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 PDFInfo
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Description
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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)
- 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。 - 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1に記載の機械学習システム。
- 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。
- 食品の食感を評価する食感評価装置であって、
請求項3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。 - 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。 - 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。
- 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。
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)
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)
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)
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 |
-
2018
- 2018-05-28 JP JP2018101580A patent/JP7131766B2/ja active Active
Patent Citations (1)
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)
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 |