数フレームの圧力分布画像は、前記試料の破断時および押圧終了時における圧力分布画像であることを特徴とする請求項5に記載の機械学習方法。
  7. 食品の食感を評価する食感評価方法であって、
    請求項5又は6に記載の機械学習方法によって学習された食感評価モデルに従って、前記食品の食感を評価する評価ステップを備えることを特徴とする食感評価方法。
JP2018101580A 2018-05-28 2018-05-28 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 Active JP7131766B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018101580A JP7131766B2 (ja) 2018-05-28 2018-05-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018101580A JP7131766B2 (ja) 2018-05-28 2018-05-28 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

Publications (2)

Publication Number Publication Date
JP2019207123A JP2019207123A (ja) 2019-12-05
JP7131766B2 true JP7131766B2 (ja) 2022-09-06

Family

ID=68768467

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018101580A Active JP7131766B2 (ja) 2018-05-28 2018-05-28 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

Country Status (1)

Country Link
JP (1) JP7131766B2 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022520912A (ja) * 2020-01-22 2022-04-04 深▲チェン▼市商▲湯▼科技有限公司 データ処理方法、装置及びチップ、電子機器、記憶媒体
EP4166251A4 (en) * 2020-06-15 2023-12-06 JFE Steel Corporation MECHANICAL PROPERTY MEASUREMENT DEVICE, MECHANICAL PROPERTY MEASUREMENT METHOD, MATERIAL MANUFACTURING FACILITY, MATERIAL MANAGEMENT METHOD, AND MATERIAL MANUFACTURING METHOD
US20230251226A1 (en) * 2020-06-15 2023-08-10 Jfe Steel Corporation Mechanical property measuring apparatus, mechanical property measuring method, substance manufacturing equipment, substance management method, and substance manufacturing method
KR102302144B1 (ko) * 2021-03-08 2021-09-13 안원균 고령자를 위한 식육가공품의 제조 방법 및 장치
JP2023137767A (ja) * 2022-03-18 2023-09-29 株式会社東芝 処理システム、処理方法及びプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014167470A (ja) 2013-01-29 2014-09-11 Osaka Univ 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08145825A (ja) * 1994-11-16 1996-06-07 Nippon Telegr & Teleph Corp <Ntt> 動物体属性識別装置
US5827974A (en) * 1996-02-03 1998-10-27 Nussinovitch; Amos System for measuring the crispiness of materials

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014167470A (ja) 2013-01-29 2014-09-11 Osaka Univ 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Shuhei Okada, et al,A study on Classification of Food Texture with Recurrent Neural Network,Intelligent Robotics and Applications, 9th International Conference, ICIRA 2016, Proceedings,Part1,日本,2016年,247-256

Also Published As

Publication number Publication date
JP2019207123A (ja) 2019-12-05

Similar Documents

Publication Publication Date Title
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
US11281296B2 (en) Tactile information conversion device, tactile information conversion method, and tactile information conversion program
Ishihara et al. Compression test of food gels on artificial tongue and its comparison with human test
Yoshioka et al. Texture perception through direct and indirect touch: An analysis of perceptual space for tactile textures in two modes of exploration
Kohyama et al. Effect of sample thickness on bite force studied with a multiple‐point sheet sensor
JP5780583B2 (ja) 食感の生理学的評価装置
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
Xu et al. An elasticity-curvature illusion decouples cutaneous and proprioceptive cues in active exploration of soft objects
Cabibihan et al. Effects of the artificial skin's thickness on the subsurface pressure profiles of flat, curved, and braille surfaces
Hirose et al. Gel Biter: food texture discriminator based on physical reservoir computing with multiple soft materials
KR102016208B1 (ko) 규칙적인 패턴이 형성되어 있지 않는 재료를 센서로 활용하는 방법과 센싱 시스템
Shibata et al. Food Texture Estimation Using Robotic Mastication Simulator Equipped with Teeth and Tongue.
du Bois de Dunilac et al. Biomechanics of the finger pad in response to torsion
Xu et al. An examination of the force generated from incisor penetration into foods with different textural properties part I: Experimental observation
Schiltz et al. Fast grip force adaptation to friction relies on localized fingerpad strains
Bhardwaj et al. Data-driven haptic modeling of normal interactions on viscoelastic deformable objects using a random forest
Bewley et al. Optical-tactile sensor for lump detection using pneumatic control
JP2021022005A (ja) 情報処理装置および制御方法
Merema et al. A contemporary approach to non-invasive 3D determination of individual masticatory muscle forces: a proof of concept
Malm et al. Facial Asymmetry Index: validation and applications in various smile restoration techniques
Baker et al. Accounting for viscoelasticity when interpreting nano-composite high-deflection strain gauges
D'Angelo et al. An integrated approach to characterize the behavior of a human fingertip in contact with a silica window
Yamamoto et al. Pressure distribution-based texture sensing by using a simple artificial mastication system
Shibata et al. Food texture sensing by using an imitation tongue with variable elasticity
De Pasquale et al. A Low-Cost Wireless Bite Force Measurement Device

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20180622

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210517

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220330

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220405

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220527

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: 20220719

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220817

R150 Certificate of patent or registration of utility model

Ref document number: 7131766

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150