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

Description

本発明は、品質学習装置、品質学習方法及び品質学習プログラムに関する。

近時、特に新興国において、生鮮食品の消費が拡大している。しかしながら、鮮度（品質）を維持した状態での流通システムが充分に確立していない。すると、流通過程の最終段階にあるレストラン等で食品の廃棄が発生する。このような状況のもと、鮮度を維持した流通システムの確立とともに、食品の鮮度を定量的に評価できる技術が求められている。

食品の鮮度を評価するために、食品の鮮度と相関がある物理量又は化学物質の量の変化、即ち、品質の指標の変化を計測又は推定することが一般に行われている。しかしながら、このような量を計測するには、検体を分析する特殊な装置が必要であり、コスト及び手間を勘案すれば、食品流通の現場で品質の指標を計測するのは現実的ではない。そこで、品質の指標を化学分析により計測することなく、温度時間履歴に基づいて品質の指標を推定する技術が提案されている。

特許文献１のトレーサビリティ管理装置は、水産物の種類ごとに、Ｋ値（詳細後記）の基準値を時系列で温度ごとに記憶している。ある情報端末装置から、水産物に付されたコードを受信すると、当該トレーサビリティ管理装置は、コードに含まれている情報に基づき現在のＫ値を推定し、当該情報端末装置に送信する。

特許文献２の制御装置は、食品の種類ごとに、食品の温度と単位時間当たりのＫ値上昇率との関係を記憶している。当該制御装置は、食品の消費期限におけるＫ値を推定し、推定したＫ値が許容範囲に収まるように、ショーケースを冷却する装置及び霜取装置を制御する。

特開２０１６－２２４５５６号公報 特開２００７－２０５６１１号公報

特許文献１のトレーサビリティ管理装置がＫ値を推定するためには、水産物の出荷時期を登録し、それを示すコードを水産物に付す必要がある。また、水産物が一定の温度下に管理されていることが前提となっており、水産物が温度変化に晒されるとＫ値の推定精度が落ちる。特許文献２の制御装置がＫ値を推定するためには、一定時間ごとに食品の温度を検出する必要があり、当然温度を検出する機器が必要になる。これらのいずれの装置も、流通過程又は市場等の現場において、機動的に食品の現在のＫ値を知ることには向いていない。
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。

本発明の品質学習装置は、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。
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。

本発明によれば、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ができる。

品質学習装置の構成を説明する図である。 頻度因子及び活性化エネルギーを決定する化学反応情報の一例である。 風の流れに関する係数を決定する化学反応情報の一例を示す図である。 湿度に関する係数を決定する化学反応情報の一例を示す図である。 学習データの一例を示す図である。 処理手順のフローチャートである。 ステップＳ２０４の詳細フローチャートである。 入力画面の一例である。 学習用データを多次元空間に描画した図である。 品質推定モデルを簡便に２次元平面で記載した図である。

以降、本発明を実施するための形態（“本実施形態”という）を、図等を参照しながら詳細に説明する。本実施形態は、鮮魚等の生鮮食品の鮮度（即ち対象品の品質の指標）を算出する例である。しかしながら、本発明は、薬品、血液、臓器、有機材料、無機材料等、その化学的組成が時系列で変化する物質一般に対して適用可能であり、対象品は食品に限定されることはない。

（鮮度）
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）

ここで、ＡＴＰはアデノシン三リン酸の、ＡＤＰはアデノシン二リン酸の、ＡＭＰはアデノシン一リン酸の、ＩＭＰはイノシン酸の、ＨｘＲはイノシンの、Ｈｘはヒポキサンチンの、食品の単位質量あたりのモル数である。動物の死後、ＡＴＰは、式２のように順に分解していく。
ＡＴＰ→ＡＤＰ→ＡＭＰ→ＩＭＰ→ＨｘＲ→Ｈｘ （式２）

動物が生きている間は、逆方向の合成も進むが、死後には逆方向の合成は発生しない。つまり、単純にいえば、動物の死後、式１の分母の値は安定するのに対し、分子の値は時間が経過するにつれて大きな値になる。つまり、鮮度Ｋが小さいほど、新鮮（活きがよい）といえる。

（品質学習装置）
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。

容器２は、対象物としての食品３の見本を収納する。容器２内の空間は、外部の空間とは別に空調されている。空調機４が容器２にダクトを介して接続されている。空調機４は、品質学習装置１からの指示に従って、容器２内の温度、湿度、風の流れ（風速等）を制御する。カメラ５は、容器２に収納されている食品の画像を取得する。空調機４及びカメラ５は、品質学習装置１と通信可能に接続され得る。なお、容器２の典型的な例は、スーパーマーケットのショーケースである。そして、カメラ５は、ショーケースの監視カメラである。もちろん、容器２が販売現場以外の研究所等にあってもよい。

本実施形態の特徴を端的にいえば、品質学習装置１は、時系列でＫ値をシミュレーションする。品質学習装置１は、あくまでもシミュレーションによってＫ値を取得するのであり、検体を分析することによってＫ値を取得するのではない。一方、品質学習装置１は、時系列で食品の画像を取得する。この画像は、食品の見本の画像である。すると、品質学習装置１は、画像とＫ値との組合せを時系列で取得することになる。この時系列の組合せが学習用データ（詳細後記）である。

（Ｋ値のシミュレーション）
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ｆ_１、ｆ_２、ｆ_３、ｆ_４、ｆ_５及びｆ_６の６本の数式からなる。

[ＡＴＰ]＝ｆ_１（ｔ，ｐ_１１，ｐ_１２，ｐ_１３，・・・）
[ＡＤＰ]＝ｆ_２（ｔ，ｐ_２１，ｐ_２２，ｐ_２３，・・・）
[ＡＭＰ]＝ｆ_３（ｔ，ｐ_３１，ｐ_３２，ｐ_３３，・・・）
[ＩＭＰ]＝ｆ_４（ｔ，ｐ_４１，ｐ_４２，ｐ_４３，・・・）
[ＨｘＲ]＝ｆ_５（ｔ，ｐ_５１，ｐ_５２，ｐ_５３，・・・）
[Ｈｘ] ＝ｆ_６（ｔ，ｐ_６１，ｐ_６２，ｐ_６３，・・・） （式３）

“[ＡＴＰ]”等は、食品の単位質量当たりのＡＴＰ等のモル数である。“[ ]”は、その内側に記された文字列がその関連物質を意味する（Ａ×Ｔ×Ｐを意味するものではない）ことも明らかにしている。ｐ_１１、ｐ_１２、ｐ_１３、・・・、ｐ_６３、・・・は、パラメータである。例えばｆ_１が１次式である場合、ｆ_１は、２つのパラメータｐ_１１及びｐ_１２を有し、これらは、傾き及び定数項となる。各関連物質のモル数は、以下に式４として示す連立微分方程式を満たしている。

ｄ[ＡＴＰ]／ｄｔ＝－ｋ_１[ＡＴＰ]
ｄ[ＡＤＰ]／ｄｔ＝ ｋ_１[ＡＴＰ] －ｋ_２[ＡＤＰ]
ｄ[ＡＭＰ]／ｄｔ＝ ｋ_２[ＡＤＰ] －ｋ_３[ＡＭＰ]
ｄ[ＩＭＰ]／ｄｔ＝ ｋ_３[ＡＭＰ] －ｋ_４[ＩＭＰ]
ｄ[ＨｘＲ]／ｄｔ＝ ｋ_４[ＩＭＰ] －ｋ_５[ＨｘＲ]
ｄ[Ｈｘ]／ｄｔ ＝ ｋ_５[ＨｘＲ] （式４）

式４の６本の等式の左辺は、各関連物質のモル数を死後経過時間ｔで微分した導関数である。ｋ_１～ｋ_５は、反応速度定数（直ちに後記）である。要するに、ある関連物質のモル数の変化速度は、式２における直前物質のモル数が大きいほど大きく、かつ、当該関連物質のモル数が小さいほど大きい。なお、[ＡＴＰ]は減少する一方なので、“ｄ[ＡＴＰ]／ｄｔ”は、常に負値である。なお、[Ｈｘ]は増加する一方なので、“ｄ[Ｈｘ]／ｄｔ”は、常に正値である。

反応速度定数ｋ_ｉは、以下に示す式５で定義される。なお、反応速度定数を示す小文字の“ｋ”とＫ値を示す大文字の“Ｋ”とは、区別されている。
ｋ_ｉ＝Ｃ_ｈＣ_ｃＡ_ｉｅｘｐ(－Ｅ_ｉ／（ＲＴ）) （式５）

式５において、“ｉ”は、１、２、３、４及び５の値を取り、それらのそれぞれが、ＡＴＰ、ＡＤＰ、ＡＭＰ、ＩＭＰ及びＨｘＲに対応している。つまり、式５は、５本の等式を１本の等式で表現している。“ｅｘｐ”は、指数関数である。Ｃ_ｈは、湿度に関する係数である。Ｃ_ｃは、風の流れに関する係数である。Ａ_ｉは、頻度因子である。Ｅ_ｉは、活性化エネルギーである。Ｒは、気体定数である。Ｔは、絶対温度である。本実施形態の化学反応情報３１は、所与の食品の種類、温度、湿度、及び、風の流れの組合せに対して、Ａ_ｉ、Ｅ_ｉ、Ｃ_ｈ及びＣ_ｃの具体的な値を与える。Ａ_ｉ、Ｅ_ｉ、Ｃ_ｈ及びＣ_ｃの具体的な値が決まれば、反応速度定数ｋ_ｉが決まる。

このようにして決まったｋ_ｉの値を式４の連立微分方程式に代入したうえで、式４の連立微分方程式を解くと、解として式３のモル数関数が得られる。本実施形態では、品質学習装置１は、式４を満たすようなパラメータｐ_１１、ｐ_１２、ｐ_１３、・・・、ｐ_６３、・・・の値を決定することによって式４の連立微分方程式を解く。さらに、品質学習装置１は、パラメータの値が決まったモル数関数を使用して、時系列のＫ値を作成する（詳細後記）。

（化学反応情報）
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（Ａ_ｉ，ｉ＝１、２、３、４、５）
・活性化エネルギー（Ｅ_ｉ，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（Ｃ_ｃ）
・湿度と湿度に関する係数（Ｃ_ｈ）との関係

図２は、化学反応情報３１のうち、Ａ_ｉ及びＥ_ｉを決定する部分の一例を示す。“＃”は、異なる値を省略的に示している（以下図３等においても同様）。図３は、化学反応情報３１のうち、Ｃ_ｃを決定する部分の一例を示す。図４は、化学反応情報３１のうち、Ｃ_ｈを決定する部分の一例を示す。

（学習データ）
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。

食品の種類欄１４１の食品の種類は、Ｋ値を推定する食品（対象物）の種類である。食品の種類は、“牛肉”、“アジ”のように、生鮮食品の品名でもよいし、“牛肉モモ”、“牛肉ムネ”のように、品名と部位との組合せでもよいし、“○○県産牛肉”、“○○港水揚げアジ”のように、品名と産地との組合せであってもよい。

温度欄１４２の温度は、食品の見本が晒される空気の温度である。
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。

時点欄１４５の時点は、食品の見本の画像を取得した時点である。
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。

対象箇所画素値欄１４８の画素値は、食品の見本の画像のうち、ユーザが指定する箇所の画素値である。ユーザが指定する箇所及び画素値は、例えば、以下の通りである。
〈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

〈画素値〉
・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

Ｋ値欄１４９のＫ値は、死後経過時間に対応する値として、品質学習装置１が推定したＫ値である。品質学習装置１は、食品の見本の画像を取得することなく、任意の死後経過時間に対応するＫ値を推定することができる。つまり、Ｋ値欄１４９のＫ値は、画素値とは、直接関係していない。

（食品の見本の画像が取得された時点と死後経過時間との関係）
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。

本実施形態では、食品の見本が容器２に収容された時点におけるそのＫ値（初期Ｋ値）は所与である。したがって、品質学習装置１は、モル数関数のパラメータを一旦決定した後は、出力変数であるＫ値に基づいて入力変数である死後経過時間を逆算することができる。

図５の説明に戻る。死後経過時間欄１４６の死後経過時間は、前記のように逆算された“食品の見本の死後、食品の見本の画像が取得された時点までに経過した推定時間”である。撮像結果として、時点（欄１４５）と画素値（欄１４８）とが１対１に対応している。一方、それとは独立なシミュレーション結果として、死後経過時間（欄１４６）とＫ値（欄１４９）とが１対１に対応している。そして、時点（欄１４５）と死後経過時間（欄１４６）とが１対１に対応している。すると、実測値である画素値（欄１４８）と、理論値であるＫ値（欄１４９）とが１対１に対応するものとなる。

図５のうち、画素値（欄１４８）及びＫ値（欄１４９）の組合せを時系列に並べたものが、品質推定モデル３３（図１）を学習するために使用される学習用データとなる。図５の学習データ３２（欄１４１～１４９）の一部が、学習“用”データとなることに留意するべきである。学習用データは、例えば“〈Ｒ画素値，Ｇ画素値，Ｂ画素値，Ｋ値〉＝〈＃，＃，＃，＃〉”が時系列で多数並んだものである。

（温度等の条件を変える意味）
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。

一方、レコード１５０ａの学習用データと、レコード１５０ｃの学習用データを比較すると、風の流れの相違と死後経過時間の相違が打ち消しあって、レコード１５０ａの学習用データと、レコード１５０ｃの学習用データは同じになるかもしれない。すると、品質学習装置１は、重複した学習用データをわざわざ取得しているようにも見える。

前記したように本実施形態の容器は、スーパーマーケットのショーケースである場合が多い。当然ながらショーケースは、制御された温度、湿度、風の流れ等のもとで、その温度等に適した食品を選択的に保管（陳列）している。そのうえで、在庫管理、防犯等の目的でカメラが食品の画像を周期的に取得していることが多い。

つまり、多くの場合、食品の実物が販売対象として一定の環境に置かれ続けており、画像も取得済である。このようなユーザが“なにかおかしい”と直観的に感じた食品の実物の画像を取得し、直ちにＫ値を推定したいというニーズが大きい。すると、食品の実物が日常的に管理されている温度、湿度、風の流れ等に基づいて学習用データを作成する方が、Ｋ値を推定する精度が高くなる。結局、食品の実物は、見本を兼ねる。

（処理手順）
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。

ステップＳ２０１において、品質学習装置１の入力処理部２１は、入力画面４１（図８）への入力を受け付ける。具体的には、第１に、入力処理部２１は、出力装置１３に入力画面４１を表示する。
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４に、入力処理部２１は、欄４２ｇにデータ作成所要時間を表示する。データ作成所要時間とは、現時点からＫ値が所定の閾値（例えば６０％）となるまでの時間である。なお、この段階では、品質学習装置１は、Ｋ値を推定するためのモル数関数を未だ決定していない。したがって、品質学習装置１は、入力されたデータを任意の過去例に照合する等の簡便な方法で、Ｋ値が所定の閾値となる時点を一応の情報として表示する。ここでは、“６００分”が表示されたとする。なお、入力処理部２１は、欄４２ｇにデータ作成所要時間をユーザが入力するのを受け付けてもよい。この場合のデータ作成所要時間は、例えば、ユーザが食品の実物をショーケースに陳列した後、売れ残り分を処分するまでの期間である。

第５に、入力処理部２１は、欄４２ｈに作成データ数を表示する。作成データ数は、データ作成所要時間をデータ取得間隔で除算した数である。ここでは、“１０”が表示されることになる。
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Ｓ２０２において、品質学習装置１の空調制御部２３は、空調機４に指示を送信する。具体的には、空調制御部２３は、ステップＳ２０１の“第２”において受け付けた温度制御値、湿度制御値及び風の流れの制御値を、空調機４に送信する。
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。

ステップＳ２０４において、品質学習装置１の学習データ作成部２４は、時系列のＫ値をシミュレーションする。ステップＳ２０４の詳細は後記する。ここでは、結果的に、学習データ作成部２４は、図５の対象箇所画素値欄１４８及びＫ値欄１４９の１～１０行目に示すような学習用データを取得したとする。

ステップＳ２０５において、学習データ作成部２４は、入力条件を変更して処理を続けか否かを判断する。具体的には、学習データ作成部２４は、“入力条件を変更して処理を続けますか？”という質問を出力装置１３に表示し、ユーザが“はい”又は“いいえ”を入力するのを促す。学習データ作成部２４は、“いいえ”が入力された場合（ステップＳ２０５“ＮＯ”）、ステップＳ２０６に進み、“はい”が入力された場合（ステップＳ２０５“ＹＥＳ”）、ステップＳ２０１に戻る。戻った後のステップＳ２０１において、入力処理部２１は、例えば、別の食品の種類についての入力を受け付ける。

ステップＳ２０６において、学習データ作成部２４は、学習データ３２（図５）を作成する。具体的には、第１に、学習データ作成部２４は、学習データ３２の新たなレコードを、ステップＳ２０１の“第５”において表示した作成データ数だけ作成する。
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４に、学習データ作成部２４は、新たなレコードの死後経過時刻欄１４６に、時点に基づいて前記した方法で算出した死後経過時間を記憶する。
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６に、学習データ作成部２４は、新たなレコードの対象箇所画素値欄１４８に、ステップＳ２０１の“第６”において受け付けた箇所についての、ステップＳ２０１の“第６”において受け付けた種類の画素値を記憶する。ここで記憶される画素値は、例えば、鮮魚の目の画像のＲ画素値、Ｇ画素値及びＢ画素値である。
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。

ステップＳ２０７において、品質学習装置１の品質推定部２５は、品質推定モデルを作成する。具体的には、第１に、品質推定部２５は、学習用データを多次元空間に描画する。いま、学習用データの型式は、“〈Ｒ画素値，Ｇ画素値，Ｂ画素値，Ｋ値〉＝〈＃，＃，＃，＃〉，〈＃，＃，＃，＃〉，〈＃，＃，＃，＃〉，・・・”であるとする。すると、品質推定部２５は、４次元空間にこれらの“〈＃，＃，＃，＃〉”の１つ１つを“●”として描画する。４次元空間を図示するのは困難である。そこで、説明目的で、より簡便ではあるが本質を失わない２次元平面を記載したものが図９である。

第２に、品質推定部２５は、多次元空間内に回帰直線を作成する。このとき、品質推定部２５は、回帰直線と●との距離の２乗和が最小になるように回帰直線のパラメータ（傾き及び定数項）を決定する。この回帰直線は、品質推定モデル３３（図１）そのものである。なお、品質推定部２５は、学習データ３２（図５）における食品の種類、温度、湿度及び風の流れの組合せごとに、品質推定モデル３３を作成してもよいし、この組合せを無視して、品質推定モデル３３を作成してもよい。この段階で、品質学習装置１は、ユーザが選択する食品のＫ値を推定する準備を整えたことになる。なお、品質推定部２５は、回帰直線の他に、回帰“曲線”を作成してもよい。

ステップＳ２０８において、品質推定部２５は、対象物の画像を受け付ける。具体的には、品質推定部２５は、ユーザが対象物の実物を手に取りカメラの視野にかざすことによって画像を入力するのを受け付ける。ここでの“カメラ”は、図１のカメラ５以外の任意の撮像装置でもよい。ここでの“対象物”は、ユーザが直ちに現時点でのＫ値を知りたいと考える食品の実物そのものであり、食品の見本ではない。このとき、前記のように品質推定モデル３３が食品の種類、温度等の組合せごとに複数存在する場合、品質推定部２５は、ユーザがその組合せを入力するのを受け付ける。

ステップＳ２０９において、品質推定部２５は、対象物のＫ値を取得する。具体的には、第１に、品質推定部２５は、ステップＳ２０８において食品の種類、温度等の組合せを受け付けた場合、その組合せに対応する品質推定モデル３３を取得する。品質推定部２５は、それ以外の場合、ただ１つ存在する品質推定モデル３３を取得する。そして、品質推定部２５は、取得した品質推定モデル３３を多次元空間に描画する。ここで描画された品質推定モデルを簡便に２次元平面で記載したものが図１０である。

第２に、品質推定部２５は、ステップＳ２０８において受け付けた画像から所定の箇所を切り出し、切り出した箇所の所定の画素値を取得する。説明を単純にするためにここでは、生肉の皮を剥いだ筋肉部分のＲ画素値が取得されたとする。
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。

（ステップＳ２０４の詳細）
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ｐ_１１等の値は未定である。

ステップＳ３０２において、学習データ作成部２４は、連立微分方程式を受け付ける。具体的には、学習データ作成部２４は、ユーザが入力装置１２を介して連立微分方程式（式４）を入力するのを受け付ける。

ステップＳ３０３において、学習データ作成部２４は、入力条件に基づいて、反応速度定数を決定する。具体的には、学習データ作成部２４は、入力条件（初期Ｋ値以外）を化学反応情報３１（図２～図４）に適用することによって、Ａ_ｉ、Ｅ_ｉ、Ｃ_ｃ及びＣ_ｈの値（ｉ＝１、２、３、４、５）を決定する。なお、気体定数Ｒの値は既知である。

ステップＳ３０４において、学習データ作成部２４は、反応速度定数を連立微分方程式に代入する。具体的には、式４のｋ_ｉにステップＳ３０３において決定した反応速度定数ｋ_ｉを代入する。
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ｐ_１１、ｐ_１２、ｐ_１３、・・・、ｐ_６３、・・・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。

ステップＳ３０６において、学習データ作成部２４は、時系列のＫ値を算出する。具体的には、第１に、学習データ作成部２４は、前記したように、初期Ｋ値、モル数関数（式３）及び式１を使用した逆算を実行することによって、食品の見本の画像を取得した時点を死後経過時間に変換する。
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。

（品質の指標）
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）

ＩＭＰ（イノシン酸）は、食品のうま味成分である。式２の分解過程が進むにつれてＭ値は、ある時点で最大になり、その後徐々に小さくなっていく。うま味の観点から見れば、Ｍ値が最大になる時点が、例えばマグロの刺身、牛肉ステーキ等の食べ頃といえる。

（温度等の制御）
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。

・時点ごとに変化する容器内の温度、湿度及び風の流れの実測値を取得する。
・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Ａ_ｉ、Ｅ_ｉ、Ｃ_ｃ及びＣ_ｈ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ｋ_ｉを決定する。
・決定した反応速度定数ｋ_ｉ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。

容器の温度等を成り行きに任せる方法では、学習データ３２における温度、湿度及び風の流れが、それぞれ独立的にレコードごとに変化することになる。また、モル数関数（式３）のパラメータｐ_１１等のそれぞれは、レコードごとに異なっている。

（本実施形態の効果）
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。

（５）品質学習装置は、一般に普及しているＫ値算出用モデルを使用することができる。
（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。

なお、本発明は前記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、前記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、前記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、前記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウエアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
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。

１ 品質学習装置
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
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。

Images