JP7223564B2 - 品質学習装置、品質学習方法及び品質学習プログラム - Google Patents
品質学習装置、品質学習方法及び品質学習プログラム Download PDFInfo
- Publication number
- JP7223564B2 JP7223564B2 JP2018219404A JP2018219404A JP7223564B2 JP 7223564 B2 JP7223564 B2 JP 7223564B2 JP 2018219404 A JP2018219404 A JP 2018219404A JP 2018219404 A JP2018219404 A JP 2018219404A JP 7223564 B2 JP7223564 B2 JP 7223564B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- quality
- sample
- time
- image
- 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
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
- General Preparation And Processing Of Foods (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
そこで、本発明は、対象品の外見だけに基づいて対象品の品質の指標を推定するための学習用データを作成することを目的とする。
その他の手段については、発明を実施するための形態のなかで説明する。
生鮮食品の鮮度を示す一般的な指標として“K値”が知られている。K値は、式1のように定義される。
K=(HxR+Hx)/(ATP+ADP+AMP+IMP+HxR+Hx)×100(%) (式1)
ATP→ADP→AMP→IMP→HxR→Hx (式2)
図1は、品質学習装置1の構成を説明する図である。品質学習装置1は、一般的なコンピュータであり、中央制御装置11、ラベルリーダ、マウス、キーボード等の入力装置12、ディスプレイ等の出力装置13、主記憶装置14、補助記憶装置15及び通信装置16を備える。これらは、バスで相互に接続されている。補助記憶装置15は、化学反応情報31、学習データ32及び品質推定モデル33(いずれも詳細後記)を格納している。主記憶装置14における入力処理部21、画像処理部22、空調制御部23、学習データ作成部24及び品質推定部25は、プログラムである。中央制御装置11は、これらのプログラムを補助記憶装置15から読み出し主記憶装置14にロードすることによって、それぞれのプログラムの機能(詳細後記)を実現する。
前記したATP、ADP、AMP、IMP、HxR及びHxをまとめて“関連物質”と呼ぶ。そして、死後経過時間tを入力変数とし、食品の単位質量当たりの各関連物質のモル数を出力変数とする関数を想定する。この関数を“モル数関数”と呼ぶ。モル数関数は、以下に式3として示すf1、f2、f3、f4、f5及びf6の6本の数式からなる。
[ADP]=f2(t,p21,p22,p23,・・・)
[AMP]=f3(t,p31,p32,p33,・・・)
[IMP]=f4(t,p41,p42,p43,・・・)
[HxR]=f5(t,p51,p52,p53,・・・)
[Hx] =f6(t,p61,p62,p63,・・・) (式3)
d[ADP]/dt= k1[ATP] -k2[ADP]
d[AMP]/dt= k2[ADP] -k3[AMP]
d[IMP]/dt= k3[AMP] -k4[IMP]
d[HxR]/dt= k4[IMP] -k5[HxR]
d[Hx]/dt = k5[HxR] (式4)
ki=ChCcAiexp(-Ei/(RT)) (式5)
化学反応情報31は、食品の種類に関連付けて以下の情報を記憶した情報である。
・頻度因子(Ai,i=1、2、3、4、5)
・活性化エネルギー(Ei,i=1、2、3、4、5)
・風の流れの大きさに応じた、風の流れに関する係数(Cc)
・湿度と湿度に関する係数(Ch)との関係
図5は、学習データ32の一例を示す図である。学習データ32においては、食品の種類欄141に記憶された食品の種類に関連付けて、温度欄142には温度が、湿度欄143には湿度が、風の流れ欄144には風の流れが、時点欄145には時点が、死後経過時間欄146には死後経過時間が、画像欄147には画像が、対象箇所画素値欄148には画素値が、K値欄149にはK値が記憶されている。
湿度欄143の湿度は、食品の見本が晒される空気の湿度である。
風の流れ欄144の風の流れは、食品の見本が晒される空気の流れの速度である。ここでの風の流れは、“なし”、“弱”、“中”及び“強”の4段階であるが、具体的な数値又は数値範囲が記憶されてもよい。
死後経過時間欄146の死後経過時間は、食品が生体反応を示さなくなった(死亡した)時点から経過した時間である(詳細後記)。なお、“tad”は、“time after death”の頭文字である。
画像欄147の画像は、食品の画像のファイル名である。画像そのものは、任意の場所(例えば、補助記憶装置15)に記憶されていてもよい。ファイル型式は、“jpeg”に限定されない。
〈箇所〉
・鮮魚の目
・生肉の皮を剥いだ筋肉部分
・果物の皮を剥いだ果肉部分
・カラー(多色)画像におけるR(red)値、G(green)値及びB(blue)値
・カラー画像における波長
・白黒画像におけるグレースケール
・隣接する所定の数の画素のうち、画素値が所定の範囲(例えば黒色)に属するものが占める比率
パラメータが決まったモル数関数(式3)に対して品質学習装置1がある死後経過時間を入力すると、モル数関数は、当該死後経過時間における各関連物質のモル数を出力する。品質学習装置1は、各関連物質のモル数を式1に代入して当該死後経過時間におけるK値を算出する。モル数関数の入力変数である死後経過時間“t”は、食品が生体反応を示さなくなった(死亡した)時点を起点(ゼロ)とする死後経過時間である。一方、前記した時点欄145の時点は、食品の見本の画像が取得された時点(時刻)である。そこで、食品の見本の画像が取得された時点が、どのような死後経過時間に相当するかを決定することが必要になる。
品質学習装置1は、外見に基づいてK値を推定できれば充分である。すると、例えば、食品の色とK値との組合せを示す学習用データがあれば充分であり、温度、湿度及び風の流れを制御したうえで画像を取得する必要はないように一見思える。例えば、レコード150aの学習用データと、レコード150bの学習用データを比較すると、風の流れがない分、レコード150aの学習用データの方が食品の劣化が進んだ例となるはずである。
図6は、処理手順のフローチャートである。説明の途中で、適宜図8等を参照する。なお、処理手順を開始する前提として、化学反応情報31が、図2~図4に示された状態で補助記憶装置15に既に記憶されているものとする。
第2に、入力処理部21は、欄42aに食品の種類を、欄42bに初期K値を、欄42cに温度制御値を、欄42dに湿度制御値を、欄42eに風の流れの制御値(なし、弱、中又は強のいずれか)をユーザが入力するのを受け付ける。ここで入力されたデータを“入力条件”と呼ぶ。入力条件のうち、温度制御値、湿度制御値及び風の流れの制御値は、ユーザがその食品の実物を収納するショーケースに対して日常設定している値であってもよい。
第3に、入力処理部21は、欄42fにデータ取得間隔をユーザが入力するのを受け付ける。ここでは、“60分”が入力されたとする。
第6に、入力処理部21は、ユーザが食品の見本の画像のうち任意の箇所を指定し、指定した箇所の画素値の種類を指定するのを入力装置12を介し受け付ける。
ステップS203において、品質学習装置1の画像処理部22は、時系列の画像を取得する。具体的には、ユーザが食品の見本を容器2に収納するのを受け付ける。すると、画像処理部22は、カメラ5に対して、“食品の画像を60分ごとに合計10回取得する旨の指示”を送信する。なお、送信回数は1度でよい。すると、画像処理部22は、指示に従って、時点と画像の組合せを10回取得することになる。
第2に、学習データ作成部24は、新たなレコードの食品の種類欄141~風の流れ欄144に、ステップS201の“第2”において受け付けた、食品の種類、温度制御値、湿度制御値及び風の流れの制御値を記憶する。
第3に、学習データ作成部24は、新たなレコードの時点欄145に、食品の画像を取得した時点を記憶する。
第5に、学習データ作成部24は、新たなレコードの画像欄147に、カメラ5が取得した画像のファイル名を記憶する。
第7に、学習データ作成部24は、新たなレコードのK値欄149に、ステップS204において算出したK値を記憶する。
第3に、品質推定部25は、2次元平面のR画素値軸にステップS209の“第2”において取得したR画素値(図10の○51)を描画する。そして、品質推定モデル33上における○51の対応点のK値軸上の値◎52をK値の推定値として取得する。
第4に、品質推定部25は、ステップS208において受け付けた画像、及び、ステップS209の“第3”において取得したK値を出力装置13に表示する。その後、処理手順を終了する。
図7は、ステップS204の詳細フローチャートである。
ステップS301において、品質学習装置1の学習データ作成部24は、関連物質のモル数を決定する関数のモデルを受け付ける。具体的には、学習データ作成部24は、ユーザが入力装置12を介してモル数関数(式3)を入力するのを受け付ける。例えば、モル数関数は6本存在し、この段階では、それぞれが有するパラメータp11等の値は未定である。
ステップS305において、学習データ作成部24は、連立微分方程式を解く。具体的には、学習データ作成部24は、式4を満たすように、モル数関数の各パラメータp11、p12、p13、・・・、p63、・・・の値を決定する。この段階で、具体的なモル数関数が決定されたことになる。
第2に、学習データ作成部24は、死後経過時間をモル数関数に代入することにより、各関連物質のモル数を算出し、算出したモル数を式1に代入することによってK値を算出する。ここで時点の数(死後経過時間の数)が10であるとすると、“〈死後経過時間,K値〉”の組合せが10個作成されることになる。ここで作成された組合せに含まれるK値が、学習データ32(図5)の新たなレコードのK値欄149に記憶されるべきデータである。その後ステップS204の処理を終了する。
本実施形態は、対象品の品質の指標としてK値を採用したが、これは一例に過ぎない。本発明の品質学習装置1は、食品の種類ごとに、鮮度と相関がある任意の指標を使用することができる。さらに、品質学習装置1は、必ずしも鮮度とは呼べない品質の指標である“熟成値”を採用してもよい。熟成値は、“M値”と呼ばれ、以下の式6で定義される。
M=IMP/(ATP+ADP+AMP+IMP+HxR+Hx)×100(%)
(式6)
本実施形態は、容器内の温度、湿度及び風の流れを一定に制御したが、本発明は、このような制御を行わない例にも適用可能である。本発明の品質学習装置1は、容器の温度、湿度及び風の流れを成り行きに任せ、画像を取得する時点ごとに、例えば空調機4が有するセンサによって、容器2内の温度、湿度及び風の流れの実測値を取得してもよい。この場合、品質学習装置1は、画像を取得する時点ごとに以下の処理を行う。
・取得した実測値を化学反応情報31に適用することによってAi、Ei、Cc及びChの値(i=1、2、3、4、5)を決定する。
・これらの値を式5に代入し反応速度定数kiを決定する。
・決定した反応速度定数kiを式4に代入し、連立微分方程式を解く。
・連立微分方程式の解であるモル数関数(式3)及び式1に基づき、K値を推定する。
本実施形態の品質学習装置の効果は以下の通りである。
(1)品質学習装置は、対象物の見本の画素値と対象物のK値からなる学習用データを簡便に作成することができる。
(2)品質学習装置は、空調管理したうえで対象物の画像を取得することができる。
(3)品質学習装置は、対象物の実物の品質を実際に推定することができる。
(4)品質学習装置は、時系列で変化する画素値と品質を示す指標との組合せを時間的偏りなく取得することができる。
(6)品質学習装置は、一般に管理される空調についての制御値をそのまま使用することができる。
(7)品質学習装置は、一般に普及している、死後経過時間を入力変数とするK値算出用モデルを使用することができる。
(8)品質学習装置は、ユーザが対象物の種類に応じて、適当な対象物の箇所及び適当な画素値の種類を選択することを可能にする。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆どすべての構成が相互に接続されていると考えてもよい。
2 容器
3 食品(対象物)
4 空調機
5 カメラ
11 中央制御装置
12 入力装置
13 出力装置
14 主記憶装置
15 補助記憶装置
16 通信装置
21 入力処理部
22 画像処理部
23 空調制御部
24 学習データ作成部
25 品質推定部
31 化学反応情報
32 学習データ
33 品質推定モデル
Claims (8)
- 生鮮食品である対象物の見本の画像を取得するカメラに通信可能に接続されており、
前記画像から前記対象物の見本の所定の画素値を取得する画像処理部と、
前記対象物の見本の死後経過時間に応じて、前記対象物の見本内の物質が不可逆的に分解していく各段階における前記物質の量に基づき、前記画像が取得された時点における前記対象物の見本の品質を示すK値を推定し、前記取得した画素値と前記推定したK値との時系列の組合せの集合を作成する学習データ作成部と、
を備え、
前記学習データ作成部は、
前記対象物の見本の死後経過時間を入力とし、前記K値を算出するために用いられる物質の量を出力とするモデルに対して、前記対象物の見本の死後経過時間を入力することによって、前記物質の量を算出すること、
を特徴とする品質学習装置。 - 前記対象物の見本を収納する容器に通信可能に接続されており、
前記容器の内部の空調に関する制御値を受け付ける入力処理部と、
前記受け付けた制御値に基づいて前記容器の内部を空調する空調制御部と、
を備え、
前記学習データ作成部は、
前記受け付けた制御値に基づいて前記対象物の品質を示すK値を推定すること、
を特徴とする請求項1に記載の品質学習装置。 - 前記画素値と前記K値との関係を示す品質推定モデルを、前記作成した組合せの集合を用いて学習し、前記対象物の画像の画素値を前記学習した品質推定モデルに適用することによって、前記対象物の品質を示すK値を推定する品質推定部を備えること、
を特徴とする請求項2に記載の品質学習装置。 - 前記画像処理部は、
一定時間ごとに前記画像から前記対象物の見本の所定の画素値を取得し、
前記学習データ作成部は、
一定時間ごとに前記組合せを作成すること、
を特徴とする請求項3に記載の品質学習装置。 - 前記空調に関する制御値は、
温度、湿度及び風の流れのうちの少なくとも1つを含むこと、
を特徴とする請求項4に記載の品質学習装置。 - 前記入力処理部は、
画素値を取得するべき前記対象物及び前記対象物の見本の所定の箇所、及び、前記画素値の種類をユーザが選択するのを受け付けること、
を特徴とする請求項5に記載の品質学習装置。 - 生鮮食品である対象物の見本の画像を取得するカメラに通信可能に接続されている品質学習装置の品質学習方法であって、
前記品質学習装置の画像処理部は、
前記画像から前記対象物の見本の所定の画素値を取得し、
前記品質学習装置の学習データ作成部は、
前記対象物の見本の死後経過時間に応じて、前記対象物の見本内の物質が不可逆的に分解していく各段階における前記物質の量に基づき、前記画像が取得された時点における前記対象物の見本の品質を示すK値を推定し、前記取得した画素値と前記推定したK値との時系列の組合せの集合を作成し、
前記対象物の見本の死後経過時間を入力とし、前記K値を算出するために用いられる物質の量を出力とするモデルに対して、前記対象物の見本の死後経過時間を入力することによって、前記物質の量を算出すること、
を特徴とする品質学習方法。 - 生鮮食品である対象物の見本の画像を取得するカメラに通信可能に接続されている品質学習装置を機能させるための品質学習プログラムであって、
前記品質学習装置の画像処理部に対し、
前記画像から前記対象物の見本の所定の画素値を取得する処理を実行させ、
前記品質学習装置の学習データ作成部に対し、
前記対象物の見本の死後経過時間に応じて、前記対象物の見本内の物質が不可逆的に分解していく各段階における前記物質の量に基づき、前記画像が取得された時点における前記対象物の見本の品質を示すK値を推定し、前記取得した画素値と前記推定したK値との時系列の組合せの集合を作成する処理を実行させるとともに、
前記対象物の見本の死後経過時間を入力とし、前記K値を算出するために用いられる物質の量を出力とするモデルに対して、前記対象物の見本の死後経過時間を入力することによって、前記物質の量を算出する処理を実行させること、
を特徴とする品質学習プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018219404A JP7223564B2 (ja) | 2018-11-22 | 2018-11-22 | 品質学習装置、品質学習方法及び品質学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018219404A JP7223564B2 (ja) | 2018-11-22 | 2018-11-22 | 品質学習装置、品質学習方法及び品質学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020086841A JP2020086841A (ja) | 2020-06-04 |
JP7223564B2 true JP7223564B2 (ja) | 2023-02-16 |
Family
ID=70908223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018219404A Active JP7223564B2 (ja) | 2018-11-22 | 2018-11-22 | 品質学習装置、品質学習方法及び品質学習プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7223564B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7337002B2 (ja) * | 2020-02-07 | 2023-09-01 | 株式会社電通 | 魚の品質判定システム |
JP2021139894A (ja) * | 2020-03-05 | 2021-09-16 | 国立研究開発法人産業技術総合研究所 | 食用動物の鮮度・熟成度評価装置、及び、鮮度・熟成度評価方法 |
JP7180035B2 (ja) * | 2020-06-09 | 2022-11-29 | 株式会社J-オイルミルズ | 揚げ物廃棄時期管理装置、揚げ物廃棄時期管理システム、および揚げ物廃棄時期管理方法 |
CA3189583A1 (en) * | 2020-07-30 | 2022-02-03 | J-Oil Mills, Inc. | Food disposal time management device, food disposal time management system, and food disposal time management method |
JP7292766B1 (ja) | 2022-08-19 | 2023-06-19 | 国立大学法人岩手大学 | 生鮮食品の品質判定方法及びその品質判定システム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205611A (ja) | 2006-01-31 | 2007-08-16 | Fuji Electric Retail Systems Co Ltd | 制御装置 |
JP2016085117A (ja) | 2014-10-27 | 2016-05-19 | 国立研究開発法人農業・食品産業技術総合研究機構 | デジタルカメラ画像データを用いた鮮度判定方法 |
JP2017083378A (ja) | 2015-10-30 | 2017-05-18 | パナソニックIpマネジメント株式会社 | 魚情報提示方法及び魚情報提示装置 |
JP2018018354A (ja) | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0626684A (ja) * | 1992-07-13 | 1994-02-04 | Matsushita Seiko Co Ltd | 換気ユニットの電装ボックス |
-
2018
- 2018-11-22 JP JP2018219404A patent/JP7223564B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205611A (ja) | 2006-01-31 | 2007-08-16 | Fuji Electric Retail Systems Co Ltd | 制御装置 |
JP2016085117A (ja) | 2014-10-27 | 2016-05-19 | 国立研究開発法人農業・食品産業技術総合研究機構 | デジタルカメラ画像データを用いた鮮度判定方法 |
JP2017083378A (ja) | 2015-10-30 | 2017-05-18 | パナソニックIpマネジメント株式会社 | 魚情報提示方法及び魚情報提示装置 |
JP2018018354A (ja) | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
Also Published As
Publication number | Publication date |
---|---|
JP2020086841A (ja) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7223564B2 (ja) | 品質学習装置、品質学習方法及び品質学習プログラム | |
Roccato et al. | Analysis of domestic refrigerator temperatures and home storage time distributions for shelf-life studies and food safety risk assessment | |
Grahn et al. | Techniques and applications of hyperspectral image analysis | |
Pereira et al. | Machine vision to identify broiler breeder behavior | |
US9424495B1 (en) | Digital food imaging analysis: system and method to analyze food consumption | |
Tesson et al. | A systematic review of beef meat quantitative microbial risk assessment models | |
DE602006008113D1 (de) | Verfahren zur automatischen extraktion des lungenarterienbaums aus medizinischen 3d-bildern | |
CA2652379A1 (en) | Method and system for assessing, scoring, grouping and presenting nutritional value information of food products | |
Ma et al. | Multispectral imaging for rapid and non-destructive determination of aerobic plate count (APC) in cooked pork sausages | |
Przybylak et al. | Estimation of intramuscular level of marbling among Whiteheaded Mutton Sheep lambs | |
US20150269314A1 (en) | Method and apparatus for unsupervised segmentation of microscopic color image of unstained specimen and digital staining of segmented histological structures | |
Liu et al. | Modeling dynamic interactions and coherence between marine zooplankton and fishes linked to environmental variability | |
JP2023021124A (ja) | 揚げ物廃棄時期管理装置、揚げ物廃棄時期管理システム、および揚げ物廃棄時期管理方法 | |
Kim et al. | Estimation of real-time remaining shelf life using mean kinetic temperature | |
Hassani et al. | Model validation and error estimation in multi-block partial least squares regression | |
Albrecht et al. | A Multi-Model Approach to Implement a Dynamic Shelf Life Criterion in Meat Supply Chains | |
JP2023054824A (ja) | 食品廃棄時期管理装置、食品廃棄時期管理システム、および食品廃棄時期管理方法 | |
Dennis et al. | Functional data analysis of multi-species abundance and occupancy data sets | |
CN109636268A (zh) | 一种货品监控系统 | |
Boyle et al. | Image-based estimation of oat panicle development using local texture patterns | |
Green-Petersen et al. | A model for communication of sensory quality in the seafood processing chain | |
JP2022098763A (ja) | 鮮度管理システム、鮮度管理方法および、鮮度管理プログラム | |
JP7292766B1 (ja) | 生鮮食品の品質判定方法及びその品質判定システム | |
JP2019008561A (ja) | 材料物性の監視システム | |
Albrecht et al. | A Multi-Model Approach to Implement a Dynamic Shelf Life Criterion in Meat Supply Chains. Foods 2021, 10, 2740 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220810 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221012 |
|
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: 20230117 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230206 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7223564 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |