WO2022138829A1

WO2022138829A1 - 鮮度予測装置、鮮度予測方法、鮮度予測プログラム、及びデータ構造

Info

Publication number: WO2022138829A1
Application number: PCT/JP2021/047896
Authority: WO
Inventors: 徳夫中山; 浩子和知; 永安葉
Original assignee: 三井化学株式会社
Priority date: 2020-12-25
Filing date: 2021-12-23
Publication date: 2022-06-30
Also published as: JPWO2022138829A1; TW202230264A

Abstract

青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び前記青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報を記憶する記憶部１０１と、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する出力部１０３と、を備える、鮮度予測装置１０が提供される。

Description

鮮度予測装置、鮮度予測方法、鮮度予測プログラム、及びデータ構造

　本開示は、鮮度予測装置、鮮度予測方法、鮮度予測プログラム、及びデータ構造に関する。

　従来、食品に付したＩＣタグ等によって、賞味期限又は消費期限といった食品の鮮度に関わる情報を管理する技術がある。例えば、特許文献１には、食品に付したＲＦＩＤ（Ｒａｄｉｏ　Ｆｒｅｑｕｅｎｃｙ　Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）タグを読み取ることでユーザの自宅の冷蔵庫に収納されている食品と、当該食品の賞味期限とを特定し、賞味期限が短い食品を使ったレシピ情報を出力する食品購入管理支援システム等が開示されている。

特開２００８－２４２９１１号公報

　特許文献１に係る発明は、食品ごとに予め設定した賞味期限に従って鮮度を管理するものであり、収穫された青果物の鮮度の変化を予測するものではない。

　本開示は、上記の点に鑑みてなされたものであり、収穫された青果物の鮮度の変化を予測する鮮度予測装置、鮮度予測方法、鮮度予測プログラム、及びデータ構造を提供することを目的とする。

　上記目的を達成するために、本開示に係る鮮度予測装置は、青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び前記青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報を記憶する記憶部と、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する出力部と、を備える。

　前記記憶部は、前記環境指標履歴情報として、前記保管環境の温度情報を取得して蓄積した温度履歴情報を蓄積し、前記出力部は、前記温度履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力してもよい。

　前記温度履歴情報は、前記保管環境における温度の実績値と、前記保管環境において予め定められた温度条件の固定値と、を合計したものであってもよい。

　前記記憶部は、前記環境指標履歴情報として、前記保管環境の湿度情報を取得して蓄積した湿度履歴情報を蓄積し、前記出力部は、前記湿度履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力してもよい。

　前記湿度履歴情報は、前記保管環境における湿度の実績値と、前記保管環境において予め定められた湿度条件の固定値と、を合計したものであってもよい。

　前記鮮度変化予測情報は、前記青果物の収穫時期及び収穫地の情報を含んでもよい。

　前記鮮度変化予測情報は、対象となる前記青果物の外観、甘味、酸味、香り又は食感の少なくともいずれかの変化に応じて更新されてもよい。

　前記鮮度変化予測情報は、対象となる前記青果物の積算呼吸量に基づいて更新されてもよい。

　前記鮮度変化予測情報は、前記青果物を包装する包装材の材質、特性、厚さ、又は形態の少なくともいずれかの情報を含んでもよい。

　前記鮮度変化予測情報は、前記青果物の保管環境における酸素濃度又は二酸化炭素濃度の変化に関する情報を含んでもよい。

　前記出力部は、前記鮮度予測情報として、前記環境指標履歴と、前記鮮度変化予測情報に関して予め与えられている青果物に関する鮮度基準とを照合して比較した可視化データを出力してもよい。

　前記鮮度基準は、前記青果物の食べ頃に関する情報、消費者が前記青果物を購入してから消費するまでの推奨期間、前記青果物の外観、味、匂い、硬度、成分、食感又は重量の少なくともいずれかについて予測される情報を含んでもよい。

　前記記憶部は、前記青果物が収穫された産地において取得された前記青果物の収穫時外観画像と、前記産地から前記青果物が消費される消費地まで輸送される間において取得された前記青果物の輸送中外観画像と、を記憶し、前記環境指標履歴情報と、前記収穫時外観画像と、前記輸送中外観画像とを蓄積し、前記出力部は、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力してもよい。

　前記記憶部は、前記収穫時外観画像及び前記輸送中外観画像を、前記青果物が前記産地から前記消費地まで輸送される間において用いられる端末から取得してもよい。

　前記出力部は、所定の条件を満たした場合に、前記青果物の輸送中外観画像の取得を促すアラート情報を送信してもよい。

　前記所定の条件は、前記青果物を追跡可能な情報に基づいて、前記青果物の輸送状況に変化が生じたことであってもよい。

　機械学習モデルを用いて、前記青果物の外観が撮像された画像に対する分析処理を実行する画像分析部と、前記分析処理の結果に基づいて前記青果物の食べ頃を判定する判定部と、前記判定部の判定結果を用いて、深層学習によって前記機械学習モデルを学習する学習部と、をさらに備え、前記出力部は、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力してもよい。

　前記画像分析部は、順伝播型ニューラルネットワークを用いて前記分析処理を実行してもよい。

　前記画像分析部は、畳み込みニューラルネットワークを用いて前記分析処理を実行してもよい。

　前記画像分析部は、前記画像を赤、緑、青に分解した上で前記分析処理を実行してもよい。

　前記判定部は、前記分析処理の結果及び前記鮮度変化予測情報に基づいて前記青果物の食べ頃を判定してもよい。

　前記出力部は、順伝播型ニューラルネットワークによって、前記環境指標履歴情報を用いて前記鮮度変化予測情報を出力してもよい。

　前記判定部は、前記鮮度変化予測情報として前記青果物の積算酸素消費量、積算二酸化炭素排出量、積算相対湿度の少なくともいずれかを用いて前記青果物の食べ頃を判定してもよい。

　前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて、所定の時点から将来の時点に至るまでの前記青果物の食べ頃に関する時系列データを予測する予測部をさらに備えてもよい。

　前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて、前記青果物の特定の食べ頃となる時点を予測する予測部をさらに備えてもよい。

　前記予測部は、人工回帰型ニューラルネットワークによって、前記青果物の特定の食べ頃となる時点を予測してもよい。

　前記青果物は追熟する青果物であってもよい。

　また、上記目的を達成するために、本開示に係る鮮度予測方法は、コンピュータによって、青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報が出力される。

　また、上記目的を達成するために、本開示に係る鮮度予測プログラムは、青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する処理をコンピュータに実行させる。

　また、上記目的を達成するために、本開示に係るデータ構造は、青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報と、前記青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報と、を含み、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて前記青果物に係る鮮度予測情報が出力される。

　本開示によれば、青果物の環境指標履歴情報と、青果物の鮮度変化予測情報とに基づいて、収穫された青果物の鮮度の変化を予測する鮮度予測装置、鮮度予測方法、鮮度予測プログラム、及びデータ構造を提供することができる。

本実施形態に係る鮮度予測システムの概略構成を示す図である。鮮度予測装置のハードウェア構成を示すブロック図である。鮮度予測装置の機能構成の例を示すブロック図である。鮮度予測装置による鮮度予測処理の流れを示すフローチャートである。鮮度予測装置による鮮度予測処理の流れを示すフローチャートである。イチゴの正常率の変化率の例を示す図である。イチゴの硬度変化率の例を示す図である。イチゴの酸味変化率の例を示す図である。イチゴの香りの変化率の例を示す図である。サラダ菜の正常率の例を示す図である。サラダ菜の硬度変化率の例を示す図である。サラダ菜の酸味変化率の例を示す図である。サラダ菜の香りの変化率の例を示す図である。バナナの正常率の例を示す図である。バナナの硬度変化率の例を示す図である。バナナの酸味変化率の例を示す図である。バナナの香りの変化率の例を示す図である。ブロッコリーのビタミンＣ含有率の例を示す図である。ブロッコリーのβ－カロテン含有率の例を示す図である。ブロッコリーのクロロフィル含有率の例を示す図である。ブロッコリーの味変化率の例を示す図である。きゅうりの外観変化率の例を示す図である。きゅうりのビタミンＣ含有率の例を示す図である。きゅうりの匂い変化率の例を示す図である。きゅうりの味変化率の例を示す図である。しめじの外観変化率の例を示す図である。しめじの硬度変化率の例を示す図である。しめじの味変化率の例を示す図である。ミニトマトの味変化率の例を示す図である。ミニトマトの外観変化率の例を示す図である。ミニトマトの糖分含有率の例を示す図である。ミニトマトのリコピン含有率の例を示す図である。丸トマトの外観変化率例を示す図である。丸トマトのビタミンＣ含有率の例を示す図である。丸トマトのリコピン含有率の例を示す図である。丸トマトの味変化率の例を示す図である。温州みかんの重量変化率の例を示す図である。温州みかんのクエン酸含有率の例を示す図である。温州みかんのビタミンＣ含有率の例を示す図である。温州みかんのβ－クリプトキサンチン含有率の例を示す図である。アボカドの硬度変化率の例を示す図である。アボカドの果皮色変化率の例を示す図である。アボカドの味変化率の例を示す図である。キウイの硬度変化率の例を示す図である。キウイの硬度変化率の例を示す図である。青りんごの果皮色変化率の例を示す。情報処理装置が表示する情報を例示する図である。開示の技術の実施形態に係る情報処理サーバを用いた青果物の鮮度予測システムの概略構成を示す図である。情報処理サーバのハードウェア構成を示すブロック図である。情報処理サーバの機能構成の例を示すブロック図である。環境指標履歴情報及び鮮度変化予測情報の例を示す図である。情報処理サーバによる鮮度予測処理の流れを示すフローチャートである。情報処理装置が表示する情報の例を示す図である。開示の技術の実施形態に係る判定装置を用いた青果物の食べ頃判定システムの概略構成を示す図である。判定装置のハードウェア構成を示すブロック図である。判定装置の機能構成の例を示すブロック図である。環境指標履歴情報及び鮮度変化予測情報の例を示す図である。判定装置による青果物の食べ頃の判定処理の流れを示すフローチャートである。畳み込みニューラルネットワークを用いたバナナの食べ頃の判定の概要を示す図である。バナナの環境指標履歴情報の一つである積算二酸化炭素呼吸量と、バナナの全糖類含有量との関係を示したグラフである。畳み込みニューラルネットワーク及び鮮度変化予測情報を用いたバナナの食べ頃の判定の概要を示す図である。鮮度変化予測情報を用いたバナナの食べ頃の判定に用いる機械学習モデルを生成するためのデータセットの一例を示す図である。図３３に示したデータを、判定装置が畳み込みニューラルネットワーク及び多層パーセプトロンで処理させた場合の食べ頃判定の結果を示す図である。アボカドの環境指標履歴情報の一つである積算二酸化炭素呼吸量と、アボカドの硬度、アボカドのＬ－グルタミン酸含有量、アボカドの食べ頃との関係を示したグラフである。鮮度変化予測情報を用いたアボカドの食べ頃の判定に用いる機械学習モデルを生成するためのデータセットの一例を示す図である。

　以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

（第１実施形態）
　図１は、本実施形態に係る鮮度予測システムの概略構成を示す図である。

　本実施形態に係る鮮度予測システムは、鮮度予測装置１０、記憶装置２０、及び情報処理装置３０からなる。鮮度予測装置１０、記憶装置２０、及び情報処理装置３０は、インターネット等のネットワークで相互に接続される。

　鮮度予測装置１０は、収穫された青果物の鮮度を予測する装置である。鮮度予測装置１０は、青果物の鮮度を予測する際に、青果物が収穫された産地から消費地まで輸送される間の青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報を用いる。また、鮮度予測装置１０は、青果物の種類毎の環境指標履歴と、青果物の鮮度変化との相関に関する鮮度変化予測情報を用いる。

　環境指標履歴情報は、例えば、青果物の保管環境の温度情報を取得して蓄積した温度履歴情報であってもよい。環境指標履歴情報は、また例えば、青果物の保管環境の湿度情報を取得して蓄積した湿度履歴情報であってもよい。

　そして、鮮度予測装置１０は、環境指標履歴情報及び鮮度変化予測情報に基づいた青果物に係る鮮度予測情報を生成し、生成した鮮度予測情報を出力する。鮮度予測装置１０が出力した鮮度予測情報は、情報処理装置３０で表示される。

　記憶装置２０は、環境指標履歴情報及び鮮度変化予測情報を記憶する。履歴情報取得システム２１は、青果物の環境指標履歴情報を取得するシステムである。履歴情報取得システム２１は特定の構成に限定されない。例えば履歴情報取得システム２１は、青果物が収穫されてから店頭に並ぶまでの、青果物の保管環境における温度、湿度その他の環境指標を定期的に取得して、取得した環境指標を履歴として保持するよう構成されたシステムであり得る。記憶装置２０は、履歴情報取得システム２１が取得した青果物の環境指標履歴情報を任意のタイミングで取得する。

　情報処理装置３０は、例えばパーソナルコンピュータ、スマートフォン等の装置である。情報処理装置３０は、青果物の鮮度予測の結果を知りたいユーザが使用する装置である。情報処理装置３０は、鮮度予測装置１０が生成して出力した鮮度予測情報を表示する機能を有する。ユーザは、情報処理装置３０が表示した鮮度予測情報を見ることで、青果物の適切な消費時期を知ることができる。

　本実施形態に係る鮮度予測装置１０は、青果物が収穫されてからの鮮度の変化を予測し、情報処理装置３０へ出力することで、消費者に青果物の適切な消費時期の情報を提供することができる。

　なお、図１に示した鮮度予測システムの概略構成では記憶装置２０を含んでいたが、本開示は係る例に限定されるものでは無い。鮮度予測装置１０が、環境指標履歴情報及び鮮度変化予測情報を記憶していてもよい。

　図２は、鮮度予測装置１０のハードウェア構成を示すブロック図である。

　図２に示すように、鮮度予測装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１２またはストレージ１４には、青果物の鮮度を予測する鮮度予測装置プログラムが格納されている。

　ＲＯＭ１２は、各種プログラムおよび各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）またはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

　入力部１５は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

　表示部１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

　通信インタフェース１７は、記憶装置２０、及び情報処理装置３０等の他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

　上記の鮮度予測プログラムを実行する際に、鮮度予測装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。鮮度予測装置１０が実現する機能構成について説明する。

　図３は、鮮度予測装置１０の機能構成の例を示すブロック図である。

　図３に示すように、鮮度予測装置１０は、機能構成として、記憶部１０１、生成部１０２及び出力部１０３を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２またはストレージ１４に記憶された鮮度予測プログラムを読み出し、実行することにより実現される。

　記憶部１０１は、環境指標履歴情報及び鮮度変化予測情報を記憶する。なお、環境指標履歴情報及び鮮度変化予測情報は、図１に示した記憶装置２０に記憶されていてもよい。

　図４は、記憶部１０１が記憶する環境指標履歴情報及び鮮度変化予測情報の例を示す図である。環境指標履歴情報２０１の各列を説明する。ＩＤ列は、青果物を識別する情報を格納する列である。青果物列は、当該ＩＤの青果物の情報を格納する列である。収穫日時列は、当該ＩＤの青果物の収穫日時を格納する列である。環境指標履歴情報列は、当該ＩＤの青果物の環境指標履歴情報を格納する列である。環境指標履歴情報列には、青果物が保管されている環境における環境指標履歴のログが格納されている。

　鮮度変化予測情報２０２の各列を説明する。青果物列は、青果物を識別する情報を格納する列である。鮮度変化予測情報列は、当該青果物の鮮度変化予測情報を格納する列である。鮮度変化予測情報は、環境指標履歴と青果物の鮮度変化との相関に関する情報である。

　生成部１０２は、鮮度予測情報の生成対象の青果物（対象青果物）の情報を取得すると、当該青果物の環境指標履歴情報及び鮮度変化予測情報に基づき、対象青果物に係る鮮度予測情報を生成する。環境指標履歴情報は、例えば、青果物の保管環境の温度情報を取得して記憶部１０１に蓄積した温度履歴情報であってもよい。温度履歴情報は、青果物の保管環境における温度の実績値と、上記保管環境において予め定められた温度条件の固定値と、を合計したものであってもよい。環境指標履歴情報は、また例えば、青果物の保管環境の湿度情報を取得して記憶部１０１に蓄積した湿度履歴情報であってもよい。湿度履歴情報は、青果物の保管環境における湿度の実績値と、上記保管環境において予め定められた湿度条件の固定値と、を合計したものであってもよい。

　環境指標は、青果物の鮮度の変化に影響を及ぼすものであれば、温度又は湿度に限定されるものではない。例えば、環境指標として、青果物の保管環境における酸素濃度及び二酸化炭素濃度の情報が用いられてもよい。また例えば、環境指標として、青果物の保管環境における照度の情報が用いられてもよい。

　生成部１０２は、環境指標履歴情報及び鮮度変化予測情報を所定のモデル式に当てはめることで、対象青果物に係る鮮度予測情報を生成してもよい。生成部１０２は、対象青果物に係る鮮度予測情報を、百分率で生成してもよい。

　上述した温度条件及び湿度条件の固定値は、例えば、予め決められた、青果物の品目ごとの一般的な温度条件及び湿度条件であってもよい。例えば、キャベツ及びレタス等の、消費者宅において冷蔵庫で保存されることが想定される青果物は、冷蔵庫の野菜室における温度条件及び湿度条件が、温度条件及び湿度条件の固定値として決定されてもよい。

　鮮度変化予測情報は、環境指標履歴と青果物の鮮度変化との相関に関する情報である。例えば、青果物の呼吸量と、青果物の鮮度変化との間には相関があり、青果物の呼吸量は、環境指標履歴から導出できる。従って、環境指標履歴と青果物の鮮度変化との間には相関があることになる。例えば、青果物の呼吸速度は、温度に依存することが知られている。よって生成部１０２は、青果物の保管環境における温度の情報に基づいて、青果物の呼吸量を推測することができる。青果物の呼吸量の算出には、例えば、Ｍｉｃｈａｅｌｉｓ－Ｍｅｎｔｅｎ理論に基づいたモデル（ＭＭモデル）、重回帰分析モデル、線形二次モデル、指数関数的減衰モデル等のモデルが用いられてもよい。

　同じ種類の青果物であっても、青果物の収穫地又は収穫時期によって、環境指標履歴と青果物の鮮度変化との相関関係が異なり得る。従って、鮮度変化予測情報は、対象青果物の収穫地又は収穫時期の情報を含み、収穫地又は収穫時期の情報に応じて相関関係が補正されてもよい。

　生成部１０２は、対象青果物の積算呼吸量に基づいて鮮度変化予測情報を更新してもよい。また生成部１０２は、対象青果物の外観、甘味、酸味、香り又は食感の少なくともいずれかの変化に応じて、鮮度変化予測情報を更新してもよい。また記憶部１０１が記憶する鮮度変化予測情報は、青果物の保管環境における酸素濃度又は二酸化炭素濃度の変化に関する情報を含んでもよい。また、青果物の呼吸量は、青果物を包装する包装材の材質、特性、厚さ、又は形態によって変化する。従って、記憶部１０１が記憶する鮮度変化予測情報は、青果物を包装する包装材の材質、特性、厚さ、又は形態の少なくともいずれかの情報を含んでもよい。

　本実施形態では、生成部１０２は、青果物の呼吸量の算出に、Ｍｉｃｈａｅｌｉｓ－Ｍｅｎｔｅｎ理論に基づいたモデル（ＭＭモデル）を使用している。また本実施形態では、温度の影響による青果物の呼吸量の変化をＡｒｒｈｅｎｉｕｓ式でモデル化している。従って、青果物の単位質量当たりのＯ_２消費速度およびＣＯ_２生成速度は、青果物が包装されている袋の中のガスのＯ_２濃度、ＣＯ_２濃度、及び温度により決まる。また本実施形態では、包装材のガス透過速度に、Ｆｉｃｋの第１法則とＨｅｎｒｙの気体溶解の法則に基づいたモデルを用いている。また、包装材のガス透過度も温度依存性があることが知られており、また本実施形態では、Ａｒｒｈｅｎｉｕｓ式により包装材のガス透過度の補正を行っている。

　出力部１０３は、生成部１０２が生成した鮮度変化予測情報を出力する。出力部１０３は、鮮度予測情報として、環境指標履歴と、鮮度変化予測情報に関して予め与えられている青果物に関する鮮度基準とを照合して比較した可視化データを出力する。出力部１０３が出力する可視化データの例は後述する。鮮度基準は、青果物の食べ頃に関する情報、消費者が青果物を購入してから消費するまでの推奨期間、青果物の外観、味、匂い(又は香り）、硬度、成分、食感又は重量の少なくともいずれかについて予測される情報を含んでいてもよい。外観の具体例としては、カビの発生又は拡大、色の変化、斑点の有無又は出現、形状の変化、皺、光沢、イボ、痛み、キズ又はダメージ等がある。味の具体例としては、酸味、味覚等がある。匂い（又は香り）の具体例としては、異臭又は発酵臭の発生等がある。成分の具体例としては、グルコース、クロロフィル、ビタミンＣ、β－カロテン、糖、リコピン、葉緑素、グルタミン酸、クエン酸、β-クリプトキサチン等がある。食感の具体例としては、歯応え等がある、重量の具体例としては、全体の重量、水分量、糖分量等がある。

　本実施形態に係る鮮度予測装置１０は、青果物の環境指標履歴情報と、青果物の鮮度変化予測情報とに基づいて、青果物の鮮度変化予測情報を生成し、鮮度変化予測情報を出力することができる。本実施形態に係る鮮度予測装置１０は、図３に示した機能構成を有することで、青果物が収穫されてからの青果物の鮮度の変化を予測し、青果物の適切な消費時期の情報を消費者に提供することができる。

　なお、本実施形態では、図３に示したように、鮮度予測装置１０が記憶部１０１を備えた構成を有しているが、本開示は係る例に限定されない。環境指標履歴情報及び鮮度変化予測情報は、図１に示した記憶装置２０が記憶してもよい。

　次に、鮮度予測装置１０の作用について説明する。

　図５は、鮮度予測装置１０による鮮度予測処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から鮮度予測プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、鮮度予測処理が行なわれる。

　ＣＰＵ１１は、まず鮮度予測の対象となる青果物（対象青果物）の情報を取得する（ステップＳ１０１）。対象青果物の情報の取得方法は特定のものに限定されない。例えば、青果物の包装に付されたＲＦＩＤタグの読み取りにより対象青果物の情報が取得されてもよい。

　ステップＳ１０１に続いて、ＣＰＵ１１は、対象青果物の環境指標履歴情報を取得する（ステップＳ１０２）。環境指標履歴情報は、例えば、青果物の保管環境の温度情報を取得して蓄積した温度履歴情報であってもよい。環境指標履歴情報は、例えば、青果物の保管環境の湿度情報を取得して蓄積した湿度履歴情報であってもよい。

　ステップＳ１０２に続いて、ＣＰＵ１１は、対象青果物の鮮度変化予測情報を取得する（ステップＳ１０３）。鮮度変化予測情報は、青果物の種類毎の環境指標履歴と、青果物の鮮度変化との相関に関する情報である。

　ステップＳ１０３に続いて、ＣＰＵ１１は、ステップＳ１０２で取得した環境指標履歴情報と、ステップＳ１０３で取得した鮮度変化予測情報と、を用いて対象青果物の鮮度予測情報を生成する（ステップＳ１０４）。ＣＰＵ１１は、鮮度予測情報として、環境指標履歴と、鮮度変化予測情報に関して予め与えられている青果物に関する鮮度基準とを照合して比較した可視化データを生成する。

　ステップＳ１０４に続いて、ＣＰＵ１１は、ステップＳ１０４で生成した鮮度予測情報を出力する（ステップＳ１０５）。ＣＰＵ１１は、鮮度予測情報として、環境指標履歴と、鮮度変化予測情報に関して予め与えられている青果物に関する鮮度基準とを照合して比較した可視化データを出力する。

　本実施形態に係る鮮度予測装置１０は、青果物の環境指標履歴情報と、青果物の鮮度変化予測情報とに基づいて、青果物の鮮度変化予測情報を生成し、鮮度変化予測情報を出力することができる。本実施形態に係る鮮度予測装置１０は、図５に示した処理を実行することで、青果物が収穫されてからの青果物の鮮度の変化を予測し、青果物の適切な消費時期の情報を消費者に提供することができる。

　本実施形態に係る鮮度予測装置１０による、青果物の鮮度予測の具体例を説明する。

　（具体例１）
　具体例１では、鮮度予測装置１０がイチゴの鮮度を予測する場合の例を示す。イチゴの積算呼吸量と、イチゴの正常率（カビが発生していない割合）、硬度変化率、酸味変化率、及び香りの変化率とには相関関係がある。イチゴの積算呼吸量が増えると正常率は低下し、硬度は低下し、酸味が無くなって腐敗した味がし、イチゴの香りがしなくなってくる。

　図６Ａ～６Ｄは、イチゴの正常率、硬度変化率、酸味変化率、及び香りの変化率の例を示す図である。図６Ａは、イチゴの正常率と、カビの発生状況との関係を示す。図６Ｂは、イチゴの硬度変化率と、イチゴの硬度との関係を示す。図６Ｃは、イチゴの酸味変化率と、イチゴの酸味との関係を示す。図６Ｄは、イチゴの香りの変化率と、イチゴの香りとの関係を示す。

　図６Ａに示したように、イチゴの正常率が１００％の場合ではカビは発生していないが、正常率の低下と共にカビが発生する果実が増え、０％の場合では全ての果実にカビが発生した状態となる。また、図６Ｂに示したように、イチゴの硬度変化率が１００％の場合ではイチゴの果実は硬いが、硬度変化率の低下と共に果実が柔らかくなり、０％の状態では果実が溶けたような状態となる。また、図６Ｃに示したように、イチゴの酸味変化率が１００％の場合ではイチゴに強い酸味を感じるが、酸味変化率の低下と共に酸味が少なくなり、０％の状態では逆に腐敗したような味を感じる状態となる。また、図６Ｄに示したように、イチゴの香りの変化率が１００％の場合ではイチゴに強いイチゴの香りを感じるが、香りの変化率の低下と共に香りが少なくなり、０％の状態では逆にカビのような香りを感じる状態となる。

　従って、鮮度予測装置１０は、イチゴの環境指標履歴情報からイチゴのある時点での積算呼吸量を推定し、推定した積算呼吸量と、イチゴの鮮度変化予測情報とを照合することで、イチゴの鮮度を予測できる。そして、鮮度予測装置１０は、イチゴの鮮度を予測して、消費期限になるまであとどの程度掛かるか、又は消費期限からどの程度経過しているか、を消費者に提示することができる。例えば、正常率が９０％未満になった時点をイチゴの消費期限と定めることで、鮮度予測装置１０は、消費期限までどの程度か、又は消費期限からどの程度経過しているか、を消費者に提示することができる。

　イチゴの環境指標履歴情報から推定したイチゴのある時点での積算呼吸量がＸ１（ｍｌ／ｋｇ）であるとする。またイチゴの１時間当たりの呼吸量が、１５度で保管されていればｙ１（ｍｌ／ｋｇ）、１０度で保管されていればｙ２（ｍｌ／ｋｇ）とする。鮮度予測装置１０は、上記各パラメータを用いて、１５度で保管されていれば消費期限まであとＤ１日、１０度で保管されていれば消費期限まであとＤ２日、と算出することが出来る。

　（具体例２）
　具体例２では、鮮度予測装置１０がサラダ菜の鮮度を予測する場合の例を示す。サラダ菜の積算呼吸量と、サラダ菜の外観変化率、歯応え変化率、匂い変化率、及び味変化率とには相関関係がある。サラダ菜の積算呼吸量が増えると外観変化率は低下し、歯応えは柔らかくなり、匂いが悪くなり、また味も無くなってくる。

　図７Ａ～７Ｄは、サラダ菜の外観変化率、歯応え変化率、匂い変化率、及び味変化率の例を示す図である。図７Ａは、サラダ菜の外観変化率と、外観との関係を示す。図７Ｂは、サラダ菜の歯応え変化率と、サラダ菜の歯応えとの関係を示す。図７Ｃは、サラダ菜の匂い変化率と、サラダ菜の匂いとの関係を示す。図７Ｄは、サラダ菜の味変化率と、サラダ菜の味との関係を示す。

　図７Ａに示したように、サラダ菜の外観変化率が１００％の場合では鮮やかな緑色をしているが、外観変化率の低下と共に変色が目立ち、０％の場合ではひどく萎れて、極端に変色した状態となる。また、図７Ｂに示したように、サラダ菜の歯応え変化率が１００％の場合ではサクサクとした食感であるが、歯応え変化率の低下と共に食感が悪くなり、０％の場合では食味が不可の状態となる。また、図７Ｃに示したように、サラダ菜の匂い変化率が１００％の場合では葉物野菜に特有の、青葉のようなグリーンな香りであるが、匂い変化率の低下と共に異臭を感じるようになり、０％の場合では食味が不可の状態となる。また、図７Ｄに示したように、サラダ菜の味の変化率が１００％の場合では葉物特有の苦みがあるが、味の変化率の低下と共に味が変化するようになり、０％の場合では食味が不可の状態となる。

　従って、鮮度予測装置１０は、サラダ菜の環境指標履歴情報からサラダ菜のある時点での積算呼吸量を推定し、推定した積算呼吸量と、サラダ菜の鮮度変化予測情報とを照合することで、サラダ菜の鮮度を予測できる。そして、鮮度予測装置１０は、サラダ菜の鮮度を予測して、消費期限になるまであとどの程度掛かるか、又は消費期限からどの程度経過しているか、を消費者に提示することができる。例えば、外観変化率が６０％未満になった時点をサラダ菜の消費期限と定めることで、鮮度予測装置１０は、消費期限までどの程度か、又は消費期限からどの程度経過しているか、を消費者に提示することができる。

　サラダ菜の環境指標履歴情報から推定したサラダ菜のある時点での積算呼吸量がＸ２（ｍｌ／ｋｇ）であるとする。またサラダ菜の１時間当たりの呼吸量が、２０度で保管されていればｙ３（ｍｌ／ｋｇ）、１０度で保管されていればｙ４（ｍｌ／ｋｇ）とする。鮮度予測装置１０は、上記各パラメータを用いて、２０度で保管されていれば消費期限まであとＤ３日、１０度で保管されていれば消費期限まであとＤ４日、と算出することが出来る。

　（具体例３）
　具体例３では、鮮度予測装置１０がバナナの鮮度を予測する場合の例を示す。バナナの積算呼吸量と、バナナの外観変化率、歯応え変化率、匂い変化率、及び味変化率とには相関関係がある。バナナの積算呼吸量が増えると外観変化率は低下し、歯応えは柔らかくなり、匂いが悪くなり、また味も無くなってくる。

　図８Ａ～８Ｄは、バナナの外観変化率、歯応え変化率、匂い変化率、及び味変化率の例を示す図である。図８Ａは、バナナの外観変化率と、外観との関係を示す。図８Ｂは、バナナの歯応え変化率と、バナナの歯応えとの関係を示す。図８Ｃは、バナナの匂い変化率と、バナナの匂いとの関係を示す。図８Ｄは、バナナの味変化率と、サラダ菜の味との関係を示す。

　図８Ａに示したように、バナナの外観変化率が１００％の場合では全体的に黄色をしているが、外観変化率の低下と共に変色が目立ち、０％の場合では軸が折れ、実が黒く変色した状態となる。また、図８Ｂに示したように、バナナの歯応え変化率が１００％の場合では硬めの食感であるが、歯応え変化率の低下と共に食感が悪くなり、０％の場合では食味が不可の状態となる。また、図８Ｃに示したように、バナナの匂い変化率が１００％の場合ではバナナ特有の香り及び青葉のようなグリーンな香りであるが、匂い変化率の低下と共に異臭を感じるようになり、０％の場合では食味が不可の状態となる。また、図８Ｄに示したように、バナナの味の変化率が１００％の場合では甘味の中に酸味を感じる状態であるが、味の変化率の低下と共に味が変化するようになり、０％の場合では食味が不可の状態となる。

　従って、鮮度予測装置１０は、バナナの環境指標履歴情報からバナナのある時点での積算呼吸量を推定し、推定した積算呼吸量と、バナナの鮮度変化予測情報とを照合することで、バナナの鮮度を予測できる。そして、鮮度予測装置１０は、バナナの鮮度を予測して、消費期限になるまであとどの程度掛かるか、又は消費期限からどの程度経過しているか、を消費者に提示することができる。例えば、味変化率が３０％未満になった時点をバナナの消費期限と定めることで、鮮度予測装置１０は、消費期限までどの程度か、又は消費期限からどの程度経過しているか、を消費者に提示することができる。

　バナナの環境指標履歴情報から推定したバナナのある時点での積算呼吸量がＸ３（ｍｌ／ｋｇ）であるとする。またバナナの１時間当たりの呼吸量が、２０度で保管されていればｙ５（ｍｌ／ｋｇ）とする。鮮度予測装置１０は、上記各パラメータを用いて、２０度で保管されていれば消費期限まであとＤ５日と算出することが出来る。

　（具体例４）
　具体例４では、鮮度予測装置１０がブロッコリーの鮮度を予測する場合の例を示す。ブロッコリーの積算呼吸量と、ブロッコリーのビタミンＣ含有率、β－カロテン含有率、クロロフィル含有率、及び味変化率とには相関関係がある。図９Ａ～９Ｄは、ブロッコリーのビタミンＣ含有率、β－カロテン含有率、クロロフィル含有率、及び味変化率の例を示す図である。図９Ａは、ブロッコリーのビタミンＣ含有率の変化を示す。図９Ｂは、ブロッコリーのβ－カロテン含有率の変化を示す。図９Ｃは、ブロッコリーのクロロフィル含有率の変化を示す。図９Ｄは、ブロッコリーの味変化率と、ブロッコリーの味との関係を示す。図９Ａ～９Ｄに示したように、ブロッコリーの積算呼吸量が増加すると、変化率又は含有率が低下していく。

　鮮度予測装置１０は、ブロッコリーの環境指標履歴情報からブロッコリーのある時点での積算呼吸量を推定し、推定した積算呼吸量と、ブロッコリーの鮮度変化予測情報とを照合することで、ブロッコリーの鮮度を予測できる。

　（具体例５）
　具体例５では、鮮度予測装置１０がきゅうりの鮮度を予測する場合の例を示す。きゅうりの積算呼吸量と、きゅうりの外観変化率、ビタミンＣ含有率、匂い変化率、及び味変化率とには相関関係がある。図１０Ａ～１０Ｄは、きゅうりの外観変化率、ビタミンＣ含有率、匂い変化率、及び味変化率の例を示す図である。図１０Ａは、きゅうりの外観変化率と、きゅうりの外観との関係を示す。図１０Ｂは、きゅうりのビタミンＣ含有率の変化を示す。図１０Ｃは、きゅうりの匂い変化率と、きゅうりの匂いとの関係を示す。図１０Ｄは、きゅうりの味変化率と、きゅうりの味との関係を示す。図１０Ａ～１０Ｄに示したように、きゅうりの積算呼吸量が増加すると、変化率又は含有率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、きゅうりの環境指標履歴情報からきゅうりのある時点での積算呼吸量を推定し、推定した積算呼吸量と、きゅうりの鮮度変化予測情報とを照合することで、きゅうりの鮮度を予測できる。

　（具体例６）
　具体例６では、鮮度予測装置１０がしめじの鮮度を予測する場合の例を示す。しめじの積算呼吸量と、しめじの外観変化率、硬度変化率、及び味変化率とには相関関係がある。図１１Ａ～１１Ｃは、しめじの外観変化率、硬度変化率、及び味変化率の例を示す図である。図１１Ａは、しめじの外観変化率と、しめじの外観との関係を示す。図１１Ｂは、しめじの硬度変化率と、しめじの硬度との関係を示す。図１１Ｃは、しめじの味変化率と、しめじの味との関係を示す。図１１Ａ～１１Ｃに示したように、しめじの積算呼吸量が増加すると、変化率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、しめじの環境指標履歴情報からしめじのある時点での積算呼吸量を推定し、推定した積算呼吸量と、しめじの鮮度変化予測情報とを照合することで、しめじの鮮度を予測できる。

　（具体例７）
　具体例７では、鮮度予測装置１０がミニトマトの鮮度を予測する場合の例を示す。ミニトマトの積算呼吸量と、ミニトマトの味変化率、外観変化率、糖分含有率、及びリコピン含有率とには相関関係がある。図１２Ａ～１２Ｃは、ミニトマトの味変化率、外観変化率、糖分含有率、及びリコピン含有率の例を示す図である。図１２Ａは、ミニトマトの味変化率と、ミニトマトの味との関係を示す。図１２Ｂは、ミニトマトの外観変化率と、ミニトマトの外観との関係を示す。図１２Ｃは、ミニトマトの糖分含有率の変化を示す。図１２Ｄは、ミニトマトのリコピン含有率の変化を示す。図１２Ａ～１２Ｄに示したように、ミニトマトの積算呼吸量が増加すると、変化率又は含有率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、ミニトマトの環境指標履歴情報からミニトマトのある時点での積算呼吸量を推定し、推定した積算呼吸量と、ミニトマトの鮮度変化予測情報とを照合することで、ミニトマトの鮮度を予測できる。

　（具体例８）
　具体例８では、鮮度予測装置１０が丸トマトの鮮度を予測する場合の例を示す。丸トマトの積算呼吸量と、丸トマトの外観変化率、ビタミンＣ含有率、リコピン含有率、及び味変化率とには相関関係がある。図１３Ａ～１３Ｄは、丸トマトの外観変化率、ビタミンＣ含有率、リコピン含有率、及び味変化率の例を示す図である。図１３Ａは、丸トマトの外観変化率と、丸トマトの外観との関係を示す。図１３Ｂは、丸トマトのビタミンＣ含有率の変化を示す。図１３Ｃは、丸トマトのリコピン含有率の変化を示す。図１３Ｄは、丸トマトの味変化率と、丸トマトの味との関係を示す。図１３Ａ～１３Ｄに示したように、丸トマトの積算呼吸量が増加すると、変化率又は含有率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、丸トマトの環境指標履歴情報から丸トマトのある時点での積算呼吸量を推定し、推定した積算呼吸量と、丸トマトの鮮度変化予測情報とを照合することで、丸トマトの鮮度を予測できる。

　（具体例９）
　具体例９では、鮮度予測装置１０が温州みかんの鮮度を予測する場合の例を示す。温州みかんの積算呼吸量と、温州みかんの重量変化率、クエン酸含有率、ビタミンＣ含有率、及びβ－クリプトキサンチン含有率とには相関関係がある。図１４Ａ～１４Ｄは、温州みかんの重量変化率、クエン酸含有率、ビタミンＣ含有率、及びβ－クリプトキサンチン含有率の例を示す図である。図１４Ａは、温州みかんの重量の変化を示す。図１４Ｂは、温州みかんのクエン酸含有率の変化を示す。図１４Ｃは、温州みかんのビタミンＣ含有率の変化を示す。図１４Ｄは、温州みかんのβ－クリプトキサンチン含有率の変化を示す。図１４Ａ～１４Ｄに示したように、温州みかんの積算呼吸量が増加すると、変化率又は含有率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、温州みかんの環境指標履歴情報から温州みかんのある時点での積算呼吸量を推定し、推定した積算呼吸量と、温州みかんの鮮度変化予測情報とを照合することで、温州みかんの鮮度を予測できる。

　（具体例１０）
　具体例１０では、鮮度予測装置１０がアボカドの鮮度を予測する場合の例を示す。アボカドの積算呼吸量と、アボカドの硬度変化率、果皮色変化率、及び味変化率とには相関関係がある。図１５Ａ～１５Ｃは、アボカドの硬度変化率、果皮色変化率、及び味変化率の例を示す図である。図１５Ａは、アボカドの硬度変化率と、アボカドの硬度との関係を示す。図１５Ｂは、アボカドの果皮色変化率と、アボカドの果皮色との関係を示す。図１５Ｃは、アボカドの味変化率と、アボカドの味との関係を示す。図１５Ａ～１５Ｃに示したように、アボカドの積算呼吸量が増加すると、変化率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、アボカドの環境指標履歴情報からアボカドのある時点での積算呼吸量を推定し、推定した積算呼吸量と、アボカドの鮮度変化予測情報とを照合することで、アボカドの鮮度を予測できる。

　（具体例１１）
　具体例１１では、鮮度予測装置１０がキウイの鮮度を予測する場合の例を示す。キウイの積算呼吸量と、キウイの硬度変化率、及び酸味変化率とには相関関係がある。図１６Ａ、１６Ｂは、キウイの硬度変化率、及び酸味変化率の例を示す図である。図１６Ａは、キウイの硬度変化率と、キウイの硬度との関係を示す。図１６Ｂは、キウイの酸味変化率と、キウイの酸味との関係を示す。図１６Ａ、１６Ｂに示したように、キウイの積算呼吸量が増加すると、変化率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、キウイの環境指標履歴情報からキウイのある時点での積算呼吸量を推定し、推定した積算呼吸量と、キウイの鮮度変化予測情報とを照合することで、キウイの鮮度を予測できる。

　（具体例１２）
　具体例１２では、鮮度予測装置１０が青りんごの鮮度を予測する場合の例を示す。青りんごの積算呼吸量と、青りんごの果皮色変化率とには相関関係がある。図１７は、青りんごの果皮色変化率の例を示す図であり、青りんごの果皮色変化率と、青りんごの果皮色との関係を示す。図１７に示したように、青りんごの積算呼吸量が増加すると、変化率が低下していく。

　鮮度予測装置１０は、上述の各具体例と同様に、青りんごの環境指標履歴情報から青りんごのある時点での積算呼吸量を推定し、推定した積算呼吸量と、青りんごの鮮度変化予測情報とを照合することで、青りんごの鮮度を予測できる。

　続いて、鮮度予測装置１０が提供して、情報処理装置３０に表示される、青果物の鮮度に関する情報を例示する。

　図１８は、情報処理装置３０が表示する情報の例を示す図である。図１８に示した情報は、鮮度予測装置１０が予測したイチゴの鮮度に関する情報である。消費者がスーパーマーケット等の店頭で、イチゴの包装に添付された情報を情報処理装置３０に入力することで、鮮度予測装置１０によって予測されたイチゴの鮮度に関する情報が情報処理装置３０に表示される。

　符号３０１は対象青果物の画像を示す情報であり、図１８の例ではイチゴの画像が情報処理装置３０に表示されている。符号３０２は、鮮度予測の対象青果物を示す情報であり、図１８の例ではイチゴである。符号３０３は対象青果物の産地を示す情報である。符号３０４は、対象青果物であるイチゴの食べ頃を鮮度で示す情報である。符号３０５は、対象青果物の消費期限までの期間を示す情報である。符号３０６は、対象青果物に対して予め定められた鮮度基準に関する予測結果を示す情報であり、図１８の例では対象青果物の甘味、香り、及び酸味の予測結果が示されている。

　上述したように、鮮度予測装置１０は、イチゴの鮮度の情報及びイチゴの消費期限までの期間を、そのイチゴの環境指標履歴情報に基づいて推定することができる。そして、鮮度予測装置１０は、予測したイチゴの鮮度の情報を情報処理装置３０に提供することで、消費者にイチゴの鮮度及びイチゴの消費期限までの期間の情報を提示することができる。

　鮮度予測装置１０が情報処理装置３０に出力した鮮度予測情報は、時間の経過に伴って変化し得る。例えば、対象青果物の環境指標履歴情報が更新されると、鮮度予測装置１０は、更新された環境指標履歴情報に基づいて積算呼吸量を算出し直し、算出した積算呼吸量によって鮮度予測情報を更新する。そして、鮮度予測装置１０は、更新した鮮度予測情報を情報処理装置３０に出力する。なお、鮮度予測装置１０における鮮度予測情報の更新は、対象青果物の環境指標履歴情報の更新に基づいて行われてもよく、情報処理装置３０に対する操作に基づいて行われてもよく、所定の間隔で行われてもよい。

　なお図１８では、対象青果物の甘味、香り、及び酸味の予測結果の情報が示されているが、鮮度予測装置１０が提供する情報はかかる例に限定されない。鮮度予測装置１０が、他にも、対象青果物の外観又は食感の情報を提供してもよい。また、鮮度予測装置１０は、対象青果物の鮮度に応じて、符号３０１で示す対象青果物の外観を変化させてもよい。

（第２の実施形態）
　青果物は、生産者によって収穫された後も呼吸及び蒸散を行って、時間の経過と共に鮮度が低下する。本開示の第２の実施形態では、青果物の外観の画像を取得し、取得した外観の画像を分析して青果物の鮮度変化の予測に関する情報である鮮度予測情報を生成して、生成した鮮度変化予測情報を消費者に提供する技術を示す。

　図１９は、本実施形態に係る情報処理サーバを用いた青果物の鮮度予測システムの概略構成を示す図である。

　本実施形態に係る青果物の鮮度予測システムは、情報処理サーバ１０１０、記憶装置１０２０、及び情報処理装置１０３０からなる。情報処理サーバ１０１０、記憶装置１０２０、及び情報処理装置３０は、インターネット等のネットワークで相互に接続される。

　情報処理サーバ１０１０は、青果物の鮮度を予測するサーバである。情報処理サーバ１０１０は、収穫された青果物の食べ頃を判定する際に、青果物の表面が撮像された画像を用いて判定する。具体的に、情報処理サーバ１０１０は、青果物の表面が撮像された画像を、機械学習によって生成された機械学習モデルに入力することで、当該青果物の鮮度を予測する。機械学習モデルは、青果物の種類毎に生成される。

　そして、情報処理サーバ１０１０は、青果物の表面が撮像された画像を用いて予測した、青果物の鮮度に関する情報を、情報処理装置１０３０に送信する。情報処理装置１０３０は、情報処理サーバ１０１０から送信された青果物の鮮度に関する情報を表示する。

　情報処理サーバ１０１０は、収穫された青果物の鮮度を予測する際に、青果物が収穫された産地から消費地まで輸送される間の青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報をさらに用いてもよい。環境指標履歴情報は、例えば、青果物の保管環境の温度情報を取得して蓄積した温度履歴情報であってもよい。環境指標履歴情報は、また例えば、青果物の保管環境の湿度情報を取得して蓄積した湿度履歴情報であってもよい。また、情報処理サーバ１０１０は、収穫された青果物の鮮度を予測する際に、青果物の種類毎の環境指標履歴を用いてもよい。

　記憶装置１０２０は、青果物の鮮度を予測する際に用いられる機械学習モデルを記憶する。また、記憶装置１０２０は、環境指標履歴情報及び鮮度変化予測情報を記憶する。また、記憶装置１０２０は、青果物の鮮度の予測に用いられる画像データを記憶してもよい。履歴情報取得システム１０２１は、青果物の環境指標履歴情報を取得するシステムである。履歴情報取得システム１０２１は特定の構成に限定されない。例えば履歴情報取得システム２１は、青果物が収穫されてから店頭に並ぶまでの、青果物の保管環境における温度、湿度その他の環境指標を定期的に取得して、取得した環境指標を履歴として保持するよう構成されたシステムであり得る。記憶装置２０は、履歴情報取得システム１０２１が取得した青果物の環境指標履歴情報を任意のタイミングで取得する。

　画像取得システム１０２２は、青果物の表面を撮像した画像を取得するシステムである。具体的に、画像取得システム１０２２は、青果物が収穫された農場、青果物が小売業者に売り渡される市場、青果物が陳列される小売店、消費者の過程に設置されている冷蔵庫の庫内等に設置されたカメラで撮像された青果物の画像を取得し、取得した画像を記憶装置１０２０に送るよう構成されている。それぞれのカメラはネットワークで鮮度予測システムと接続されてもよい。

　情報処理装置１０３０は、例えばパーソナルコンピュータ、スマートフォン等の装置である。情報処理装置１０３０は、青果物の鮮度を知りたいユーザが使用する装置である。情報処理装置１０３０は、情報処理サーバ１０１０が生成して出力した情報を表示する機能を有する。ユーザは、情報処理装置１０３０が表示した情報を見ることで、青果物を口にする前に、その青果物の鮮度を知ることができる。

　なお、図１９に示した青果物の鮮度予測システムの概略構成では記憶装置１０２０を含んでいたが、本開示は係る例に限定されるものでは無い。情報処理サーバ１０１０が、機械学習モデル、環境指標履歴情報、鮮度変化予測情報及び青果物の画像を記憶していてもよい。

　図２０は、情報処理サーバ１０１０のハードウェア構成を示すブロック図である。

　図２０に示すように、情報処理サーバ１０１０は、ＣＰＵ１０１１、ＲＯＭ１０１２、ＲＡＭ１０１３、ストレージ１０１４、入力部１０１５、表示部１０１６及び通信インタフェース（Ｉ／Ｆ）１０１７を有する。各構成は、バス１０１９を介して相互に通信可能に接続されている。

　ＣＰＵ１０１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１０１１は、ＲＯＭ１０１２またはストレージ１０１４からプログラムを読み出し、ＲＡＭ１０１３を作業領域としてプログラムを実行する。ＣＰＵ１０１１は、ＲＯＭ１０１２またはストレージ１０１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１０１２またはストレージ１０１４には、青果物の鮮度を予測する鮮度予測プログラムが格納されている。

　ＲＯＭ１０１２は、各種プログラムおよび各種データを格納する。ＲＡＭ１０１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ１０１４は、ＨＤＤ、ＳＳＤまたはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

　入力部１０１５は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

　表示部１０１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部１０１６は、タッチパネル方式を採用して、入力部１０１５として機能しても良い。

　通信インタフェース１０１７は、記憶装置１０２０及び情報処理装置１０３０等の他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

　上記の鮮度予測プログラムを実行する際に、情報処理サーバ１０１０は、上記のハードウェア資源を用いて、各種の機能を実現する。情報処理サーバ１０１０が実現する機能構成について説明する。

　図２１は、情報処理サーバ１０１０の機能構成の例を示すブロック図である。

　図２１に示すように、情報処理サーバ１０１０は、機能構成として、取得部１１０１、生成部１１０２、送信部１１０３および記憶部１１０４を有する。各機能構成は、ＣＰＵ１０１１がＲＯＭ１０１２またはストレージ１０１４に記憶された鮮度予測プログラムを読み出し、実行することにより実現される。

　取得部１１０１は、青果物の外観画像を取得する。具体的に、取得部１１０１は、青果物が収穫された産地において取得された、青果物の収穫時外観画像を取得する。また、取得部１１０１は、産地から、青果物が消費される消費地まで輸送される間において取得された青果物の輸送中外観画像を取得する。

　取得部１１０１は、青果物の外観画像を取得する際に、記憶装置１０２０に記憶されている外観画像を取得してもよい。記憶装置１０２０に記憶されている外観画像は、画像取得システム１０２２によって取得される。

　取得部１１０１は、産地から消費地まで輸送される間の青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報を取得してもよい。取得部１１０１は、環境指標履歴情報を記憶装置１０２０から取得してもよい。

　生成部１１０２は、取得部１１０１が取得した青果物の外観画像に基づいて、当該青果物の鮮度変化の予測に関する情報である鮮度予測情報を生成する。具体的に、生成部１１０２は、青果物の外観画像を解析し、解析結果に基づいて鮮度予測情報を生成する。生成部１１０２は、青果物の鮮度予測情報を、例えば百分率で判定してもよい。生成部１１０２は、百分率で青果物の鮮度予測情報を生成する場合、最も鮮度が良い時を１００％、最も鮮度が悪い時を０％として、０％～１００％の間で判定してもよい。生成部１１０２は、外観画像の解析に際し、機械学習モデルを用いて解析する。機械学習モデルは、青果物の種類毎に生成される。

　例えば、レタスの鮮度を予測する場合、収穫されたばかりの新鮮な状態のレタス、流通過程に乗って店舗に並べられた状態のレタス、時間が経過して萎れた状態のレタス等の、様々な状態のレタスの画像を用意する。そして、様々な状態のレタスの画像を用いた機械学習によって機械学習モデルを予め生成しておく。そして、生成部１１０２は、レタスの鮮度を予測するための機械学習モデルを用いて、予測対象のレタスの鮮度を予測する。

　生成部１１０２は、青果物の鮮度予測情報を生成する際に、青果物の外観画像の解析結果に加えて、当該青果物の環境指標履歴情報を用いて、青果物の鮮度予測情報を生成してもよい。生成部１１０２は、環境指標履歴情報を用いて、青果物の鮮度予測情報を生成する場合、青果物の種類毎の環境指標履歴と青果物の鮮度変化との相関に関する鮮度変化予測情報を参照してもよい。

　生成部１１０２が生成する鮮度予測情報は、例えば、対象の青果物の現在の鮮度の予測結果及び将来の鮮度の予測結果が含まれていてもよい。生成部１１０２が将来の鮮度の予測結果を含んで鮮度予測情報を生成する場合は、当該青果物の環境指標履歴情報を用いることが望ましい。

　送信部１１０３は、生成部１１０２が生成した鮮度予測情報を外部の装置、例えば情報処理装置１０３０に送信する。情報処理装置１０３０が鮮度予測情報を受信することで、情報処理装置１０３０のユーザは予測対象の青果物について予測された鮮度の情報を知ることができる。

　送信部１１０３は、所定の条件を満たした場合に、青果物の輸送中外観画像の取得を促すアラート情報を送信してもよい。所定の条件は、青果物を追跡可能な情報に基づいて、青果物の輸送状況に変化が生じたことであってもよい。青果物を追跡可能な情報は、青果物の輸送に用いられる梱包材、又は青果物の個別の包装に貼付されたＩＣタグ、二次元バーコード等から取得可能であり、取得部１１０１は当該ＩＣタグから青果物を追跡可能な情報を取得してもよい。

　具体的に、送信部１１０３は、青果物が店頭に陳列された時点で、青果物の輸送中外観画像の取得を促すアラート情報を、当該店舗の担当者が使用する情報処理装置１０３０に送信してもよい。店舗と担当者との紐付け、担当者と当該担当者が使用する情報処理装置１０３０との紐付けは、予め記憶装置１０２０に記憶されているものとする。

　また、送信部１１０３は、青果物が購入されてから所定の時間が経過した時点で、青果物の輸送中外観画像の取得を促すアラート情報を、購入者が使用する情報処理装置１０３０に送信してもよい。購入者と当該購入者が使用する情報処理装置１０３０との紐付けは、予め記憶装置１０２０に記憶されているものとする。

　記憶部１１０４は、青果物の種類毎の環境指標履歴情報と、当該青果物の鮮度変化との相関に関する鮮度変化予測情報を記憶する。記憶部１１０４が記憶する鮮度変化予測情報は、生成部１１０２による鮮度予測情報の生成に用いられる。

　図２２は、環境指標履歴情報及び鮮度変化予測情報の例を示す図である。環境指標履歴情報１２０１の各列を説明する。ＩＤ列は、青果物を識別する情報を格納する列である。青果物列は、当該ＩＤの青果物の情報を格納する列である。収穫日時列は、当該ＩＤの青果物の収穫日時を格納する列である。環境指標履歴情報列は、当該ＩＤの青果物の環境指標履歴情報を格納する列である。環境指標履歴情報列には、青果物が保管されている環境における環境指標履歴のログが格納されている。

　鮮度変化予測情報１２０２の各列を説明する。青果物列は、青果物を識別する情報を格納する列である。鮮度変化予測情報列は、当該青果物の鮮度変化予測情報を格納する列である。鮮度変化予測情報は、環境指標履歴と青果物の鮮度変化との相関に関する情報である。

　鮮度変化予測情報は、環境指標履歴と青果物の鮮度変化との相関に関する情報である。例えば、青果物の呼吸量と、青果物の鮮度変化との間には相関があり、青果物の呼吸量は、環境指標履歴から導出できる。従って、環境指標履歴と青果物の鮮度変化との間には相関があることになる。

　本実施形態では、青果物の呼吸量の算出に、Ｍｉｃｈａｅｌｉｓ－Ｍｅｎｔｅｎ理論に基づいたモデル（ＭＭモデル）を使用している。また本実施形態では、温度の影響による青果物の呼吸量の変化をＡｒｒｈｅｎｉｕｓ式でモデル化している。従って、青果物の単位質量当たりのＯ_２消費速度およびＣＯ_２生成速度は、青果物が包装されている袋の中のガスのＯ_２濃度、ＣＯ_２濃度、及び温度により決まる。また本実施形態では、包装材のガス透過速度に、Ｆｉｃｋの第１法則とＨｅｎｒｙの気体溶解の法則に基づいたモデルを用いている。また、包装材のガス透過度も温度依存性があることが知られており、また本実施形態では、Ａｒｒｈｅｎｉｕｓ式により包装材のガス透過度の補正を行っている。

　次に、情報処理サーバ１０１０の作用について説明する。

　図２３は、情報処理サーバ１０１０による鮮度予測処理の流れを示すフローチャートである。ＣＰＵ１０１１がＲＯＭ１０１２又はストレージ１０１４から鮮度予測プログラムを読み出して、ＲＡＭ１０１３に展開して実行することにより、鮮度予測処理が行なわれる。

　ＣＰＵ１０１１は、まず鮮度の予測対象となる青果物（対象青果物）の画像を取得する（ステップＳ１１０１）。対象青果物の画像は、例えば情報処理装置１０３０が撮像してもよく、青果物が収穫された農場、青果物が小売業者に売り渡される市場、青果物が陳列される小売店、消費者の過程に設置されている冷蔵庫の庫内等に設置された撮像装置が撮像してもよい。

　ステップＳ１１０１に続いて、ＣＰＵ１０１１は、対象青果物の画像の分析を行う（ステップＳ１１０２）。ＣＰＵ１０１１は、対象青果物の画像の分析を実行する際に、青果物の種類毎に予め生成された機械学習モデルを用いて画像を分析する。ＣＰＵ１０１１は、例えば、順伝播型ニューラルネットワーク、畳み込みニューラルネットワークその他のニューラルネットワークを用いて分析処理を実行する。ＣＰＵ１１は、画像に対する分析処理を実行する際に、画像を赤、緑、青に分解した上で、それぞれの色に対する分析処理を実行してもよい。

　ステップＳ１１０２に続いて、ＣＰＵ１０１１は、対象青果物の画像の分析結果を用いて対象青果物の鮮度を予測することで鮮度予測情報を生成する（ステップＳ１１０３）。ＣＰＵ１０１１は、対象青果物の鮮度を、例えば百分率で判定してもよい。ＣＰＵ１０１１は、百分率で対象青果物の鮮度を判定する場合、最も鮮度の時を１００％、最も悪い鮮度の時を０％として、０％～１００％の間で判定してもよい。

　ＣＰＵ１０１１は、鮮度予測情報を生成する際に、対象青果物の画像の分析結果に加えて、対象青果物の環境指標履歴と青果物の鮮度変化との相関に関する鮮度変化予測情報を用いてもよい。

　ステップＳ１１０３に続いて、ＣＰＵ１０１１は、生成した鮮度予測情報を外部の装置、例えば情報処理装置３０に送信する（ステップＳ１１０４）。

　情報処理サーバ１０１０は、一連の動作を実行することで、対象青果物の画像から対象青果物の鮮度を予測し、鮮度予測情報を外部の装置に提供することができる。

　続いて、情報処理サーバ１０１０が提供して、情報処理装置１０３０に表示される情報を例示する。

　図２４は、情報処理装置１０３０が表示する情報の例を示す図である。図２４に示した情報は、青果物の画像を撮像するよう促すための情報である。符号１３１１は、情報処理サーバ１０１０から送られる通知であり、購入したレタスの画像を撮像するよう促す通知である、情報処理装置１０３０のユーザは、情報処理装置１０３０に表示された通知を見て、購入したレタスの外観の画像を撮影タイミングであることを知ることができる。

（第３実施形態）
　青果物の中には、生産者によって収穫された後も、呼吸やエチレンの排出などにより、軟化が進行したり、香り、糖、酸等が変化したりする現象が生じる青果物がある。本開示の実施形態では、そのような追熟する青果物の食べ頃を、消費者が口にする前に判定するための技術を示す。なお、青果物の食べ頃とは、消費者が食べたり、調理したりするのに適した頃合いのことであり、例えば味、食感、香り、栄養素の含有量等から食べ頃を判断できる。本実施形態の技術を適用することにより、例えば、日本産の青果物を外国へ輸出する場合、輸出先でも食べ頃であることを判定したり予測したりすることが出来る。

　図２５は、本実施形態に係る判定装置を用いた青果物の食べ頃判定システムの概略構成を示す図である。

　本実施形態に係る青果物の食べ頃判定システムは、判定装置２０１０、記憶装置２０２０、及び情報処理装置２０３０からなる。判定装置２０１０、記憶装置２０２０、及び情報処理装置２０３０は、インターネット等のネットワークで相互に接続される。

　判定装置２０１０は、収穫された青果物の食べ頃を判定する装置である。ここで、食べ頃が判定される青果物は、追熟する青果物である。追熟する青果物としては、例えばバナナ、マンゴー、西洋梨、メロン、キウイフルーツ、すもも、パパイヤ、ドリアン、パッションフルーツ、桃、柿、ヤマモモ、グレープフルーツ、梅、アンズ、プルーン、マンゴスチン、イヨカン、ポンカン、ナツミカン、八朔、温州みかん、アボカド、ゴーヤ、トマト、カボチャ、サツマイモが挙げられる。判定装置２０１０は、収穫された青果物の食べ頃を判定する際に、青果物の表面が撮像された画像を用いて判定する。具体的に、判定装置１０は、青果物の表面が撮像された画像を、機械学習によって生成された機械学習モデルに入力することで、当該青果物の食べ頃を判定する。機械学習モデルは、青果物の種類毎に生成される。

　そして、判定装置２０１０は、青果物の表面が撮像された画像を用いて判定した、青果物の食べ頃に関する判定情報を、情報処理装置２０３０に送信する。情報処理装置２０３０は、判定装置２０１０から送信された青果物の食べ頃に関する判定情報を表示する。

　判定装置２０１０は、収穫された青果物の食べ頃を判定する際に、青果物が収穫された産地から消費地まで輸送される間の青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報をさらに用いてもよい。環境指標履歴情報は、例えば、青果物の保管環境の温度情報を取得して蓄積した温度履歴情報であってもよい。環境指標履歴情報は、また例えば、青果物の保管環境の湿度情報を取得して蓄積した湿度履歴情報であってもよい。また、判定装置２０１０は、収穫された青果物の食べ頃を判定する際に、青果物の種類毎の環境指標履歴と、青果物の鮮度変化との相関に関する鮮度変化予測情報を用いてもよい。

　上述した温度条件及び湿度条件の固定値は、例えば、予め決められた、青果物の品目ごとの一般的な温度条件及び湿度条件であってもよい。例えば、消費者宅において冷蔵庫で保存されることが想定される青果物は、冷蔵庫の野菜室における温度条件及び湿度条件が、温度条件及び湿度条件の固定値として決定されてもよい。

　記憶装置２０２０は、青果物の食べ頃を判定する際に用いられる機械学習モデルを記憶する。また、記憶装置２０２０は、環境指標履歴情報及び鮮度変化予測情報を記憶する。履歴情報取得システム２０２１は、青果物の環境指標履歴情報を取得するシステムである。履歴情報取得システム２０２１は特定の構成に限定されない。例えば履歴情報取得システム２０２１は、青果物が収穫されてから店頭に並ぶまでの、青果物の保管環境における温度、湿度その他の環境指標を定期的に取得して、取得した環境指標を履歴として保持するよう構成されたシステムであり得る。記憶装置２０２０は、履歴情報取得システム２０２１が取得した青果物の環境指標履歴情報を任意のタイミングで取得する。

　情報処理装置２０３０は、例えばパーソナルコンピュータ、スマートフォン等の装置である。情報処理装置２０３０は、青果物が食べ頃かどうかの結果を知りたいユーザが使用する装置である。情報処理装置２０３０は、判定装置２０１０が生成して出力した判定情報を表示する機能を有する。ユーザは、情報処理装置２０３０が表示した判定情報を見ることで、青果物を口にする前に、その青果物の適切な食べ頃を知ることができる。

　なお、図２５に示した青果物の食べ頃判定システムの概略構成では記憶装置２０２０を含んでいたが、本開示は係る例に限定されるものでは無い。判定装置２０１０が、機械学習モデル、環境指標履歴情報及び鮮度変化予測情報を記憶していてもよい。

　図２６は、判定装置２０１０のハードウェア構成を示すブロック図である。

　図２６に示すように、判定装置２０１０は、ＣＰＵ２０１１、ＲＯＭ２０１２、ＲＡＭ２０１３、ストレージ２０１４、入力部２０１５、表示部２０１６及び通信インタフェース（Ｉ／Ｆ）２０１７を有する。各構成は、バス２０１９を介して相互に通信可能に接続されている。

　ＣＰＵ２０１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ２０１１は、ＲＯＭ２０１２またはストレージ１４からプログラムを読み出し、ＲＡＭ２０１３を作業領域としてプログラムを実行する。ＣＰＵ２０１１は、ＲＯＭ２０１２またはストレージ２０１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ２０１２またはストレージ２０１４には、青果物の食べ頃を判定する判定プログラムが格納されている。

　ＲＯＭ２０１２は、各種プログラムおよび各種データを格納する。ＲＡＭ２０１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ２０１４は、ＨＤＤ、ＳＳＤまたはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

　入力部２０１５は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

　表示部２０１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部２０１６は、タッチパネル方式を採用して、入力部２０１５として機能しても良い。

　通信インタフェース２０１７は、記憶装置２０２０、及び情報処理装置２０３０等の他の機器と通信するためのインタフェースであり、たとえば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

　上記の判定プログラムを実行する際に、判定装置２０１０は、上記のハードウェア資源を用いて、各種の機能を実現する。判定装置２０１０が実現する機能構成について説明する。

　図２７は、判定装置２０１０の機能構成の例を示すブロック図である。

　図２７に示すように、判定装置２０１０は、機能構成として、画像分析部２１０１、判定部２１０２、学習部２１０３、出力部２１０４、予測部２１０５および保存部２１０６を有する。各機能構成は、ＣＰＵ２０１１がＲＯＭ２０１２またはストレージ２０１４に記憶された判定プログラムを読み出し、実行することにより実現される。

　画像分析部２１０１は、判定対象の青果物の表面が撮像された画像に対する分析処理を実行する。画像分析部２１０１は、分析処理を実行する際に、予め生成された機械学習モデルを用いて画像を分析する。画像分析部２１０１は、例えば、順伝播型ニューラルネットワーク、畳み込みニューラルネットワークその他のニューラルネットワークを用いて分析処理を実行する。

　画像分析部１０１は、画像に対する分析処理を実行する際に、画像を赤、緑、青に分解した上で、それぞれの色に対する分析処理を実行してもよい。

　判定部２１０２は、画像分析部２１０１による分析処理の結果を用いて、判定対象の青果物の食べ頃を判定する。判定部２１０２は、青果物の食べ頃を、例えば百分率で判定してもよい。判定部２１０２は、百分率で青果物の食べ頃を判定する場合、最も良い食べ時を１００％、最も悪い食べ時を０％として、０％～１００％の間で判定してもよい。

　学習部２１０３は、判定部２１０２の判定結果を用いて、画像分析部２１０１が分析に用いた機械学習モデルを学習する。学習部２１０３は、判定部２１０２の判定結果を用いて機械学習モデルを学習することで、機械学習モデルを用いた分析精度を向上させることができる。なお、学習部２１０３は、判定部２１０２の判定結果が誤っていた場合に限り機械学習モデルを学習してもよい。

　出力部２１０４は、青果物が収穫された産地から消費地まで輸送される間の青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報を用いて、青果物の鮮度変化予測情報を出力する。具体的に、出力部２１０４は、判定対象の青果物の環境指標履歴情報から、食べ頃の判定が行われる時点の環境指標を予測し、予測した結果を青果物の鮮度変化予測情報として出力する。

　環境指標履歴情報は、例えば記憶装置２０２０に記憶されている。出力部２１０４は、青果物の鮮度変化予測情報を出力する際に、順伝播型ニューラルネットワークを用いて環境指標履歴情報から鮮度変化予測情報を出力してもよい。そして、判定部２１０２は、画像分析部２１０１による分析結果に加えて、鮮度変化予測情報を青果物の食べ頃を判定してもよい。判定部２１０２は、鮮度変化予測情報として青果物の積算酸素消費量、積算二酸化炭素排出量、積算相対湿度の少なくともいずれかを用いてもよい。

　図２８は、環境指標履歴情報及び鮮度変化予測情報の例を示す図である。環境指標履歴情報２２０１の各列を説明する。ＩＤ列は、青果物を識別する情報を格納する列である。青果物列は、当該ＩＤの青果物の情報を格納する列である。収穫日時列は、当該ＩＤの青果物の収穫日時を格納する列である。環境指標履歴情報列は、当該ＩＤの青果物の環境指標履歴情報を格納する列である。環境指標履歴情報列には、青果物が保管されている環境における環境指標履歴のログが格納されている。

　鮮度変化予測情報２２０２の各列を説明する。青果物列は、青果物を識別する情報を格納する列である。鮮度変化予測情報列は、当該青果物の鮮度変化予測情報を格納する列である。鮮度変化予測情報は、環境指標履歴と青果物の鮮度変化との相関に関する情報である。

　予測部２１０５は、環境指標履歴情報及び出力部２１０４が出力する鮮度変化予測情報に基づいて、所定の時点から将来の時点に至るまでの青果物の食べ頃に関する時系列データを予測する。なお、予測部２１０５は、環境指標履歴情報及び出力部２１０４が出力する鮮度変化予測情報に基づいて、青果物の特定の食べ頃となる時点（例えば１００％となる時点）を予測したり、特定の将来の時点での食べ頃を百分率で予測したりしてもよい。予測部２１０５は、人工回帰型ニューラルネットワークによって、青果物の特定の食べ頃となる時点を予測してもよい。特定の食べ頃は、ユーザによって指定されたものであってもよい。ユーザによる特定の食べ頃の指定例を示す。例えば、青果物の異なる追熟状態を撮像した各画像からユーザが好みの画像を選択し、その選択した画像を１００％の食べ頃と指定できるようにしてもよい。また、ユーザが味、栄養素、食感、香りなどを好みで自由に選択してもよい。例えば甘味、酸味の度合いを百分率でユーザが指定してもよく、星の数などを用いた評価によりユーザが指定してもよい。また、青果物のモデルケースからユーザが選択してもよい。例えば、とても甘くて柔らかい、さっぱりした味で硬め、等のモデルケールの中からユーザが選択してもよい。さらには、過去に保存しておいた、好みの美味しさ、又は調理に適した食べ頃を参照出来るようにしてもよい。

　保存部２１０６は、ユーザによって指定された食べ頃に関する情報をストレージ２０１４に保存する。ユーザによって指定された食べ頃に関する情報は、例えば上述した、ユーザによる特定の食べ頃の指定例で挙げた情報であるが、上述した例示に限定されるものではない。

　判定装置２０１０は、図２７に示した機能構成を有することで、青果物が撮像された画像から、機械学習モデルを用いて当該青果物の食べ頃を判定することができる。また、判定装置２０１０は、青果物の食べ頃の判定結果を用いて、判定に使用した機械学習モデルを学習することで、判定の精度を向上させることができる。

　また、判定装置２０１０は、図２７に示した機能構成を有することで、青果物が撮像された画像に加え、環境指標履歴情報から出力される、青果物の鮮度変化予測情報を用いて、当該青果物の食べ頃を判定することができる。

　次に、判定装置２０１０の作用について説明する。

　図２９は、判定装置２０１０による青果物の食べ頃の判定処理の流れを示すフローチャートである。ＣＰＵ２０１１がＲＯＭ２０１２又はストレージ２０１４から判定プログラムを読み出して、ＲＡＭ２０１３に展開して実行することにより、青果物の食べ頃の判定処理が行なわれる。

　ＣＰＵ２０１１は、まず食べ頃の判定対象となる青果物（対象青果物）の画像を取得する（ステップＳ２１０１）。対象青果物の画像は、例えば情報処理装置２０３０が撮像してもよく、対象青果物が陳列されている店舗に設置された撮像装置が撮像してもよい。

　ステップＳ２１０１に続いて、ＣＰＵ２０１１は、対象青果物の画像の分析を行う（ステップＳ２１０２）。ＣＰＵ２０１１は、対象青果物の画像の分析を実行する際に、青果物の種類毎に予め生成された機械学習モデルを用いて画像を分析する。ＣＰＵ２０１１は、例えば、順伝播型ニューラルネットワーク、畳み込みニューラルネットワークその他のニューラルネットワークを用いて分析処理を実行する。ＣＰＵ２０１１は、画像に対する分析処理を実行する際に、画像を赤、緑、青に分解した上で、それぞれの色に対する分析処理を実行してもよい。

　ステップＳ２１０２に続いて、ＣＰＵ２０１１は、画像の分析結果を用いて対象青果物の食べ頃を判定する（ステップＳ２１０３）。ＣＰＵ２０１１は、青果物の食べ頃を、例えば百分率で判定してもよい。ＣＰＵ１１は、百分率で青果物の食べ頃を判定する場合、最も良い食べ時を１００％、最も悪い食べ時を０％として、０％～１００％の間で判定してもよい。

　ステップＳ２１０３に続いて、ＣＰＵ２０１１は、判定結果を用いて画像の分析に用いた機械学習モデルを学習する（ステップＳ２１０４）。ＣＰＵ２０１１は、判定結果を用いて機械学習モデルを学習することで、機械学習モデルを用いた分析精度を向上させることができる。

　判定装置２０１０は、図２９に示した処理を実行することで、青果物が撮像された画像から、機械学習モデルを用いて当該青果物の食べ頃を判定することができる。また、判定装置２０１０は、青果物の食べ頃の判定結果を用いて、判定に使用した機械学習モデルを学習することで、判定の精度を向上させることができる。

　本実施形態に係る判定装置２０１０を用いた青果物の食べ頃判定処理の具体例を説明する。

　（具体例１）
　具体例１では、判定装置２０１０がバナナの食べ頃を判定する例を説明する。バナナは収穫された後も外観が時間と共に変化する、追熟する青果物である。バナナは外観が淡い緑色になった時点で収穫されるが、この時点ではまだ食べ頃ではない。外観が淡い緑色であったバナナは、時間の経過と共に徐々に黄色く変化する。そして、シュガースポットと呼ばれる黒い点が発生し、軸が黄色い状態を保っている時点がバナナの最適な食べ頃である。

　そこで、予め見た目が異なっているバナナの外観を撮像した画像を大量に用意し、それぞれの画像からバナナの食べ頃を判定できるような機械学習モデルを生成する。まず、バナナの画像を４段階の鮮度評価の結果と対応付け、データベース化する。続いて、ディープラーニングによる画像と鮮度結果の因果関係を解釈し、習得させる。また必要に応じて、機械学習モデルの精度を確認し、パラメータを改善する。

　図３０は、畳み込みニューラルネットワークを用いたバナナの食べ頃の判定の概要を示す図である。本実施形態では、図３０に示したように、４枚のバナナの外観の画像を結合して横１０００ピクセル、縦５００ピクセルの画像にしている。そして、畳み込みニューラルネットワークを用いて、画像からバナナの食べ頃を判定できるような機械学習モデルを予め生成する。本実施形態で使用する畳み込みニューラルネットワークは、最初の畳み込み層のフィルタ数が１６、２番目の畳み込み層のフィルタ数が３２、最後の畳み込み層のフィルタ数が６４のニューラルネットワークである。生成された機械学習モデルは、例えば記憶装置２０２０に記憶される。

　判定装置２０１０は、バナナの外観の画像からバナナの食べ頃を判定する機械学習モデルを用いて、バナナの外観の画像からそのバナナの食べ頃を判定することができる。

　判定装置２０１０は、バナナの外観の画像からバナナの食べ頃を判定する、畳み込みニューラルネットワークによる機械学習モデルに加えて、バナナの環境指標履歴情報から出力される鮮度変化予測情報を用いてもよい。機械学習モデルに加え鮮度変化予測情報を用いることで、判定装置２０１０は、機械学習モデルだけを用いる場合と比較して、バナナの食べ頃を精度よく判定することができる。

　図３１は、バナナの環境指標履歴情報の一つである積算二酸化炭素呼吸量と、バナナの全糖類含有量との関係を示したグラフである。図３１に示したように、バナナの積算二酸化炭素呼吸量と全糖類含有量とには相関関係がある。積算二酸化炭素呼吸量の増加に連れて全糖類含有量は低下するが、積算二酸化炭素呼吸量がおよそ８０００ｍｌ／ｋｇとなると、積算二酸化炭素呼吸量の増加に連れて全糖類含有量は上昇に転じる。全糖類含有量が上昇に転じた後のピークが、バナナの食べ頃が１００％となるタイミングである。

　従って、バナナの外観の画像に加えて、バナナの環境指標履歴情報から出力される鮮度変化予測情報を用いることで、判定装置２０１０は、機械学習モデルだけを用いる場合と比較して、バナナの食べ頃を精度よく判定することができる。

　図３２は、畳み込みニューラルネットワーク及び鮮度変化予測情報を用いたバナナの食べ頃の判定の概要を示す図である。図３２では、畳み込みニューラルネットワークを用いた、バナナの外観の画像からの食べ頃の判定結果と、同じバナナの鮮度変化予測情報から推測される食べ頃の判定結果とを組み合わせて、バナナの食べ頃を判定する例が示されている。図３２では、鮮度変化予測情報として、積算酸素呼吸量、積算二酸化炭素呼吸量、及び積算相対湿度を用いている。判定装置２０１０は、判定対象のバナナの鮮度変化予測情報を順伝播型ニューラルネットワーク、例えば多層パーセプトロン（Multilayer perceptron，ＭＬＰ）に入力する。

　図３３は、鮮度変化予測情報を用いたバナナの食べ頃の判定に用いる機械学習モデルを生成するためのデータセットの一例を示す図である。図３３では、１番から２３番までのデータが示されており、この中の１番、９番、１０番、１２番、１６番、１７番を除いたデータで機械学習モデルが生成されたとする。すなわち、データセットの中のおよそ４分の３のデータを用いて機械学習モデルが生成されたとする。なお図３３には示していないが、図３３のデータにそれぞれ対応するバナナの外観の画像を用いて、畳み込みニューラルネットワークの機械学習モデルが別途生成されている。もちろん、学習モデルの生成に用いられるデータは図３３に示したものに限定されない。

　そして、判定装置２０１０は、畳み込みニューラルネットワークによる処理結果と、多層パーセプトロンによる処理結果とを結合することで、判定対象のバナナについて食べ頃を判定する。

　図３４は、図３３に示したデータを、判定装置２０１０が畳み込みニューラルネットワーク及び多層パーセプトロンで処理させた場合の食べ頃判定の結果を示す図である。「予測」は、判定装置２０１０が畳み込みニューラルネットワーク及び多層パーセプトロンで処理させた結果であり、「実際」は図３３に示したデータセットにおける実際の食べ頃の値である。このように、畳み込みニューラルネットワーク及び多層パーセプトロンで処理させることで、判定装置２０１０は、実際の値と大きく外れることなくバナナの食べ頃を判定することができる。

　（具体例２）
　具体例２では、判定装置２０１０がアボカドの食べ頃を判定する例を説明する。アボカドもバナナと同様、収穫された後も外観が時間と共に変化する、追熟する青果物である。ただ、アボカドはバナナと比べると、時間の経過による外観の変化が目立ちにくい。そして、アボカドは切るまで食べ頃が分からず、切ってもまだ硬かったり、切ったら変色が進んで最適な食べ頃を過ぎていたりすることがある。

　そこで判定装置２０１０は、アボカドの外観の画像だけを用いて食べ頃を判定してもよいが、外観の画像に加えて、鮮度変化予測情報を用いて食べ頃を判定する。時間の経過による外観の変化が目立ちにくいアボカドのような青果物では、外観の画像に加えて、鮮度変化予測情報を用いて食べ頃を判定することが効果的である。

　図３５は、アボカドの環境指標履歴情報の一つである積算二酸化炭素呼吸量と、アボカドの硬度、アボカドのＬ－グルタミン酸含有量、アボカドの食べ頃との関係を示したグラフである。アボカドの食べ頃の指標は、実際にアボカドを切って確認した結果から得られたものとする。図３５に示したグラフから、アボカドの食べ頃がピークとなる積算二酸化炭素呼吸量はおよそ８０００ｍｌ／ｋｇである。

　従って、アボカドの外観の画像に加えて、アボカドの環境指標履歴情報から出力される鮮度変化予測情報を用いることで、判定装置２０１０は、機械学習モデルだけを用いる場合と比較して、アボカドの食べ頃を精度よく判定することができる。

　アボカドの環境指標履歴の一つである積算呼吸量と、アボカドの硬度変化率、果皮色変化率、及び味変化率とには相関関係がある。従って、判定装置２０１０は、アボカドの環境指標履歴情報からアボカドのある時点での積算呼吸量を推定し、推定した積算呼吸量と、アボカドの鮮度変化予測情報とを照合することで、アボカドの硬度、果皮色、味がどの程度変化したかを予測できる。そして、判定装置１０は、アボカドの硬度、果皮色、味の変化の予測結果を用いて、アボカドの食べ頃を判定できる。

　図３６は、鮮度変化予測情報を用いたアボカドの食べ頃の判定に用いる機械学習モデルを生成するためのデータセットの一例を示す図である。図３６では、１番から１２番までのデータが示されており、この中の４番、６番を除いたデータで機械学習モデルが生成されたとする。なお図３６には示していないが、図３６のデータにそれぞれ対応するアボカドの外観の画像を用いて、畳み込みニューラルネットワークの機械学習モデルが別途生成されている。もちろん、学習モデルの生成に用いられるデータは図１２に示したものに限定されない。

　そして、判定装置２０１０は、畳み込みニューラルネットワークによる処理結果と、多層パーセプトロンによる処理結果とを結合することで、判定対象のアボカドについて食べ頃を判定する。これにより、判定装置２０１０は、アボカドの外観の画像と、アボカドの鮮度変化予測情報とを用いて、アボカドの食べ頃を判定することができる。

　上述した具体例では、追熟する青果物としてバナナ及びアボカドを挙げたが、本開示は係る例に限定されない。追熟し、追熟に伴って外観が変化する青果物であれば、判定装置２０１０は、同様に畳み込みニューラルネットワークを用いて当該青果物の食べ頃を判定することができる。

　以上説明したように、本開示の実施形態によれば、青果物毎に生成された機械学習モデルを用いて、収穫された青果物の外観の画像を解析することで、その青果物の食べ頃を、消費者が口にする前に判定できる判定装置２０１０を提供することができる。また、本開示の実施形態によれば、収穫された青果物の外観の画像に加え、青果物の環境指標履歴情報から得られる鮮度変化予測情報を用いることで、青果物の食べ頃を、より精度よく判定できる判定装置２０１０を提供することができる。

　なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した鮮度予測処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、鮮度予測処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

　また、上記各実施形態では、鮮度予測処理のプログラムがＲＯＭまたはストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

　１０　鮮度予測装置
　２０　記憶装置
　３０　情報処理装置

Claims

　青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び前記青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報を記憶する記憶部と、
　前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する出力部と、
を備える、鮮度予測装置。
　前記記憶部は、前記環境指標履歴情報として、前記保管環境の温度情報を取得して蓄積した温度履歴情報を蓄積し、
　前記出力部は、前記温度履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する、請求項１に記載の鮮度予測装置。
　前記温度履歴情報は、前記保管環境における温度の実績値と、前記保管環境において予め定められた温度条件の固定値と、を合計したものである、請求項２に記載の鮮度予測装置。
　前記記憶部は、前記環境指標履歴情報として、前記保管環境の湿度情報を取得して蓄積した湿度履歴情報を蓄積し、
　前記出力部は、前記湿度履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する、請求項１～３のいずれか１項に記載の鮮度予測装置。
　前記湿度履歴情報は、前記保管環境における湿度の実績値と、前記保管環境において予め定められた湿度条件の固定値と、を合計したものである、請求項４に記載の鮮度予測装置。
　前記鮮度変化予測情報は、前記青果物の収穫時期及び収穫地の情報を含む、請求項１～５のいずれか１項に記載の鮮度予測装置。
　前記鮮度変化予測情報は、対象となる前記青果物の外観、味、匂い、硬度、成分、食感又は重量の少なくともいずれかの変化に応じて更新される、請求項１～５のいずれか１項に記載の鮮度予測装置。
　前記鮮度変化予測情報は、対象となる前記青果物の積算呼吸量に基づいて更新される、請求項１～５のいずれか１項に記載の鮮度予測装置。
　前記鮮度変化予測情報は、前記青果物を包装する包装材の材質、特性、厚さ、又は形態の少なくともいずれかの情報を含む、請求項１～５のいずれか１項に記載の鮮度予測装置。
　前記鮮度変化予測情報は、前記青果物の保管環境における酸素濃度又は二酸化炭素濃度の変化に関する情報を含む、請求項１～５のいずれか１項に記載の鮮度予測装置。
　前記出力部は、前記鮮度予測情報として、前記環境指標履歴と、前記鮮度変化予測情報に関して予め与えられている青果物に関する鮮度基準とを照合して比較した可視化データを出力する、請求項１～１０のいずれか１項に記載の鮮度予測装置。
　前記鮮度基準は、前記青果物の食べ頃に関する情報、消費者が前記青果物を購入してから消費するまでの推奨期間、前記青果物の外観、甘味、酸味、香り又は食感の少なくともいずれかについて予測される情報を含む、請求項１１に記載の鮮度予測装置。
　前記記憶部は、前記青果物が収穫された産地において取得された前記青果物の収穫時外観画像と、前記産地から前記青果物が消費される消費地まで輸送される間において取得された前記青果物の輸送中外観画像と、を記憶し、
　前記環境指標履歴情報と、前記収穫時外観画像と、前記輸送中外観画像とを蓄積し、
　前記出力部は、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する、請求項１に記載の鮮度予測装置。
　前記記憶部は、前記収穫時外観画像及び前記輸送中外観画像を、前記青果物が前記産地から前記消費地まで輸送される間において用いられる端末から取得する、請求項１３に記載の鮮度予測装置。
　前記出力部は、所定の条件を満たした場合に、前記青果物の輸送中外観画像の取得を促すアラート情報を送信する、請求項１３又は１４に記載の鮮度予測装置。
　前記所定の条件は、前記青果物を追跡可能な情報に基づいて、前記青果物の輸送状況に変化が生じたことである、請求項１５に記載の鮮度予測装置。
　機械学習モデルを用いて、前記青果物の外観が撮像された画像に対する分析処理を実行する画像分析部と、
　前記分析処理の結果に基づいて前記青果物の食べ頃を判定する判定部と、
　前記判定部の判定結果を用いて、深層学習によって前記機械学習モデルを学習する学習部と、
　をさらに備え、
　前記出力部は、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する、請求項１に記載の鮮度予測装置。
　前記画像分析部は、順伝播型ニューラルネットワークを用いて前記分析処理を実行する、請求項１７に記載の鮮度予測装置。
　前記画像分析部は、畳み込みニューラルネットワークを用いて前記分析処理を実行する、請求項１８に記載の鮮度予測装置。
　前記画像分析部は、前記画像を赤、緑、青に分解した上で前記分析処理を実行する、請求項１７～１９のいずれか１項に記載の鮮度予測装置。
　前記判定部は、前記分析処理の結果及び前記鮮度変化予測情報に基づいて前記青果物の食べ頃を判定する、請求項１７～２０のいずれか１項に記載の鮮度予測装置。
　前記出力部は、順伝播型ニューラルネットワークによって、前記環境指標履歴情報を用いて前記鮮度変化予測情報を出力する、請求項２１に記載の鮮度予測装置。
　前記判定部は、前記鮮度変化予測情報として前記青果物の積算酸素消費量、積算二酸化炭素排出量、積算相対湿度の少なくともいずれかを用いて前記青果物の食べ頃を判定する、請求項２１又は２２に記載の鮮度予測装置。
　前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて、所定の時点から将来の時点に至るまでの前記青果物の食べ頃に関する時系列データを予測する予測部をさらに備える、請求項１７～２３のいずれか１項に記載の鮮度予測装置。
　前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて、前記青果物の特定の食べ頃となる時点を予測する予測部をさらに備える、請求項１７～２４のいずれか１項に記載の鮮度予測装置。
　前記予測部は、人工回帰型ニューラルネットワークによって、前記青果物の特定の食べ頃となる時点を予測する、請求項２５に記載の鮮度予測装置。
　前記青果物は追熟する青果物である、請求項１７～２６のいずれか１項に記載の鮮度予測装置。
　コンピュータによって、
　青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報が出力される
　鮮度予測方法。
　青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報、及び青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報に基づいた前記青果物に係る鮮度予測情報を出力する
　処理をコンピュータに実行させる鮮度予測プログラム。
　青果物が収穫された産地から消費地まで輸送される間の前記青果物の保管環境における環境指標の情報を取得して蓄積した環境指標履歴に関する環境指標履歴情報と、
　前記青果物の種類毎の環境指標履歴と前記青果物の鮮度変化との相関に関する鮮度変化予測情報と、
　を含み、前記環境指標履歴情報及び前記鮮度変化予測情報に基づいて前記青果物に係る鮮度予測情報が出力される、データ構造。