WO2022004828A1 - 品質予測方法、品質予測装置および品質予測プログラム - Google Patents

品質予測方法、品質予測装置および品質予測プログラム Download PDF

Info

Publication number
WO2022004828A1
WO2022004828A1 PCT/JP2021/024864 JP2021024864W WO2022004828A1 WO 2022004828 A1 WO2022004828 A1 WO 2022004828A1 JP 2021024864 W JP2021024864 W JP 2021024864W WO 2022004828 A1 WO2022004828 A1 WO 2022004828A1
Authority
WO
WIPO (PCT)
Prior art keywords
quality
prediction
value
measured
predicting
Prior art date
Application number
PCT/JP2021/024864
Other languages
English (en)
French (fr)
Inventor
恵 山田
恵津子 桑名
翔子 青木
祐一 中原
洋 海塩
Original Assignee
味の素株式会社
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 味の素株式会社 filed Critical 味の素株式会社
Priority to JP2022534102A priority Critical patent/JPWO2022004828A1/ja
Publication of WO2022004828A1 publication Critical patent/WO2022004828A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/14—Beverages

Definitions

  • the present invention relates to a quality prediction method, a quality prediction device, and a quality prediction program.
  • Patent Document 1 describes a method and an apparatus for non-destructively inspecting the maturity of pear by measuring odor (see paragraph 0006 of Patent Document 1).
  • the present invention has been made in view of the above problems, and is a quality prediction method, a quality prediction device, and a quality prediction device that enable highly accurate quality prediction based on aroma to be performed by a simple and objective method.
  • the purpose is to provide a quality forecasting program.
  • the quality prediction method is a measurement which is a value related to the predetermined information when the fragrance component to be predicted is measured as predetermined information by a measuring instrument. Based on a model for predicting the quality of the prediction target using values, or based on an equation for predicting the quality of the prediction target using calculated values calculated based on the measured values. It is characterized by including a prediction step for predicting the quality of the prediction target.
  • the predetermined information to be measured is measured by adsorbing the scent component to an adsorption site which is a site where the scent component is adsorbed in the measuring instrument. It is characterized by being.
  • the scent component is adsorbed on the sensitive film as the adsorption site fixed to the piezoelectric element of the beam included in the measuring instrument. It is characterized by being caused by a change in weight due to.
  • the quality prediction method according to the present invention is characterized in that the change in weight is detected as a change in the vibration frequency of the beam.
  • the quality prediction method according to the present invention is characterized in that the vibration frequency is a resonance frequency.
  • the adsorption site in the measuring instrument is composed of an aptamer
  • the predetermined information to be measured is the aptamer obtained by adsorbing the fragrance component to the aptamer. It is characterized in that it is caused by a change in the reflected light intensity of a single wavelength.
  • the quality prediction method according to the present invention is characterized in that the measured value is a value measured by using the surface plasmon resonance method.
  • the time range in which the measured value is stabilized when the measured value used for the prediction is measured over time for one prediction target, the time range in which the measured value is stabilized.
  • the humidity is acquired in a stabilized time range.
  • the quality prediction method according to the present invention is a measurement value in which the model is a value related to the predetermined information when the scent component of the learning target to be machine learning is measured as predetermined information by the measuring instrument. It is characterized in that it is constructed by using machine learning based on the result when a person evaluates the quality of the learning object.
  • the quality prediction method according to the present invention is a formula for predicting the quality of the prediction target by using the calculated value calculated by subjecting the measured value to multivariate analysis. , Is characterized.
  • the quality prediction method according to the present invention is characterized in that, in the prediction step, it is predicted whether the prediction target is a non-defective product or a non-defective product.
  • the quality prediction method according to the present invention is characterized in that the prediction target is a beverage or a raw material of the beverage.
  • the quality prediction method according to the present invention is characterized in that the beverage is coffee and the raw material is coffee beans.
  • the quality prediction device is a quality prediction device including a control unit, and the control unit relates to the predetermined information when the fragrance component to be predicted is measured as predetermined information by the measuring device.
  • the control unit relates to the predetermined information when the fragrance component to be predicted is measured as predetermined information by the measuring device.
  • the quality prediction program according to the present invention is a quality prediction program to be executed in an information processing apparatus provided with a control unit, and a fragrance component to be predicted to be executed in the control unit is determined by a measuring instrument. Based on the model for predicting the quality of the prediction target using the measured value which is the value related to the predetermined information when measured as information, or using the calculated value calculated based on the measured value. It is characterized by including a prediction step for predicting the quality of the prediction target based on an equation for predicting the quality of the prediction target.
  • FIG. 1 is a block diagram showing an example of the configuration of a quality prediction device.
  • FIG. 2 is a diagram showing an example of a quality prediction flow according to the present embodiment.
  • FIG. 3 is a diagram showing an example of the flow of model construction according to the present embodiment.
  • FIG. 4 is a diagram showing a graph in which the values of LD1 and LD2 of a sample (good product, non-good product having a fermented odor, non-good product having a chemical odor, and non-good product having a musty odor) as teacher data are plotted.
  • FIG. 1 is a block diagram showing an example of the configuration of a quality prediction device.
  • FIG. 2 is a diagram showing an example of a quality prediction flow according to the present embodiment.
  • FIG. 3 is a diagram showing an example of the flow of model construction according to the present embodiment.
  • FIG. 4 is a diagram showing a graph in which the values of LD1 and LD2 of a sample (good product, non-good product
  • FIG. 5 is a diagram showing a graph in which the values of LD1 and LD2 of a sample (good product, non-good product having a fermented odor, non-good product having a chemical odor, and non-good product having a musty odor) as test data are plotted.
  • FIG. 6 shows a sample as teacher data (good product, non-good product with fermented odor, non-good product with chemical odor and non-good product with musty odor) and a sample as test data (good product, non-good product with fermented odor, chemical). It is a figure which shows the graph which plotted the values of LD1 and LD2 of the non-good product which smells and the non-good product which smells mold.
  • FIG. 7 is a diagram showing the results of cross-validation of 64 good products and 173 non-good products (fermented odor, chemical odor and musty odor) samples in a random forest.
  • FIG. 8 is a diagram showing an example of a method for calculating the accuracy of separation.
  • FIG. 9 is a diagram showing an example of a more detailed flow of model construction according to the present embodiment.
  • FIG. 10 is a diagram showing an example of the result of predicting the quality of coffee by the model according to the present embodiment.
  • FIG. 1 is a block diagram showing an example of the configuration of the quality prediction device 100.
  • the quality prediction device 100 is a commercially available desktop personal computer. It should be noted that the quality prediction device 100 is not limited to stationary information processing devices such as desktop personal computers, but portable information such as commercially available notebook personal computers, PDAs (Personal Digital Assistants), smartphones, and tablet personal computers. It may be a processing device.
  • the quality prediction device 100 includes a control unit 102, a communication interface unit 104, a storage unit 106, and an input / output interface unit 108. Each part of the quality prediction device 100 is communicably connected via an arbitrary communication path.
  • the communication interface unit 104 connects the quality prediction device 100 to the network 300 so as to be communicable via a communication device such as a router and a wired or wireless communication line such as a dedicated line.
  • the communication interface unit 104 has a function of communicating data with another device via a communication line.
  • the network 300 has a function of connecting the quality prediction device 100 and the measuring instrument 200 so as to be able to communicate with each other, and is, for example, the Internet, a LAN (Local Area Network), or the like.
  • An input device 112 and an output device 114 are connected to the input / output interface unit 108.
  • the output device 114 a speaker or a printer can be used in addition to a monitor (including a home television).
  • the input device 112 can use a monitor that realizes a pointing device function in cooperation with the mouse.
  • the output device 114 may be referred to as a monitor 114
  • the input device 112 may be referred to as a keyboard 112 or a mouse 112.
  • Various databases, tables, files, etc. are stored in the storage unit 106.
  • a computer program for giving an instruction to a CPU (Central Processing Unit) in cooperation with an OS (Operating System) to perform various processes is recorded.
  • a memory device such as a RAM (Random Access Memory) / ROM (Read Only Memory), a fixed disk device such as a hard disk, a flexible disk, an optical disk, or the like can be used.
  • the storage unit 106 includes, for example, acquisition result data 106a, calculation result data 106b, prediction result data 106c, and model data 106d.
  • the acquisition result data 106a stores the measured values acquired by the acquisition unit 102a, which will be described later (for example, the raw data acquired by the measurement by the measuring instrument 200).
  • the calculation result data 106b stores the calculated values calculated by the calculation unit 102b described later (for example, the values of LD1 and LD2 calculated based on the raw data).
  • the prediction result data 106c includes the result predicted by the prediction unit 102c described later (for example, the prediction result of "good product or non-good product” or "good product, non-good product with chemical odor, non-good product with fermented odor”.
  • the prediction result "Is it a non-good product with a musty odor?" Is stored.
  • the model data 106d stores the model constructed by the construction unit 102e, which will be described later.
  • the control unit 102 is a CPU or the like that comprehensively controls the quality prediction device 100.
  • the control unit 102 has an internal memory for storing a control program such as an OS, a program that defines various processing procedures, required data, and the like, and performs various information processing based on these stored programs. Run.
  • the control unit 102 is functionally conceptually, for example, (1) as an acquisition means for acquiring a measured value which is a value related to the predetermined information when the fragrance component to be predicted is measured as the predetermined information by the measuring instrument.
  • the acquisition unit 102a, (2) the calculation unit 102b as a calculation means for calculating the calculated value based on the acquired measurement value, and (3) the fragrance component to be predicted are measured as predetermined information by the measuring instrument.
  • the prediction target is based on a model for predicting the quality of the prediction target using the measurement value which is a value related to the predetermined information, or by using the calculated value calculated based on the measurement value.
  • the prediction unit 102c as a prediction means for predicting the quality of the prediction target, (4) the display unit 102d as a display means for displaying the predicted result, and ( 5) It is provided with a construction unit 102e as a construction means for constructing the model.
  • the control unit 102 may include at least the prediction unit 102c, and is an arbitrary component other than the prediction unit 102c.
  • the acquisition unit 102a acquires a measured value (for example, raw data acquired by the measurement by the measuring instrument 200) which is a value related to the predetermined information when the fragrance component to be predicted is measured as predetermined information by the measuring instrument 200. do.
  • the predetermined information is caused by, for example, a change in reflected light intensity, a change in color, a change in weight, and the like.
  • the calculation unit 102b uses a predetermined analysis tool (for example, Excel, JMP, R, etc.) and a predetermined analysis method (for example, LDA: Linear Discriminant Analysis) based on the measured value acquired by the acquisition unit 102a. Calculate the calculated values (for example, the values of LD1 and LD2).
  • a predetermined analysis tool for example, Excel, JMP, R, etc.
  • a predetermined analysis method for example, LDA: Linear Discriminant Analysis
  • the prediction unit 102c is calculated based on a model for predicting the quality of the prediction target using the measurement value acquired by the acquisition unit 102a, or based on the measurement value acquired by the acquisition unit 102a.
  • the quality of the prediction target is predicted based on the formula for predicting the quality of the prediction target using the value.
  • the display unit 102d is a prediction result of the quality in the prediction unit 102c (for example, a prediction result of "good product or non-good product” or "good product, non-good product with chemical odor, non-good product with fermented odor, mold”. The prediction result) "Is it a non-good product that smells?" Is displayed.
  • the construction unit 102e constructs the model according to the flow of FIG. That is, the construction unit 102e has a measured value (in the “measured value” of FIG. 3) which is a value related to the predetermined information when the scent component of the learning target to be machine learning is measured with the predetermined information by the measuring device 200.
  • the model is constructed using machine learning (for example, Random Forest) based on the result (corresponding to) and the result when a person evaluates the quality of the learning object (corresponding to the “sensory evaluation result” in FIG. 3). ..
  • Step S1 Acquisition process
  • the acquisition unit 102a acquires a measured value (for example, raw data acquired by the measurement by the measuring instrument 200) which is a value related to the predetermined information when the fragrance component to be predicted is measured as predetermined information by the measuring instrument 200.
  • a measured value for example, raw data acquired by the measurement by the measuring instrument 200
  • the acquisition unit 102a stores the acquired measurement value in the acquisition result data 106a.
  • the predetermined information to be measured is, for example, measured by adsorbing the scent component to an adsorption site which is a site where the scent component is adsorbed in the measuring device 200.
  • the measuring instrument 200 that can be used in the present embodiment is roughly divided into, for example, (1) a measuring instrument characterized by using a piezoelectric element (used in the following Example 2) and (2) reflection. Examples thereof include a measuring instrument (used in Example 1 below) characterized by observing a change in light intensity.
  • the predetermined information to be measured is, for example, a beam provided in the measuring instrument. This is due to a change in weight due to the adsorption of the scent component on the sensitive film as the adsorption site fixed to the piezoelectric element. The change in weight is detected, for example, as a change in the vibration frequency (for example, resonance frequency) of the beam.
  • the measuring instrument 200 characterized by using a piezoelectric element include nose @ MEMS (registered trademark) manufactured by I-PEX Inc. used in the following Example 2.
  • the adsorption site in the measuring instrument 200 is For example, it is composed of an aptamer, and in this case, the predetermined information (for example, reflected light intensity) to be measured is the reflected light intensity of a single wavelength of the aptamer due to the adsorption of the fragrance component on the aptamer. It is caused by.
  • the predetermined information to be measured is a single wavelength reflected light intensity observed from the aptamer when the fragrance component is adsorbed on the aptamer.
  • Examples of the measuring instrument 200 characterized by observing changes in the reflected light intensity include NeOse P3 manufactured by Aryball, which is used in the following Example 1.
  • the aptamer can be broadly interpreted, and includes, for example, a molecule capable of adsorbing an odorous component such as a sugar chain, a nucleic acid, a polymer, or a peptide.
  • the measuring instrument 200 for example, those described below can be used in addition to the measuring instrument 200 described in (1) and (2). That is, as the measuring instrument 200, for example, an instrument including an arbitrary sensor element capable of detecting a molecule to be detected diffused in the wet layer and outputting a detection signal may be used. As the sensor element, a chemical sensor element whose detection target is a chemical substance may be widely used, but in combination with a wet layer or an aptamer, a trace amount and various detection target molecules existing in an analysis sample are detected and analyzed. From the viewpoint of obtaining, the sensor element selected from the group consisting of an electrochemical sensor element, a piezoelectric sensor element and an optical sensor element may be used.
  • electrochemical sensor element examples include a sensor element using electrochemical impedance spectroscopy (EIS) (hereinafter, also referred to as “EIS sensor element”) and differential pulse voltammetry (DPV: Differential Pulse Voltmmery). Examples thereof include a sensor element using measurement (hereinafter, also referred to as “DPV sensor element”).
  • EIS electrochemical impedance spectroscopy
  • DUV differential pulse voltammetry
  • Examples thereof include a sensor element using measurement (hereinafter, also referred to as “DPV sensor element”).
  • the EIS sensor element When the EIS sensor element is used, an AC voltage is applied between the electrodes, and the impedance is measured while changing the frequency of the AC. The measured impedance is plotted as a curve on a graph with the real part on the horizontal axis and the imaginary part on the vertical axis. This graph is called a "Nyquist diagram" and the curves of the Nyquist diagram usually draw a semicircle.
  • the aptamer is immobilized on (on the electrode of) the sensor element, the charge transfer resistance changes due to the aptamer binding to the molecule to be detected, and the diameter of the semicircle changes. From this amount of change in diameter, the existence and amount of the molecule to be detected can be grasped and calculated.
  • piezoelectric sensor element examples include a sensor element (hereinafter, also referred to as “QCM sensor element”) using a quartz crystal microbalance (QCM) method and a film type surface stress (MSS: Membrane-type). Surface Stress) sensor element (hereinafter, also referred to as “MSS sensor element”) and the like can be mentioned.
  • the QCM sensor element When the QCM sensor element is used, if electrodes are provided on both sides of a thin crystal plate and an alternating current is applied, vibration of a constant frequency (resonance frequency) is generated. Such an element is called a “crystal oscillator", and the resonance frequency changes depending on the mass of the substance adhering to the electrode of the crystal oscillator.
  • the aptamer is immobilized on (on the electrode of) the sensor element, the mass on the electrode changes due to the aptamer binding to the molecule to be detected, and the resonance frequency changes. From this frequency change, the existence and amount of the molecule to be detected can be grasped and calculated.
  • optical sensor element examples include a sensor element using a protein that forms a nanostructure.
  • the surface-treated bacteriophage (virus) is used as a sensitive film, and the element coated on the gold substrate is used, and the aroma component is adsorbed on the phage. It changes the nanostructure and detects it as a change in color, that is, changes in the absorbance of red, blue, and green.
  • the measuring instrument 200 may include, for example, a field effect transistor (FET: Field Effect Transistor) or a photoionization detector (PID: PhotoIonization Detector). , Complementary metal oxide semiconductor (CMOS) may be included.
  • FET Field Effect Transistor
  • PID PhotoIonization Detector
  • CMOS Complementary metal oxide semiconductor
  • the prediction target will be described.
  • the prediction target may be anything as long as it emits a fragrance, and examples thereof include beverages, foods, flavors and industrial products, raw materials thereof, and the like, but the beverage and the beverage thereof are preferable. It is a raw material.
  • the beverage is, for example, coffee, and the raw material of the beverage is, for example, coffee beans.
  • a method of applying the scent component to be predicted to the measuring instrument 200 will be described.
  • the method of subjecting the scent component to be predicted to the measuring instrument 200 is not particularly limited, and for example, an air supply system for supplying aroma to the sensor portion and a pretreatment system for stabilizing the value of the sensor are used. It can be carried out.
  • the pretreatment system includes a Dimroth condenser and a cooling water circulation device.
  • a sensor system consisting of a liquid transfer pump (manufactured by Nitto Kohki Co., Ltd .: LV-125A), a mass flow controller (manufactured by Koflock), a flask, a gym funnel, and a measuring instrument 200 (aroma sensor) connected with a Teflon (registered trademark) tube.
  • a liquid transfer pump manufactured by Nitto Kohki Co., Ltd .: LV-125A
  • mass flow controller manufactured by Koflock
  • a flask a gym funnel
  • a measuring instrument 200 (aroma sensor) connected with a Teflon (registered trademark) tube.
  • the prediction target is coffee
  • the coffee extract is placed in the flask and kept warm on a hot plate heated to a predetermined temperature while pushing out air from the liquid feed pump at a predetermined flow rate for measurement.
  • the coffee scent component can be introduced into the vessel 200 (aroma sensor).
  • the nature of the measured value and the acquisition method will be described.
  • the measured value is, for example, a value measured by using the surface plasmon resonance method (value relative to the blank).
  • the measured value used for the prediction by the prediction unit 102c is, for example, the measured value when the measured value is continuously measured for one prediction target food or one prediction target beverage. It was obtained in a stabilized time range or in a stabilized time range of humidity.
  • Step S2 Calculation process
  • the calculation unit 102b uses a predetermined analysis tool (for example, Excel, JMP, R, etc.) and a predetermined analysis method (for example, LDA) based on the measured value stored in the acquisition result data 106a to calculate the calculated value.
  • a predetermined analysis tool for example, Excel, JMP, R, etc.
  • a predetermined analysis method for example, LDA
  • the calculation unit 102b stores the calculated calculated value in the calculation result data 106b.
  • Step S3 Prediction processing
  • the prediction unit 102c predicts the quality of the prediction target based on the model for predicting the quality of the prediction target by using the measured value stored in the acquisition result data 106a (step S3 in FIG. 2). : Prediction processing). Alternatively, the prediction unit 102c predicts the quality of the prediction target based on the formula for predicting the quality of the prediction target by using the calculated value stored in the calculation result data 106b (FIG. 2).
  • Step S3 Prediction processing).
  • the model is, for example, constructed by the construction unit 102e and stored in the model data 106d.
  • An example in the case of performing quality prediction according to the present embodiment using the above model is shown in (3-2) below.
  • the formula is a formula for predicting the quality of the prediction target by using the calculated value calculated by subjecting the measured value to multivariate analysis (for example, LDA), for example.
  • multivariate analysis for example, LDA
  • An example in the case of performing quality prediction according to the present embodiment using the above formula is shown in (3-1) below. Specifically, the formula is the formula 1 shown in (3-1) of the embodiment.
  • the prediction of the quality may be a prediction that the prediction target is "good product or non-good product", or more finely, the prediction target (in the case of coffee) is "good product or non-good product”. It may be a prediction of "whether it is a good product, a non-good product with a fermented odor, or a non-good product with a musty odor.”
  • the prediction unit 102c stores the predicted result as the prediction result in the prediction result data 106c.
  • Step S4 Display processing
  • the display unit 102d displays the prediction result stored in the prediction result data 106c (step S4 in FIG. 2: display process).
  • the operator for example, the person in charge of accepting coffee beans
  • the quality prediction result for the prediction target As a result, all the processing is completed (end of FIG. 2).
  • the quality prediction method according to the present embodiment it is possible to perform highly accurate quality prediction based on aroma by a simple and objective method. This makes it possible, for example, to automate and streamline the examination at the time of accepting coffee beans. Further, for example, it is possible to prevent quality troubles of freshly ground coffee.
  • the quality prediction method unlike the conventional aroma quantification method using gas chromatography (GS) or high performance liquid chromatography (HPLC), it is necessary to perform pretreatment on the fragrance component. Since there is no such thing and the measurement time itself is short, it is possible to improve the measurement accuracy and shorten the measurement time.
  • GS gas chromatography
  • HPLC high performance liquid chromatography
  • the quality prediction method can be accurately discriminated. It can be said that it is possible to discriminate items.
  • the fermented odor since the substance causing the fermented odor has not been identified by common general technical knowledge, the fermented odor could not be identified by the conventional aroma quantification method using gas chromatography (GS) or the like.
  • GS gas chromatography
  • the quality prediction method since the relative change of the odorous substance can be sensed, it can be sensed as "fermented odor" without identifying the compound.
  • all or part of the processes described as being automatically performed may be performed manually, or all the processes described as being performed manually may be performed.
  • a part thereof can be automatically performed by a known method.
  • processing procedures, control procedures, specific names, information including parameters such as registration data and search conditions for each processing, screen examples, and database configurations shown in this specification and drawings are not specified unless otherwise specified. Can be changed arbitrarily.
  • each component shown in the figure is a functional concept and does not necessarily have to be physically configured as shown in the figure.
  • each processing function performed by the control unit even if all or any part thereof is realized by the CPU and a program interpreted and executed by the CPU.
  • the program is recorded on a non-temporary computer-readable recording medium including a programmed instruction for causing the information processing apparatus to execute the process described in the present embodiment, and the quality prediction apparatus is required.
  • Read mechanically to 100 That is, a computer program for giving instructions to the CPU in cooperation with the OS and performing various processes is recorded in a storage unit such as a ROM or an HDD (Hard Disk Drive). This computer program is executed by being loaded into RAM, and cooperates with the CPU to form a control unit.
  • this computer program may be stored in an application program server connected to the quality prediction device 100 via an arbitrary network, and all or a part thereof can be downloaded as needed. be.
  • the program for executing the process described in the present embodiment may be stored in a non-temporary computer-readable recording medium, or may be configured as a program product.
  • the "recording medium” includes a memory card, a USB (Universal Serial Bus) memory, an SD (Secure Digital) card, a flexible disk, a magneto-optical disk, a ROM, an EPROM (Erasable Programle Read Only Memory), and an EEPROM (registration).
  • Trademarks) (Electrically Erasable and Protocol Read Only Memory), CD-ROM (Compact Disk Read Only Memory), MO (Magnet-Optical Disk) Digital Disc, Digital Disc, DVD (Dig), etc. It shall include any "portable physical medium”.
  • program is a data processing method described in any language or description method, regardless of the format such as source code or binary code.
  • the "program” is not necessarily limited to a single program, but is distributed as a plurality of modules or libraries, or cooperates with a separate program represented by an OS to achieve its function. Including things. It should be noted that well-known configurations and procedures can be used for the specific configuration and reading procedure for reading the recording medium and the installation procedure after reading in each device shown in the embodiment.
  • RAM and ROM memory devices
  • fixed disk devices such as hard disks, flexible disks
  • storage means such as optical disks
  • the quality prediction device 100 may be configured as an information processing device such as a known personal computer or workstation, or may be configured as the information processing device to which an arbitrary peripheral device is connected. Further, the quality prediction device 100 may be realized by mounting software (including a program or data) that realizes the processing described in the present embodiment on the device.
  • the specific form of distribution / integration of the device is not limited to the one shown in the figure, and all or part of the device may be functionally or physically in any unit according to various additions or functional loads. It can be distributed and integrated. That is, the above-described embodiments may be arbitrarily combined and implemented, or the embodiments may be selectively implemented.
  • the quality prediction method according to the present embodiment can be used to determine whether the coffee beans are good or bad by using NeOse P3 manufactured by Aryball.
  • Aroma sensor used and measurement principle NeOse P3 manufactured by Aryball was used as the aroma sensor.
  • 64 kinds of substances are fixed on the metal thin film of the sensor element.
  • the permittivity of the surface of the metal thin film changes due to the adsorption of aroma components, and the reflection angle at which surface plasmon resonance occurs changes. This difference in reflection angle was detected by the light receiving element and acquired as a signal.
  • an air supply system for supplying aroma to the sensor part and a pretreatment system for stabilizing the sensor value are required to detect the aroma.
  • a pretreatment system a system consisting of a Dimroth condenser and a cooling water circulation device was constructed.
  • a liquid feed pump manufactured by Nitto Kohki Co., Ltd .: LV-125A
  • a mass flow controller manufactured by Cofflock
  • a flask a gym funnel and a measuring instrument 200 (aroma sensor)
  • Teflon registered trademark
  • FIG. 4 shows the results of performing LDA by using the measured values obtained in (3) with statistical analysis software (JMP, R and Excel).
  • One plot in FIG. 4 means a combination of LD1 (horizontal axis) and LD2 (vertical axis) when measured once for each sample.
  • 48 plots shown by filled triangles correspond to samples of chemical odor
  • 54 plots shown by filled circles correspond to samples of non-defective products
  • 39 plots shown by filled squares correspond to samples of fermented odor.
  • 56 plots shown in filled diamonds correspond to the musty odor sample. That is, it was found that the components of four types of coffee (good product and three types of non-good product) can be separated.
  • the data shown in FIG. 4 was used as teacher data.
  • FIG. 5 shows the result of performing LDA by acquiring the measured value by the aroma sensor by the same method as above.
  • One plot in FIG. 5 means a combination of LD1 (horizontal axis) and LD2 (vertical axis) when measured once for each sample.
  • 10 plots shown by white triangles correspond to samples of chemical odor
  • 10 plots shown by white circles correspond to good samples
  • 10 plots shown by white squares correspond to fermentation.
  • plots shown in white diamonds correspond to the musty odor sample.
  • the measured values for the test data one good product, one non-good product with a chemical odor, one non-good product with a fermented odor, and one non-good product with a musty odor
  • the plotted results are shown in FIG.
  • the distribution of the plots of the teacher data and the test data is compared with the distribution of different odors for each of the good product, the non-good product having a chemical odor, the non-good product having a fermented odor, and the non-good product having a musty odor. It was found that it is possible to judge the quality of coffee beans using LDA because they are located nearby.
  • LDA is one of the methods of feature quantity extraction, which is used for the purpose of dimension reduction, and is a method of predicting which group the observation target data belongs to.
  • it is expressed as a two-dimensional mapping as shown in FIGS. 4 to 6, but the group to which the test data belongs may contain unclear data in the mapping. Therefore, when making predictions, the Mahalanobis distance between each group was calculated to quantify which group it belonged to, and the quality of coffee beans was judged.
  • Each data in each county is determined to belong to the group with the closest Mahalanobis distance value to each county.
  • the Mahalanobis distance from certain data to a good product is D 2 S
  • the Mahalanobis distance to a non-good product with a fermented odor is D 2 F
  • the Mahalanobis distance to a non-good product with a chemical odor is D 2 C
  • the non-good product with a musty odor is D 2 M
  • FIG. 8 shows an accuracy calculation method.
  • 64 good products and 173 non-good products (fermented odor, chemical odor and musty odor) data are divided into 10 parts, a random forest model is created with 9/10 data, and 1/10 data is applied to the model.
  • Precision, recall and classification accuracy were calculated. From the fact that the accuracy of separation was calculated to be 98.33%, it was found that it is possible to judge the quality of coffee beans using machine learning.
  • the quality prediction method according to the present embodiment can determine the quality of coffee beans by using nose @ MEMS (registered trademark) manufactured by I-PEX.
  • Aroma sensor and measurement principle used in this embodiment nose @ MEMS (registered trademark) manufactured by I-PEX Inc. was used as the aroma sensor.
  • MEMS registered trademark
  • the sensor 20 types of sensitive films are fixed on the metal thin film of the sensor element, and a total of 8 types of sensor elements can be used, and the weight changes due to adsorption of aroma components. This change in weight was detected by the piezoelectric element and acquired as a signal.
  • a pretreatment system and an air supply system for applying the aroma to the sensor part are required to detect the aroma.
  • a pretreatment system in order to stabilize the value of the sensor, a system consisting of a Dimroth condenser and a cooling water circulation device was constructed.
  • a pump attached to the sensor was connected to the flask with a Teflon (registered trademark) tube, and the pump was introduced into the measuring instrument 200 (aroma sensor) via the pretreatment system.
  • a combination list of the maximum measured values for the coffee was created, and the sensory evaluation data 106e was associated with the created combinations. For example, data in which a maximum value of 160 for the coffee of a normal product and a value consisting of one score of the sensory evaluation data 106e are linked as one set is used as combined data (“input of measured value by sensory evaluation” in FIG. 9). Equivalent to).
  • the created combination data 25,000 is randomly divided into teacher data 12500 and test data 12500, and the teacher data (training data) is used (teacher data in "teacher data or test data” in FIG. 9).
  • a quality prediction model was constructed by Random forest (corresponding to "model construction" in Fig. 9).
  • the view of FIG. 10 will be described, for example, focusing on the line of a normal product.
  • the True Positives (TP) value of 3125 is the number of data that can be correctly evaluated as normal as a result of evaluation using the quality prediction model constructed above for coffee whose sensory evaluation result is normal.
  • False Positives (FP) value 213 is the number of data that was erroneously evaluated as normal as a result of evaluation using the quality prediction model constructed above for coffee whose sensory evaluation result is not normal.
  • the True Negatives (TN) value 9162 is the number of data that could be correctly evaluated as not normal as a result of evaluation using the quality prediction model constructed above for coffee whose sensory evaluation result is not normal.
  • False Negatives (FN) value 0 is the number of data that was erroneously evaluated as not normal as a result of evaluation using the quality prediction model constructed above for coffee whose sensory evaluation result is normal. Is.
  • the detection rate (Recall) is the ratio of the data whose sensory evaluation results are normal and which can be correctly evaluated as normal using the quality prediction model constructed above, and is calculated as "TP / (TP + FN)". Calculated by the formula.
  • the precision is the ratio of the data evaluated as normal using the quality prediction model constructed above, and the result of the sensory evaluation is normal, and is a calculation formula of "TP / (TP + FP)". Is calculated by.
  • the accuracy is calculated by the formula "(TP + TN) / (TP + FN + FP + TN)", and the average value of the accuracy for each calculated score is 0.982, which is a phase relationship.
  • the number was as high as 0.9 or more. In other words, it was found that there is a high correlation between the predicted value by the constructed quality prediction model and the measured value by the sensory evaluation. That is, since the accuracy of the constructed quality prediction model was proved, it was found that the quality of coffee can be predicted by the constructed quality prediction model.
  • the present invention is useful in the fields of food, medical and industrial products, for example, but is extremely useful especially in the field of food.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とする品質予測方法、品質予測装置および品質予測プログラムの提供を課題とする。本実施形態では、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する。

Description

品質予測方法、品質予測装置および品質予測プログラム
　本発明は、品質予測方法、品質予測装置および品質予測プログラムに関する。
　特許文献１には、ニオイ測定により西洋梨の熟成度を非破壊で検査する方法および装置が記載されている（特許文献１の０００６段落参照）。
特開２０１８－１３２３２５号公報
　上記特許文献１に記載のように、商品の品質評価を香りの分析により行うことはよくある。ここで、香り（アロマ）は、単一物質によりもたらされるものではなく、多数の化合物の相互作用によってもたらされているものであるため、ガスクロマトグラフィー（ＧＳ）による定量評価ではアロマを正確に評価できないことが多い。
　このため、現状においては、官能評価（人による評価）によりアロマの評価を行うことが多いが、官能評価は、個人差が大きい、多人数の評価が必要となるおよび評価員の育成をする必要がある等の課題がある。
　本発明は、上記問題点に鑑みてなされたものであって、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とする品質予測方法、品質予測装置および品質予測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、本発明に係る品質予測方法は、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップを含むこと、を特徴とする。
　また、本発明に係る品質予測方法は、前記測定される前記所定の情報は、前記測定器における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記測定される前記所定の情報が、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記重量の変化が、前記梁の振動周波数の変化として検出されるものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記振動周波数が、共振周波数であること、を特徴とする。
　また、本発明に係る品質予測方法は、前記測定器における前記吸着部位が、アプタマーで構成されており、前記測定される前記所定の情報が、前記アプタマーに前記香り成分が吸着することによる前記アプタマーの単一波長の反射光強度の変化に起因するものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記測定値が、表面プラズモン共鳴法を用いて測定された値であること、を特徴とする。
　また、本発明に係る品質予測方法は、前記予測に用いられる前記測定値が、１つの前記予測対象について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記モデルが、機械学習の対象となる学習対象の香り成分が前記測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値と、人が前記学習対象の品質を評価した場合の結果と、に基づいて機械学習を用いて構築されたものであること、を特徴とする。
　また、本発明に係る品質予測方法は、前記式が、前記測定値を多変量解析に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式であること、を特徴とする。
　また、本発明に係る品質予測方法は、前記予測ステップにおいて、前記予測対象が良品か非良品かを予測すること、を特徴とする。
　また、本発明に係る品質予測方法は、前記予測対象が、飲料または当該飲料の原料であること、を特徴とする。
　また、本発明に係る品質予測方法は、前記飲料が、コーヒーであり、前記原料が、コーヒー豆であること、を特徴とする。
　また、本発明に係る品質予測装置は、制御部を備える品質予測装置であって、前記制御部は、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段を備えること、を特徴とする。
　また、本発明に係る品質予測プログラムは、制御部を備える情報処理装置において実行させるための品質予測プログラムであって、前記制御部において実行させるための、予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップを含むこと、を特徴とする。
　本発明によれば、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことを可能とするという効果を奏する。
図１は、品質予測装置の構成の一例を示すブロック図である。 図２は、本実施形態に係る品質予測のフローの一例を示す図である。 図３は、本実施形態に係るモデル構築のフローの一例を示す図である。 図４は、教師データとなるサンプル（良品、発酵臭がする非良品、薬品臭がする非良品およびカビ臭がする非良品）のＬＤ１およびＬＤ２の値をプロットしたグラフを示す図である。 図５は、テストデータとなるサンプル（良品、発酵臭がする非良品、薬品臭がする非良品およびカビ臭がする非良品）のＬＤ１およびＬＤ２の値をプロットしたグラフを示す図である。 図６は、教師データとなるサンプル（良品、発酵臭がする非良品、薬品臭がする非良品およびカビ臭がする非良品）ならびにテストデータとなるサンプル（良品、発酵臭がする非良品、薬品臭がする非良品およびカビ臭がする非良品）のＬＤ１およびＬＤ２の値をプロットしたグラフを示す図である。 図７は、６４の良品と１７３の非良品（発酵臭、薬品臭およびカビ臭）サンプルをランダムフォレストにて交差検証を行った結果を示す図である。 図８は、分離の精度の計算手法の一例を示す図である。 図９は、本実施形態に係るモデル構築のより詳細なフローの一例を示す図である。 図１０は、本実施形態に係るモデルにより、コーヒーの品質の予測をした結果の一例を示す図である。
　以下に、品質予測方法、品質予測装置および品質予測プログラムの実施形態を、図面に基づいて詳細に説明する。なお、本実施形態により本発明が限定されるものではない。
［１．構成］
　本実施形態に係る品質予測装置１００の構成の一例について、図１を参照して説明する。図１は、品質予測装置１００の構成の一例を示すブロック図である。
　品質予測装置１００は、市販のデスクトップ型パーソナルコンピュータである。なお、品質予測装置１００、デスクトップ型パーソナルコンピュータのような据置型情報処理装置に限らず、市販されているノート型パーソナルコンピュータ、ＰＤＡ（Ｐｅｒｓｏｎａｌ　Ｄｉｇｉｔａｌ　Ａｓｓｉｓｔａｎｔｓ）、スマートフォン、タブレット型パーソナルコンピュータなどの携帯型情報処理装置であってもよい。
　品質予測装置１００は、制御部１０２と通信インターフェース部１０４と記憶部１０６と入出力インターフェース部１０８と、を備えている。品質予測装置１００が備えている各部は、任意の通信路を介して通信可能に接続されている。
　通信インターフェース部１０４は、ルータ等の通信装置および専用線等の有線または無線の通信回線を介して、品質予測装置１００をネットワーク３００に通信可能に接続する。通信インターフェース部１０４は、他の装置と通信回線を介してデータを通信する機能を有する。ここで、ネットワーク３００は、品質予測装置１００と測定器２００とを相互に通信可能に接続する機能を有し、例えばインターネットやＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等である。
　入出力インターフェース部１０８には、入力装置１１２および出力装置１１４が接続されている。出力装置１１４には、モニタ（家庭用テレビを含む）の他、スピーカやプリンタを用いることができる。入力装置１１２には、キーボード、マウス、及びマイクの他、マウスと協働してポインティングデバイス機能を実現するモニタを用いることができる。なお、以下では、出力装置１１４をモニタ１１４とし、入力装置１１２をキーボード１１２またはマウス１１２として記載する場合がある。
　記憶部１０６には、各種のデータベース、テーブルおよびファイルなどが格納される。記憶部１０６には、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）と協働してＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）に命令を与えて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る。記憶部１０６として、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等のメモリ装置、ハードディスクのような固定ディスク装置、フレキシブルディスク、および光ディスク等を用いることができる。
　記憶部１０６は、例えば、取得結果データ１０６ａと、算出結果データ１０６ｂと、予測結果データ１０６ｃと、モデルデータ１０６ｄと、を備えている。
　取得結果データ１０６ａには、後述する取得部１０２ａが取得した測定値（例えば、測定器２００による測定で取得した生データ）が格納されている。
　算出結果データ１０６ｂには、後述する算出部１０２ｂが算出した算出値（例えば、前記生データに基づいて算出したＬＤ１およびＬＤ２の値）が格納されている。
　予測結果データ１０６ｃには、後述する予測部１０２ｃが予測した結果（例えば、「良品か非良品か」という予測結果または「良品か、薬品臭がする非良品か、発酵臭がする非良品か、カビ臭がする非良品か」という予測結果）が格納されている。
　モデルデータ１０６ｄには、後述する構築部１０２ｅが構築したモデルが格納されている。
　制御部１０２は、品質予測装置１００を統括的に制御するＣＰＵ等である。制御部１０２は、ＯＳ等の制御プログラム・各種の処理手順等を規定したプログラム・所要データなどを格納するための内部メモリを有し、格納されているこれらのプログラムに基づいて種々の情報処理を実行する。
　制御部１０２は、機能概念的に、例えば、（１）予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を取得する取得手段としての取得部１０２ａと、（２）前記取得した前記測定値に基づいて算出値を算出する算出手段としての算出部１０２ｂと、（３）予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段としての予測部１０２ｃと、（４）前記予測した結果を表示する表示手段としての表示部１０２ｄと、（５）前記モデルを構築する構築手段としての構築部１０２ｅと、を備えている。これらのうち、本実施形態に係る品質予測を行うためには、制御部１０２は少なくとも予測部１０２ｃを備えていればよく、予測部１０２ｃ以外は任意の構成要素である。
　取得部１０２ａは、予測対象の香り成分が測定器２００により所定の情報として測定される場合における当該所定の情報に関する値である測定値（例えば、測定器２００による測定で取得した生データ）を取得する。当該所定の情報は、例えば、反射光強度の変化、色彩の変化および重量の変化等に起因するものである。
　算出部１０２ｂは、取得部１０２ａで取得した前記測定値に基づいて、所定の解析ツール（例えば、Ｅｘｃｅｌ、ＪＭＰおよびＲ等）ならびに所定の解析手法（例えば、ＬＤＡ：Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ）を用いて、算出値（例えば、ＬＤ１およびＬＤ２の値）を算出する。
　予測部１０２ｃは、取得部１０２ａで取得した前記測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、取得部１０２ａで取得した前記測定値に基づいて算出された算出値を用いて前記予測対象の品質を予測するための式に基づいて、前記予測対象の前記品質を予測する。
　表示部１０２ｄは、予測部１０２ｃにおける前記品質についての予測結果（例えば、「良品か非良品か」という予測結果または「良品か、薬品臭がする非良品か、発酵臭がする非良品か、カビ臭がする非良品か」という予測結果）を表示する。
　構築部１０２ｅは、図３のフローに従い、前記モデルを構築する。すなわち、構築部１０２ｅは、機械学習の対象となる学習対象の香り成分が測定器２００により所定の情報測定される場合における当該所定の情報に関する値である測定値（図３の「測定値」に相当）と、人が前記学習対象の品質を評価した場合の結果（図３の「官能評価結果」に相当）と、に基づいて機械学習（例えば、Ｒａｎｄｏｍ　Ｆｏｒｅｓｔ）を用いて前記モデルを構築する。
［２．処理の流れ］
　本項目では、本実施形態に係る品質予測フローの一例を、図２に沿って説明する。
［２－１．ステップＳ１：取得処理］
　取得部１０２ａは、予測対象の香り成分が測定器２００により所定の情報として測定される場合における当該所定の情報に関する値である測定値（例えば、測定器２００による測定で取得した生データ）を取得する（図２のステップＳ１：取得処理）。取得部１０２ａは、当該取得した測定値を取得結果データ１０６ａに格納する。
　前記測定される前記所定の情報は、例えば、測定器２００における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものである。
　ここで、本実施形態において使用可能な測定器２００としては、大きく分けて、例えば、（１）圧電素子を用いることを特徴とする測定器（以下の実施例２で使用）および（２）反射光強度の変化を観察することを特徴とする測定器（以下の実施例１で使用）等が挙げられる。
（１）圧電素子を用いることを特徴とする測定器
　圧電素子を用いることを特徴とする測定器２００を使用する場合、前記測定される前記所定の情報は、例えば、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものである。当該重量の変化は、例えば、前記梁の振動周波数（例えば、共振周波数）の変化として検出されるものである。圧電素子を用いることを特徴とする測定器２００としては、例えば、以下の実施例２において使用するＩ－ＰＥＸ社製のｎｏｓｅ＠ＭＥＭＳ（登録商標）等が挙げられる。
（２）反射光強度の変化を観察することを特徴とする測定器の場合
　反射光強度の変化を観察することを特徴とする測定器２００を使用する場合、測定器２００における前記吸着部位は、例えば、アプタマーで構成されており、この場合、前記測定される前記所定の情報（例えば、反射光強度）は、前記アプタマーに前記香り成分が吸着することによる前記アプタマーの単一波長の反射光強度に起因するものである。言い換えると、前記測定される前記所定の情報（例えば、反射光強度）は、前記アプタマーに前記香り成分が吸着した場合に前記アプタマーから観察される単一波長の反射光強度である。反射光強度の変化を観察することを特徴とする測定器２００としては、例えば、以下の実施例１において使用するＡｒｙｂａｌｌｅ社製のＮｅＯｓｅ　Ｐ３等が挙げられる。なお、前記アプタマーは、広義に解釈することができ、例えば、糖鎖、核酸、高分子、ペプチド等の匂い成分を吸着することが出来る分子を含む。
　測定器２００としては、（１）および（２）で説明した測定器２００に加えて、例えば、以下で述べるものも用いることができる。すなわち、測定器２００としては、例えば、ウェット層中に拡散した検出対象分子を検出し検出信号を出力できる任意のセンサ素子を含むものを用いてもよい。前記センサ素子としては、化学物質を検知対象とする化学センサ素子を広く用いてよいが、ウェット層やアプタマーとの組み合わせにおいて、分析試料中に存在する微量かつ多様な検出対象分子を検出・分析し得る観点から、電気化学センサ素子、圧電センサ素子および光学センサ素子からなる群から選択される前記センサ素子を用いてもよい。
　前記電気化学センサ素子としては、例えば、電気化学インピーダンス分光法（ＥＩＳ：Ｅｌｅｃｔｒｏｃｈｅｍｉｃａｌ　Ｉｍｐｅｄａｎｃｅ　Ｓｐｅｃｔｒｏｓｃｏｐｙ）を利用したセンサ素子（以下、「ＥＩＳセンサ素子」ともいう。）および微分パルスボルタンメトリー（ＤＰＶ：Ｄｉｆｆｅｒｅｎｔｉａｌ　Ｐｕｌｓｅ　Ｖｏｌｔｍｍｅｔｒｙ）測定を利用したセンサ素子（以下、「ＤＰＶセンサ素子」ともいう。）等が挙げられる。
　前記ＥＩＳセンサ素子を用いる場合、電極間に交流電圧を印加し、交流の周波数を変化させながらインピーダンスを測定する。測定したインピーダンスは、実数部を横軸、虚数部を縦軸としたグラフに曲線としてプロットする。このグラフは「ナイキスト線図」と呼ばれ、ナイキスト線図の曲線は、通常は半円を描く。ここで、センサ素子（の電極上）にアプタマーを固定化しておくと、アプタマーが検出対象分子と結合することで電荷移動抵抗が変化し、半円の直径が変化する。この直径の変化量から、検出対象分子の存在・量を把握・計算できる。
　前記圧電センサ素子としては、例えば、水晶振動子マイクロバランス（ＱＣＭ：Ｑｕａｒｔｚ　Ｃｒｙｓｔａｌ　Ｍｉｃｒｏｂａｌａｎｃｅ）法を利用したセンサ素子（以下、「ＱＣＭセンサ素子」ともいう。）および膜型表面応力（ＭＳＳ：Ｍｅｍｂｒａｎｅ－ｔｙｐｅ　Ｓｕｒｆａｃｅ　Ｓｔｒｅｓｓ）センサ素子（以下、「ＭＳＳセンサ素子」ともいう。）等が挙げられる。
　前記ＱＣＭセンサ素子を用いる場合、水晶の薄い板の両面に電極を設けて交流の電界を加えると、一定の周波数（共振周波数）の振動が発生する。斯かる素子を「水晶振動子」といい、共振周波数は、水晶振動子の電極上に付着した物質の質量によって変化する。ここで、センサ素子（の電極上）にアプタマーを固定化しておくと、アプタマーが検出対象分子と結合することで電極上の質量が変化し、共振周波数が変化する。この周波数変化から、検出対象分子の存在・量を把握・計算できる。
　前記光学センサ素子としては、例えば、ナノ構造を形成するタンパク質を利用したセンサ素子等が挙げられる。
　前記ナノ構造を形成するタンパク質を利用したセンサ素子を用いる場合、表面処理されたバクテリオファージ(ウイルス)を感応膜とし、金基板にコートされた素子を用い、ファージに香気成分が吸着されることでナノ構造に変化をもたらし色彩、すなわち赤色、青色、緑色の吸光度の変化としてとらえ検知する。
　更に、測定器２００としては、例えば、電界効果トランジスタ（ＦＥＴ：Ｆｉｅｌｄ　Ｅｆｆｅｃｔ　Ｔｒａｎｓｉｓｔｏｒ）を含むものであってもよいし、光イオン化検出器（ＰＩＤ：Ｐｈｏｔｏ　Ｉｏｎｉｚａｔｉｏｎ　Ｄｅｔｅｃｔｏｒ）を含むものであってもよいし、相補型金属酸化物半導体（ＣＭＯＳ：Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）を含むものであってもよい。
　前記予測対象について説明する。前記予測対象は、香りを発するものであれば如何なるものであってもよく、例えば、飲料、食品、香料および工業製品またはこれらの原料等が挙げられるが、好ましくは、前記飲料および前記飲料の前記原料である。前記飲料は、例えば、コーヒーであり、前記飲料の前記原料は、例えば、コーヒー豆である。
　前記予測対象の前記香り成分を測定器２００に供する方法について説明する。前記予測対象の前記香り成分を測定器２００に供する方法は、特に制限されないが、例えば、アロマをセンサ部分に供するための送気システムおよびセンサの値を安定化するための前処理システムを用いて行うことができる。前記前処理システムについては、ジムロートと冷却水循環装置で構成される。送液ポンプ(日東工器社製：LV-125A)、マスフローコントローラー(コフロック社製)、フラスコ、ジムロートおよび測定器２００（アロマセンサ）をそれぞれテフロン（登録商標）チューブで接続したものをセンサシステムとすることができる。そして、前記予測対象がコーヒーである場合、コーヒー抽出液を前記フラスコに入れ、既定の温度に加熱したホットプレート上で保温しながら、既定の流速で前記送液ポンプから空気を押し出すことで、測定器２００（アロマセンサ）に前記コーヒーの香り成分を導入することができる。
　前記測定値の性質および取得方法について説明する。前記測定値は、例えば、表面プラズモン共鳴法を用いて測定された値（ブランクに対する相対値）である。また、予測部１０２ｃでの予測に用いられる前記測定値は、例えば、１つの前記予測対象食品または１つの前記予測対象飲料について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものである。
［２－２．ステップＳ２：算出処理］
　算出部１０２ｂは、取得結果データ１０６ａに格納された前記測定値に基づいて、所定の解析ツール（例えば、Ｅｘｃｅｌ、ＪＭＰおよびＲ等）および所定の解析手法（例えば、ＬＤＡ）を用いて、算出値（例えば、ＬＤ１およびＬＤ２の値）を算出する（図２のステップＳ２：算出処理）。算出部１０２ｂは、当該算出した算出値を算出結果データ１０６ｂに格納する。
［２－３．ステップＳ３：予測処理］
　予測部１０２ｃは、取得結果データ１０６ａに格納された前記測定値を用いて、前記予測対象の品質を予測するためのモデルに基づいて、前記予測対象の前記品質を予測する（図２のステップＳ３：予測処理）。または、予測部１０２ｃは、算出結果データ１０６ｂに格納された前記算出値を用いて、前記予測対象の品質を予測するための式に基づいて、前記予測対象の前記品質を予測する（図２のステップＳ３：予測処理）。
　前記モデルは、例えば、構築部１０２ｅが構築してモデルデータ１０６ｄに格納したものである。前記モデルを用いて本実施形態に係る品質予測を行う場合の実施例を、以下の（３－２）に示す。
　前記式は、例えば、前記測定値を多変量解析（例えば、ＬＤＡ）に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式である。前記式を用いて本実施形態に係る品質予測を行う場合の実施例を、以下の（３－１）に示す。前記式とは、具体的には、実施例の（３－１）に示す数式１である。
　前記品質の前記予測とは、前記予測対象が「良品か非良品か」という予測であってもよいし、あるいはより細かく、前記予測対象（コーヒーの場合）が「良品か、薬品臭がする非良品か、発酵臭がする非良品か、カビ臭がする非良品か」という予測であってもよい。予測部１０２ｃは、予測した結果を予測結果として予測結果データ１０６ｃに格納する。
［２－４．ステップＳ４：表示処理］
　表示部１０２ｄは、予測結果データ１０６ｃに格納された前記予測結果を表示する（図２のステップＳ４：表示処理）。これにより、オペレータ（例えば、コーヒー豆の受け入れを担当する者）は、前記予測対象についての品質の予測結果を知ることができる。以上により、すべての処理が終了する（図２のエンド）。
［３．本実施形態のまとめ］
　以上説明してきたように、本実施形態に係る品質予測方法によれば、香り（アロマ）に基づく精度の高い品質予測を簡便かつ客観的な方法で行うことが可能となる。これにより、例えば、コーヒー豆の受け入れ時の審査を自動化・効率化することが可能となる。また、例えば、挽き立てコーヒーの品質トラブルを防止することができる。
　また、本実施形態に係る品質予測方法によれば、ガスクロマトグラフィー（ＧＳ）や高速液体クロマトグラフィー（ＨＰＬＣ）等を用いた従来のアロマ定量方法とは異なり、香り成分に対する前処理を行う必要がなく、かつ、測定時間自体も短いため、測定精度の向上および測定時間の短縮が可能となる。
　そして、本実施形態に係る品質予測方法によれば、正常品、薬品臭の不良品、カビ臭の不良品および発酵臭の不良品という４つの品目を正確に判別することができるため、多様な品目を判別することが可能であるといえる。特に、発酵臭については、技術常識的に発酵臭原因物質が同定されているわけではないため、ガスクロマトグラフィー（ＧＳ）等を用いた従来のアロマ定量方法では発酵臭の特定ができなかった。これに対して、本実施形態に係る品質予測方法によれば、ニオイ物質の相対的な変化を感知できるため、化合物同定を行わなくとも「発酵臭」として感知することができる。
［４．他の実施形態］
　本発明は、上述した実施形態以外にも、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形態にて実施されてよいものである。
　例えば、実施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、あるいは、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。
　また、本明細書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、品質予測装置１００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、品質予測装置１００が備える処理機能、特に制御部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、本実施形態で説明した処理を情報処理装置に実行させるためのプログラム化された命令を含む一時的でないコンピュータ読み取り可能な記録媒体に記録されており、必要に応じて品質予測装置１００に機械的に読み取られる。すなわち、ＲＯＭまたはＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの記憶部などには、ＯＳと協働して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、品質予測装置１００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、本実施形態で説明した処理を実行するためのプログラムを、一時的でないコンピュータ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（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ、ＳＤ（Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌ）カード、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（登録商標）（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　ａｎｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ　ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ）、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、任意の言語または記述方法にて記述されたデータ処理方法であり、ソースコードまたは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をも含む。なお、実施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および読み取り手順ならびに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。
　記憶部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、および、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、テーブル、データベース、および、ウェブページ用ファイル等を格納する。
　また、品質予測装置１００は、既知のパーソナルコンピュータまたは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、任意の周辺装置が接続された当該情報処理装置として構成してもよい。また、品質予測装置１００は、当該装置に本実施形態で説明した処理を実現させるソフトウェア（プログラムまたはデータ等を含む）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。
　本実施例では、本実施形態に係る品質予測方法により、Ａｒｙｂａｌｌｅ社製のＮｅＯｓｅ　Ｐ３を用いて、コーヒー豆の良・不良判定が可能であることを確認した。
（１）使用したアロマセンサおよび測定原理
　本実施例では、アロマセンサとして、Ａｒｙｂａｌｌｅ社製のＮｅＯｓｅ　Ｐ３を使用した。当該センサは、６４種の物質がセンサ素子の金属薄膜上に固定されている。香気成分吸着により金属薄膜表面の誘電率が変化し、表面プラズモン共鳴の発生する反射角が変化する。この反射角の違いを受光素子で検出し信号として各々取得した。
（２）センサシステムの構築
　アロマの検出にはセンサ部分のほかにアロマをセンサ部分に供するための送気システムおよびセンサの値を安定化するための前処理システムが必要となる。前記前処理システムについては、ジムロートと冷却水循環装置からなるものを構築した。送液ポンプ(日東工器社製：LV-125A)、マスフローコントローラー(コフロック社製)、フラスコ、ジムロートおよび測定器２００（アロマセンサ）をそれぞれテフロン（登録商標）チューブで接続し、測定器２００（アロマセンサ）に備わる吸気ポンプに吸引させた。
（３）コーヒー豆の良・不良判定
　コーヒー豆をドリップした液体(良品)およびオフフレーバーが混入したコーヒー抽出液(薬品臭がする非良品、発酵臭がする非良品およびカビ臭がする非良品)をサンプルとした。当該サンプルをそれぞれ前記センサシステムに供し、コーヒー由来のアロマ成分を前記アロマセンサに供した。そして、前記アロマセンサの出力（測定値）が安定化した段階で、６４種のセンサ信号それぞれについて、前記コーヒーについては５秒間の測定値の平均値を取得した。
（３－１）ＬＤＡを用いたコーヒー豆の良・不良判定
　（３）で取得した測定値を、統計解析ソフト（ＪＭＰ、ＲおよびＥｘｃｅｌ）に供してＬＤＡを行った結果を図４に示す。図４における１つのプロットは、各サンプルにつき１回測定した場合のＬＤ１（横軸）およびＬＤ２（縦軸）の組合せを意味している。図４では、塗りつぶした三角形で示すプロット４８個が薬品臭のサンプルに対応し、塗りつぶした丸で示すプロット５４個が良品のサンプルに対応し、塗りつぶした四角形で示すプロット３９個が発酵臭のサンプルに対応し、塗りつぶしたひし形で示すプロット５６個がカビ臭のサンプルに対応する。つまり、４種類のコーヒー（良品および３種類の非良品）の成分を分離できることがわかった。図４に示すデータを教師データとした。
　前記教師データとは別に、１つの良品、薬品臭がする１つの非良品、発酵臭がする１つの非良品およびカビ臭がする１つの非良品をテストデータとし、当該テストデータについて、（３）と同様の方法で、前記アロマセンサにより測定値を取得しＬＤＡを行った結果を図５に示す。図５における１つのプロットは、各サンプルにつき１回測定した場合のＬＤ１（横軸）およびＬＤ２（縦軸）の組合せを意味している。図５では、白抜きの三角形で示すプロット１０個が薬品臭のサンプルに対応し、白抜きの丸で示すプロット１０個が良品のサンプルに対応し、白抜きの四角形で示すプロット１０個が発酵臭のサンプルに対応し、白抜きのひし形で示すプロット１０個がカビ臭のサンプルに対応する。前記教師データについての測定値と併せて、テストデータ（１つの良品、薬品臭がする１つの非良品、発酵臭がする１つの非良品およびカビ臭がする１つの非良品）についての測定値をプロットした結果を図６に示す。図６に示すように、良品、薬品臭がする非良品、発酵臭がする非良品およびカビ臭がする非良品のそれぞれについて、教師データとテストデータのプロットの分布は、異なる匂いの分布と比較して近くに位置していることより、ＬＤＡを用いたコーヒー豆の良・不良判定が可能であることがわかった。
　ここで、ＬＤＡは、特徴量抽出の手法の一つで次元削減の目的で使われ、観測する対象データがどのグループに属するかを予測する手法である。グループを視覚的に明確に可視化する手法として図４～図６のような２次元マッピングとして表現したが、テストデータが属する群がマッピングでは不明瞭なデータが含まれる可能性がある。そこで予測に際して各群間のマハラノビス距離を算出することでどこの群に属するかを数値化してコーヒー豆の良・不良の判定を行った。
　ある郡上の一点の多変数ベクトル（ｘ１，ｘ２，・・・，ｘｐ）で表される時、群の変数毎の平均を縦ベクトルでμ＝（μ１，μ２，・・・，μｐ）Ｔと表し、群の分散共分散行列がΣであるならば、ｘ＝（ｘ１，ｘ２，・・・，ｘｐ）Ｔとするならば、その点の群に対するマハラノビス距離（Ｄ（ｘ））は、以下の数式１で定義される。
Figure JPOXMLDOC01-appb-M000001
　各郡の各データは、各郡へのマハラノビス距離値が最も近い群に属すると判定する。例えばあるデータから良品へのマハラノビス距離をＤ２ Ｓ、発酵臭がする非良品へのマハラノビス距離をＤ２ Ｆ、薬品臭がする非良品へのマハラノビス距離をＤ２ Ｃおよびカビ臭がする非良品へのマハラノビス距離をＤ２ Ｍとした時、最も小さい距離の群に属すると判定することが出来る。あるテストデータがどの教師データに属するかマハラノビス距離を算出したところＤ２ Ｓ＝１０９、Ｄ２ Ｆ＝１１９７、Ｄ２ Ｃ＝１０６３、Ｄ２ Ｍ＝１９１２となった場合、最も距離の小さな良品に属する可能性が高い。そこでこれを判定結果とする。
（３－２）機械学習を用いたコーヒー豆の良・不良判定
　（３）で取得した測定値を、統計解析ソフト（ＪＭＰ、ＲおよびＥｘｃｅｌ）に供してランダムフォレストにて交差検証を行った結果を、図７に示す。交差検証とは統計学において標本データを分割し、その一部を解析して、残ったデータその解析のテストを行い、解析の妥当性の検証を行う手法である。図８は精度の計算手法を示す。図７は、６４の良品と１７３の非良品（発酵臭、薬品臭およびカビ臭）データを１０分割し、９／１０データでランダムフォレストのモデルを作り、１／１０データをモデルに当てはめることで、適合率、再現率および分類の精度を算出した。分離の精度が９８．３３％と算出されていることより、機械学習を用いたコーヒー豆の良・不良判定が可能であることがわかった。
　本実施例では、本実施形態に係る品質予測方法により、Ｉ－ＰＥＸ社製のｎｏｓｅ＠ＭＥＭＳ（登録商標）を用いて、コーヒー豆の良・不良判定が可能であることを確認した。
（１）使用したアロマセンサおよび測定原理
　本実施例では、アロマセンサとして、Ｉ－ＰＥＸ社製のｎｏｓｅ＠ＭＥＭＳ（登録商標）を使用した。当該センサは、２０種の感応膜がセンサ素子の金属薄膜上に固定されており、計８種類のセンサ素子を使用することができ香気成分吸着により重量が変化する。この重量の変化を圧電素子で検出し信号として各々取得した。
（２）センサシステムの構築
　アロマの検出にはセンサ部分のほかにアロマをセンサ部分に供するための前処理システムおよび送気システムが必要となる。前記前処理システムについては、センサの値を安定化するためで、ジムロートと冷却水循環装置からなるものを構築した。送気システムはセンサ付随のポンプをフラスコにテフロン（登録商標）チューブで接続し、前記前処理システムを経て測定器２００（アロマセンサ）に導入した。
（３）アロマセンサによる測定値の取得
　以下、図９のフローに沿って、本実施例で行った操作を説明する。まず、４種のコーヒー（正常品、カビ臭、薬品臭および発酵臭）をサンプルとして、前記アロマセンサに香気を以下のようにして導入した。各々の前記コーヒーを３つ口フラスコに入れ、既定の温度に加熱したホットプレート上で保温しながら、既定の流速で前記ポンプから空気を押し出すことで(1L/min)、前記アロマセンサにコーヒーの香気を導入した（図９の「飲料センサ信号入力」に相当）。そして、前記アロマセンサの出力（測定値）が安定化した段階で、１６０種のセンサ信号（＝２０種の感応膜×８種類のセンサ素子）それぞれについて、前記コーヒーについてそれぞれ測定した測定値の最大値を取得した（図９の「最大値・・・の算出」に相当）。
（４）官能評価データの作成
　次に、前記４種のコーヒーについての品質を、人が良または不良で評価（官能評価）した。この結果が官能評価データ１０６ｅに該当する。
（５）品質予測モデルの構築
　次に、前記コーヒーについての測定値の最大値の組合せ一覧を作成し、当該作成した組合せに対して官能評価データ１０６ｅを紐付けた。例えば、正常品の前記コーヒーについての最大値１６０個と官能評価データ１０６ｅの点数１個からなる値を１セットとして紐付けたデータを組合せデータとした（図９の「官能評価による実測値の入力」に相当）。当該作成した組合せデータ25000個を、ランダムに、教師データ12500個とテストデータ12500個に分割し、当該教師データ（訓練データ）を用いて（図９の「教師データorテストデータ」の「教師データ」へ進む方に相当）、Random　forestにより、品質予測モデルを構築した（図９の「モデル構築」に相当）。
（６）構築した品質予測モデルの検証
　最後に、前記構築した品質予測モデルを、前記テストデータを用いて（図９の「教師データorテストデータ」の「テストデータ」へ進む方に相当）、交差検証（クロスバリデーション）により、評価（検証）した（図９の「モデル検証」に相当）。この結果を、図１０に示す。なお、交差検証（クロスバリデーション）とは、統計学において標本データを分割し、その一部を解析して、残ったデータを用いてその解析のテストを行い、解析の妥当性の検証を行う手法である。
　図１０の見方を、例えば、正常品の行に着目して説明する。True　Positives(TP)の値3125は、官能評価の結果が正常であるコーヒーに対して、前記構築した品質予測モデルを用いて評価した結果、正常と正しく評価できたデータの数である。False　Positives(FP)の値213は、官能評価の結果が正常ではないコーヒーに対して、前記構築した品質予測モデルを用いて評価した結果、正常であると誤って評価してしまったデータの数である。True　Negatives(TN)の値9162は、官能評価の結果が正常ではないコーヒーに対して、前記構築した品質予測モデルを用いて評価した結果、正常ではないと正しく評価できたデータの数である。False　Negatives(FN)の値0は、官能評価の結果が正常であるコーヒーに対して、前記構築した品質予測モデルを用いて評価した結果、正常ではないと誤って評価してしまったデータの数である。検出率(Recall)は、官能評価の結果が正常であるデータのうち、前記構築した品質予測モデルを用いて正常であると正しく評価できたものの割合であり、「TP/(TP＋FN)」という計算式により算出される。適合率(Precision)は、前記構築した品質予測モデルを用いて正常であると評価したデータのうち、官能評価の結果が正常であるデータの割合であり、「TP/(TP＋FP)」という計算式により算出される。
　そして、各スコアについて、精度(accuracy)を「(TP＋TN)/(TP＋FN＋FP＋TN)」という計算式により算出し、当該算出した各スコアについての精度(accuracy)の平均値を算出すると、0.982となり、相関係数が0.9以上という高い値となった。言い換えると、前記構築した品質予測モデルによる前記予測値と官能評価による前記実測値との間には、高い相関性があることがわかった。つまり、前記構築した品質予測モデルの正確性が証明されたため、前記構築した品質予測モデルによって、コーヒーの品質の予測が可能であることがわかった。
　本発明は、例えば、食品、医療および工業製品等の分野において有用であるが、特に、食品の分野においては極めて有用である。
１００　品質予測装置
　１０２　制御部
　　　　　１０２ａ　取得部
　　　　　１０２ｂ　算出部
　　　　　１０２ｃ　予測部
　　　　　１０２ｄ　表示部
　　　　　１０２ｅ　構築部
　１０４　通信インターフェース部
　１０６　記憶部
　　　　　１０６ａ　取得結果データ
　　　　　１０６ｂ　算出結果データ
　　　　　１０６ｃ　予測結果データ
　　　　　１０６ｄ　モデルデータ
　１０８　入出力インターフェース部
　１１２　入力装置
　１１４　出力装置
２００　測定器
３００　ネットワーク

Claims (15)

  1. 　予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップ
    　を含むこと、
    　を特徴とする品質予測方法。
  2. 　前記測定される前記所定の情報は、前記測定器における前記香り成分が吸着する部位である吸着部位に前記香り成分が吸着することにより測定されたものであること、
    　を特徴とする請求項１に記載の品質予測方法。
  3. 　前記測定される前記所定の情報が、前記測定器が備える梁が有する圧電素子に固定された前記吸着部位としての感応膜に前記香り成分が吸着することによる重量の変化に起因するものであること、
    　を特徴とする請求項１または２に記載の品質予測方法。
  4. 　前記重量の変化が、前記梁の振動周波数の変化として検出されるものであること、
    　を特徴とする請求項３に記載の品質予測方法。
  5. 　前記振動周波数が、共振周波数であること、
    　を特徴とする請求項４に記載の品質予測方法。
  6. 　前記測定器における前記吸着部位が、アプタマーで構成されており、
    　前記測定される前記所定の情報が、前記アプタマーに前記香り成分が吸着することによる前記アプタマーの単一波長の反射光強度の変化に起因するものであること、
    　を特徴とする請求項２に記載の品質予測方法。
  7. 　前記測定値が、表面プラズモン共鳴法を用いて測定された値であること、
    　を特徴とする請求項１、２または６に記載の品質予測方法。
  8. 　前記予測に用いられる前記測定値は、１つの前記予測対象について前記測定値が継時的に測定された場合において、前記測定値が安定化した時間範囲または湿度が安定化した時間範囲において取得されたものであること、
    　を特徴とする請求項１から７のいずれか一つに記載の品質予測方法。
  9. 　前記モデルが、機械学習の対象となる学習対象の香り成分が前記測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値と、人が前記学習対象の品質を評価した場合の結果と、に基づいて機械学習を用いて構築されたものであること、
    　を特徴とする請求項１から８のいずれか一つに記載の品質予測方法。
  10. 　前記式が、前記測定値を多変量解析に供することで算出された前記算出値を用いて前記予測対象の前記品質を予測するための式であること、
    　を特徴とする請求項１から９のいずれか一つに記載の品質予測方法。
  11. 　前記予測ステップにおいて、前記予測対象が良品か非良品かを予測すること、
    　を特徴とする請求項１から１０のいずれか一つに記載の品質予測方法。
  12. 　前記予測対象が、飲料または当該飲料の原料であること、
    　を特徴とする請求項１から１１のいずれか一つに記載の品質予測方法。
  13. 　前記飲料が、コーヒーであり、前記原料が、コーヒー豆であること、
    　を特徴とする請求項１２に記載の品質予測方法。
  14. 　制御部を備える品質予測装置であって、
    　前記制御部は、
    　予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測手段
    　を備えること、
    　を特徴とする品質予測装置。
  15. 　制御部を備える情報処理装置において実行させるための品質予測プログラムであって、
    　前記制御部において実行させるための、
    　予測対象の香り成分が測定器により所定の情報として測定される場合における当該所定の情報に関する値である測定値を用いて前記予測対象の品質を予測するためのモデルに基づいて、または、前記測定値に基づいて算出された算出値を用いて前記予測対象の前記品質を予測するための式に基づいて、前記予測対象の前記品質を予測する予測ステップ
    　を含むこと、
    　を特徴とする品質予測プログラム。
PCT/JP2021/024864 2020-06-30 2021-06-30 品質予測方法、品質予測装置および品質予測プログラム WO2022004828A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022534102A JPWO2022004828A1 (ja) 2020-06-30 2021-06-30

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020113093 2020-06-30
JP2020-113093 2020-06-30

Publications (1)

Publication Number Publication Date
WO2022004828A1 true WO2022004828A1 (ja) 2022-01-06

Family

ID=79316325

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/024864 WO2022004828A1 (ja) 2020-06-30 2021-06-30 品質予測方法、品質予測装置および品質予測プログラム

Country Status (2)

Country Link
JP (1) JPWO2022004828A1 (ja)
WO (1) WO2022004828A1 (ja)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4707444A (en) * 1985-06-07 1987-11-17 The United States Of America As Represented By The Secretary Of Agriculture Method for predicting the acceptability of coarsely ground beef
JP2756993B2 (ja) * 1989-01-20 1998-05-25 株式会社佐竹製作所 コーヒー豆の品質評価方法および装置
JPH10170422A (ja) * 1996-12-12 1998-06-26 Sanyo Electric Co Ltd 複合型匂いセンサ
JP2002022692A (ja) * 2000-07-03 2002-01-23 Shimadzu Corp におい測定装置
JP2003315298A (ja) * 2002-02-19 2003-11-06 Shimadzu Corp におい測定装置
US20100305872A1 (en) * 2009-05-31 2010-12-02 University Of Kuwait Apparatus and Method for Measuring the Properties of Petroleum Factions and Pure Hydrocarbon Liquids by Light Refraction
JP3172015U (ja) * 2011-09-09 2011-12-01 有限会社ピコデバイス 食材野菜の香りの分析による成分値の算出に基づいた野菜の評価装置。
CN104483414A (zh) * 2014-12-30 2015-04-01 江南大学 一种快速鉴定无锡毫茶等级的检测方法
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
JP2018132325A (ja) * 2017-02-13 2018-08-23 国立研究開発法人物質・材料研究機構 ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置
JP2019032228A (ja) * 2017-08-08 2019-02-28 長谷川香料株式会社 Ｑｃｍを用いた香料調製物の評価方法
JP2020012846A (ja) * 2014-08-29 2020-01-23 株式会社アロマビット 嗅覚システム、匂い識別装置、匂い識別方法
WO2020153020A1 (ja) * 2019-01-22 2020-07-30 ソニー株式会社 制御装置、制御方法およびプログラム

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4707444A (en) * 1985-06-07 1987-11-17 The United States Of America As Represented By The Secretary Of Agriculture Method for predicting the acceptability of coarsely ground beef
JP2756993B2 (ja) * 1989-01-20 1998-05-25 株式会社佐竹製作所 コーヒー豆の品質評価方法および装置
JPH10170422A (ja) * 1996-12-12 1998-06-26 Sanyo Electric Co Ltd 複合型匂いセンサ
JP2002022692A (ja) * 2000-07-03 2002-01-23 Shimadzu Corp におい測定装置
JP2003315298A (ja) * 2002-02-19 2003-11-06 Shimadzu Corp におい測定装置
US20100305872A1 (en) * 2009-05-31 2010-12-02 University Of Kuwait Apparatus and Method for Measuring the Properties of Petroleum Factions and Pure Hydrocarbon Liquids by Light Refraction
JP3172015U (ja) * 2011-09-09 2011-12-01 有限会社ピコデバイス 食材野菜の香りの分析による成分値の算出に基づいた野菜の評価装置。
JP2020012846A (ja) * 2014-08-29 2020-01-23 株式会社アロマビット 嗅覚システム、匂い識別装置、匂い識別方法
CN104483414A (zh) * 2014-12-30 2015-04-01 江南大学 一种快速鉴定无锡毫茶等级的检测方法
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
JP2018132325A (ja) * 2017-02-13 2018-08-23 国立研究開発法人物質・材料研究機構 ニオイ測定による西洋梨の熟成度の非破壊検査方法および装置
JP2019032228A (ja) * 2017-08-08 2019-02-28 長谷川香料株式会社 Ｑｃｍを用いた香料調製物の評価方法
WO2020153020A1 (ja) * 2019-01-22 2020-07-30 ソニー株式会社 制御装置、制御方法およびプログラム

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AISHIMA, TETSUO: "Objective evaluation of food aroma by gas chromatography pattern analysis", JOURNAL OF THE JAPAN SOCIETY OF PRECISION ENGINEERING, vol. 46, no. 3, 30 November 1979 (1979-11-30), pages 279 - 285, XP009533980, ISSN: 0374-3543, DOI: 10.2493/jjspe1933.46.279 *
KOUJI WADA, HITOSHI SASAKI, MITSUYA SHIMODA, YUTAKA OSAJIMA: "Objective Evaluation of Various Trade Varieties of Coffee by Coupling of Analytical Data and Multivariate Analyses", AGRICULTURAL AND BIOLOGICAL CHEMISTRY, vol. 51, no. 7, 1 July 1987 (1987-07-01), pages 1753 - 1760, XP009533982, DOI: 10.1080/00021369.1987.10868304 *
ORFANOU FOTEINI, DERMESONLOUOGLOU EFIMIA K., TAOUKIS PETROS S.: "Greek Coffee Quality Loss During Home Storage: Modeling the Effect of Temperature and Water Activity", JOURNAL OF FOOD SCIENCE, vol. 84, no. 10, 1 October 2019 (2019-10-01), US , pages 2983 - 2994, XP055897178, ISSN: 0022-1147, DOI: 10.1111/1750-3841.14756 *
SHIORI ISHIZUKA, HISAKI KATO, SAYURI AOKI, MOTOHIKO SUGIURA: "B-19 Predictions in quality inspections of Brazilian coffee by electronic olfaction systems", LECTURE ABSTRACTS OF ACADEMIC CONFERENCE AND GENERAL CONFERENCE OF JAPANESE SOCIETY OF FOOD CHEMISTRY; MAY 17TH (THURSDAY) TO 18TH (FRIDAY), 2018, vol. 24th, 17 May 2018 (2018-05-17) - 18 May 2018 (2018-05-18), pages 101, XP009534312 *
TAGO, IWAO: "Application of gas sensor to quality control of heat-stored coffee", JAPANESE JOURNAL OF TASTE AND SMELL RESEARCH, vol. 5, no. 3, 30 November 1998 (1998-11-30), JP , pages 303 - 306, XP009533979, ISSN: 1340-4806 *

Also Published As

Publication number Publication date
JPWO2022004828A1 (ja) 2022-01-06

Similar Documents

Publication Publication Date Title
Santos et al. Rapid detection and quantification of milk adulteration using infrared microspectroscopy and chemometrics analysis
Tian et al. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors
Esbensen et al. Fermentation monitoring using multisensor systems: feasibility study of the electronic tongue
Jia et al. Electronic noses as a powerful tool for assessing meat quality: A mini review
Jha et al. Detection and quantification of urea in milk using attenuated total reflectance-Fourier transform infrared spectroscopy
Santos et al. Application of hand-held and portable infrared spectrometers in bovine milk analysis
Escuderos et al. Quartz Crystal Microbalance (QCM) sensor arrays selection for olive oil sensory evaluation
Srivastava et al. Probabilistic artificial neural network and E-nose based classification of Rhyzopertha dominica infestation in stored rice grains
Kalinichenko et al. Electronic nose combined with chemometric approaches to assess authenticity and adulteration of sausages by soy protein
Takamura et al. Spectral mining for discriminating blood origins in the presence of substrate interference via attenuated total reflection Fourier transform infrared spectroscopy: postmortem or antemortem blood?
Ahmadou et al. Reduction of drift impact in gas sensor response to improve quantitative odor analysis
Steine et al. Potential of semiconductor sensor arrays for the origin authentication of pure Valencia orange juices
Firouz et al. Rapid identification and quantification of sesame oils adulteration using low frequency dielectric spectroscopy combined with chemometrics
Zarezadeh et al. Olive oil classification and fraud detection using E-nose and ultrasonic system
Sun et al. Optimization of headspace SPME GC× GC-TOF/MS analysis of volatile organic compounds in edible oils by central composite design for adulteration detection of edible oil
Khanmohammadi et al. Diagnosis of renal failure by infrared spectrometric analysis of human serum samples and soft independent modeling of class analogy
Pennazza et al. Narrowing the gap between breathprinting and disease diagnosis, a sensor perspective
Mobaraki et al. Structural characterization of carbonyl compounds by IR spectroscopy and chemometrics data analysis
Risoluti et al. Assessing the quality of milk using a multicomponent analytical platform MicroNIR/chemometric
Bean et al. Profiling aged artisanal Cheddar cheese using secondary electrospray ionization mass spectrometry
Nie et al. A novel colorimetric sensor array for real-time and on-site monitoring of meat freshness
Bock et al. Innovative uses of near‐infrared spectroscopy in food processing
WO2022004828A1 (ja) 品質予測方法、品質予測装置および品質予測プログラム
WO2021235471A1 (ja) 相性予測方法、相性予測装置および相性予測プログラム
Mattarozzi et al. Metrological traceability in process analytical technologies and point-of-need technologies for food safety and quality control: not a straightforward issue

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21832105

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022534102

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21832105

Country of ref document: EP

Kind code of ref document: A1