WO2023032853A1 - 果実の熟度判定方法及び果実の熟度判定システム - Google Patents

果実の熟度判定方法及び果実の熟度判定システム Download PDF

Info

Publication number
WO2023032853A1
WO2023032853A1 PCT/JP2022/032241 JP2022032241W WO2023032853A1 WO 2023032853 A1 WO2023032853 A1 WO 2023032853A1 JP 2022032241 W JP2022032241 W JP 2022032241W WO 2023032853 A1 WO2023032853 A1 WO 2023032853A1
Authority
WO
WIPO (PCT)
Prior art keywords
fruit
ripeness
judging
detection result
mesocarp
Prior art date
Application number
PCT/JP2022/032241
Other languages
English (en)
French (fr)
Inventor
芳樹 山田
陽介 花井
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Priority to CN202280055142.0A priority Critical patent/CN117795337A/zh
Priority to JP2023545530A priority patent/JPWO2023032853A1/ja
Priority to DE112022004241.9T priority patent/DE112022004241T5/de
Publication of WO2023032853A1 publication Critical patent/WO2023032853A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • 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

Definitions

  • the present disclosure relates to a fruit ripeness determination method and a fruit ripeness determination system, and more particularly, a fruit ripeness determination method for determining the ripeness of a fruit from gas emitted by the fruit, and a fruit capable of realizing this method. related to the maturity determination system.
  • Patent Document 1 avocados grown to a predetermined size in a production area are harvested from trees, the harvested avocados are transported from the production area to a processing plant, and the transported avocados are heated and ripened in the processing plant. , the avocado provided to the consumer, selecting the harvesting time so as to harvest the avocado after a part of the avocado's epidermis has turned black.
  • An object of the present disclosure is to provide a fruit ripeness determination method and a fruit ripeness determination system that can determine the ripeness of bananas or avocados.
  • a fruit ripeness determination method is a method for determining the ripeness of a fruit.
  • Said fruit is a banana.
  • Volatile components released from the pericarp of the fruit are collected.
  • a detection result of the volatile component is acquired using the detection unit.
  • the detection unit includes 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl alcohol, iso Means for outputting the detection result according to the amount of at least one marker component selected from the group consisting of pentyl alcohol (3-methyl-1-butanol), isopentyl acetate, isopentyl hexanoate, and isobutyl isovalerate. .
  • the degree of maturity of the fruit is determined based on the detection result.
  • a fruit ripeness determination method is a method for determining the ripeness of a fruit.
  • Said fruit is an avocado.
  • Volatile components released from the pericarp of the fruit are collected.
  • a detection result of the volatile component is acquired using the detection unit.
  • the detection unit includes 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2-propanol, 2-octanone, and Means for outputting the detection result according to the amount of at least one marker component selected from the group consisting of 4-ethoxy-2-butanone.
  • the degree of maturity of the fruit is determined based on the detection result.
  • a fruit ripeness determination system is a fruit ripeness determination system that realizes the fruit ripeness determination method.
  • the ripeness determination system includes the detection unit and a determination unit that determines the ripeness of the fruit based on the detection result output from the detection unit.
  • FIG. 1 is a schematic system configuration diagram of a sensor device and a ripeness determination system according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic explanatory diagram of a gas sensor included in the sensor device of the same.
  • FIG. 3A is a graph showing the relationship between the number of days elapsed and the color of the outer peel (HUE value) for bananas.
  • FIG. 3B is a graph showing the relationship between age and mesocarp firmness for bananas.
  • FIG. 4 is a graph showing the relationship between exocarp color (HUE value) and mesocarp hardness for bananas.
  • FIG. 5A is a graph showing the relationship between the result of judging the color of the exocarp from the detection result of the volatile components using the gas chromatograph and the actual exocarp color of the banana.
  • FIG. 5B is a graph showing the relationship between the results of judging the hardness of the mesocarp from the results of detecting volatile components using a gas chromatograph and the actual hardness of the mesocarp of a banana.
  • FIG. 6A is a graph showing the relationship between the result of judging the color of the outer pericarp from the detection result of the volatile components using the sensor device and the actual color of the outer pericarp.
  • FIG. 6B is a graph showing the relationship between the result of judging the hardness of the mesocarp from the detection result of the volatile components using the sensor device and the actual hardness of the mesocarp.
  • FIG. 7A is a graph showing the relationship between the elapsed days and the peak intensity of isopentyl alcohol contained in the detection results of volatile components using a gas chromatograph for bananas.
  • FIG. 7B is a graph showing the relationship between the elapsed days and the peak intensity of 1-methoxy-2-propanol contained in the detection results.
  • FIG. 7C is a graph showing the relationship between the elapsed days and the peak intensity of 1-butanol contained in the detection results.
  • FIG. 8A is a graph showing the relationship between elapsed days and mesocarp color (HUE value) for avocado.
  • FIG. 8B is a graph showing the relationship between age and mesocarp firmness for avocados.
  • FIG. 9 is a graph showing the relationship between mesocarp color (HUE value) and mesocarp firmness for avocado.
  • FIG. 10A is a graph showing the relationship between the results of judging the color of mesocarp from the results of detection of volatile components using a gas chromatograph and the actual mesocarp color of avocado.
  • FIG. 10A is a graph showing the relationship between the results of judging the color of mesocarp from the results of detection of volatile components using a gas chromatograph and the actual mesocarp color of avocado.
  • FIG. 10B is a graph showing the relationship between the results of judging the hardness of the mesocarp from the detection results of volatile components using a gas chromatograph and the actual hardness of the mesocarp of avocado.
  • FIG. 11A is a graph showing the relationship between the results of judging the color of the mesocarp from the detection results of the volatile components using the sensor device and the actual mesocarp color of the avocado.
  • FIG. 11B is a graph showing the relationship between the results of judging the hardness of the mesocarp from the detection results of the volatile components using the sensor device and the actual hardness of the avocado.
  • Fruits such as bananas and avocados continue to ripen over time even after harvesting, so it is required to be managed so that they can be sold at retail stores in an appropriate state of ripening.
  • Bananas and avocados temporarily release ethylene in the early stages of ripening, and ethylene acts as a hormone to promote their own ripening.
  • the inventor considered evaluating the degree of ripeness of bananas and avocados by quantifying this ethylene.
  • the period when ethylene is released is limited, and ripeness cannot be evaluated by ethylene outside of this period.
  • bananas most of the bananas consumed in Japan are imported from the country of origin, but the Plant Protection Act prohibits the importation of yellow bananas that have matured to prevent pests from entering. Therefore, in the country of origin, unripened green bananas are harvested and imported to Japan. Bananas that arrive in Japan are ripened by undergoing a process called after-ripening before being sold at retail stores. Ripening is done, for example, by exposing the bananas to ethylene gas in a room called a muro. Ripening conditions affect the sweetness and flavor of bananas.
  • the hardness and appearance of the avocado peel hardly change even as the avocado matures, so it is difficult to determine the degree of ripeness of the avocado based on the hardness and appearance of the peel. .
  • the inventor conducted his own research and found that each stored banana and avocado releases a specific gas other than ethylene, and that the amount of gas released changes over time. It has been found.
  • the inventors have developed a method for detecting the gas emitted from each of the banana and avocado and determining the degree of ripeness based on the results.
  • a fruit ripeness determination method is a method for determining the ripeness of a fruit.
  • the fruit is banana or avocado.
  • this method collects the volatile components released from the outer pericarp of the fruit.
  • a detection result of a volatile component is acquired using a detection unit (output means) 1 .
  • the detection unit 1 in this case includes 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl Means for outputting a detection result according to the amount of at least one marker component selected from the group consisting of alcohol, isopentyl alcohol (3-methyl-1-butanol), isopentyl acetate, isopentyl hexanoate, and isobutyl isovalerate is. Based on this detection result, the degree of maturity of the fruit is determined.
  • Banana contains 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl alcohol, isopentyl alcohol. (3-Methyl-1-butanol), isopentyl acetate, isopentyl hexanoate, and isobutyl isovalerate are released, and the release of these components varies according to the ripeness of the banana. Therefore, if at least one of these components is used as a marker component and a detection result corresponding to the amount of the marker component released from the banana is obtained, the ripeness of the banana can be determined based on this detection result. can.
  • this method collects the volatile components released from the outer pericarp of the fruit.
  • a detection result of a volatile component is acquired using the detection unit 1 .
  • the detection unit 1 in this case includes 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2-propanol, 2- Means for outputting a detection result according to the amount of at least one marker component selected from the group consisting of octanone and 4-ethoxy-2-butanone. Based on this detection result, the degree of maturity of the fruit is determined.
  • banana refers to a fruit of the Musaceae family Musaceae, whose mesocarp is suitable for food.
  • Representative varieties of bananas include Giant Cavendish, Taiwanese banana, Banapple, Rakatan, Monkey banana, Island banana, Sanshaku banana, Morado, and Plantain.
  • avocado refers to the fruits of evergreen tall trees belonging to the family Lauraceae, alligator pear, whose mesocarp is suitable for food.
  • Representative varieties of avocado include Hass, Fuerte, Bacon, Pinkerton, and Reed.
  • the detection result output by the detection unit 1 is information that depends on the amount of the marker component in the volatile component. It may be information that does not directly indicate .
  • the detection unit 1 is preferably means for outputting detection results according to the amounts of two or more types of marker components. That is, when the fruit is a banana, the detection unit 1 detects 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone , butyl butyrate, isoamyl butyrate, isobutyl alcohol, isopentyl alcohol (3-methyl-1-butanol), isopentyl acetate, isopentyl hexanoate, and isobutyl isovalerate.
  • it is a means for outputting a detection result according to.
  • the detection unit 1 contains 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2- It is preferably a means for outputting a detection result according to the amount of two or more marker components selected from the group consisting of propanol, 2-octanone, and 4-ethoxy-2-butanone.
  • the detection result may be a set of two or more pieces of information corresponding to respective amounts in two or more marker components, and information dependent on the amounts of each of the two or more marker components. Information corresponding to the amount of marker components may not be separated.
  • the ripeness of the fruit can be determined more accurately by using two or more types of marker components.
  • the maturity of the fruit is determined not only by using the amounts of the two or more marker components separately, but also by utilizing the correlation between the amounts of the two or more marker components, the ripeness of the fruit can be determined. can be determined more accurately.
  • the detection unit 1 is not particularly limited as long as it outputs a detection result according to the amount of one or more types of marker components. There is no limitation on the aspect of the detection result as long as it depends on the amount of the marker component.
  • the detection result may be a numerical value or a pattern such as a waveform.
  • the detection unit 1 includes a gas sensor 2, for example.
  • a gas sensor 2 for example.
  • the signal output by the gas sensor 2 when a volatile component is supplied to the gas sensor 2 or the information obtained by converting this signal is the detection result.
  • the gas sensor 2 may be a sensor array including a plurality of sensor elements Ax having different sensitivity characteristics.
  • the detection result is, for example, a set of signals output by the plurality of sensor elements Ax or information obtained by converting these signals.
  • the gas sensor 2 is a sensor array in this way, the degree of ripeness can be determined from a combination of a plurality of pieces of information, so the accuracy of determination of the degree of ripeness can be improved.
  • FIG. 1 shows an example of a sensor device, which is a detection unit 1 equipped with a gas sensor 2.
  • FIG. 1 also shows a ripeness judging system 5 including the detection unit 1, but the ripeness judging system 5 will be explained later, and the sensor device will be explained first.
  • the sensor device includes a sensor chamber 10, a gas sensor 2, and a substrate 20.
  • the sensor chamber 10 includes a housing space 11.
  • the sensor chamber 10 is connected to an introduction path 12 and an exhaust path 13 that respectively lead to the housing space 11 .
  • the sensor chamber 10 is configured such that the volatile components are introduced into the accommodation space 11 through the introduction path 12, and the volatile components in the accommodation space 11 are further discharged from the accommodation space 11 to the outside through the exhaust path 13. .
  • the sensor device may include a blower or the like for sending the sample gas into the housing space 11 .
  • the gas sensor 2 and the substrate 20 are housed in the housing space 11 .
  • a substrate 20 is arranged in the accommodation space 11 and the gas sensor 2 is arranged on the substrate 20 .
  • the gas sensor 2 outputs a signal according to the amount of the marker component, as described above.
  • the gas sensor 2 changes its electrical characteristic value in response to the marker component, and the amount of change in the electrical characteristic value depends on the amount of the marker component.
  • the gas sensor 2 is a sensor array including a plurality of sensor elements Ax with different sensitivity characteristics.
  • the gas sensor 2 includes 16 sensor elements Ax.
  • the 16 sensor elements Ax are sometimes referred to as sensor elements A1 to A16 (see FIG. 2).
  • the 16 sensor elements A1 to A16 are arranged on the substrate 20 in 4 rows and 4 columns.
  • Each of the plurality of sensor elements Ax includes, for example, a matrix containing an organic material and conductive particles dispersed in the matrix.
  • Each sensor element Ax shown in FIG. 2 is a circular film in plan view, but the shape of each sensor element Ax is not limited to this.
  • a material that has the property of adsorbing the marker component is selected as the organic material.
  • Organic materials include, for example, polydiethylene glycol adipate, diethylene glycol succinate, diglycerol, tetrahydroxyethylenediamine, poly(ethylene glycol succinate), polyethylene glycol 4000 (manufactured by Sigma-Aldrich), polyethylene glycol 20000 (manufactured by Sigma-Aldrich), Polyethylene glycol 20M (manufactured by Shinwa Kako Co., Ltd.), free fatty acid phase (Free Fatty Acid Polymer, manufactured by Shinwa Kako Co., Ltd.), 1,2,3-tris(2-cyanoethoxy)propane, N,N-bis(2- Cyanoethyl)formamide, Lac-3R-728 (manufactured by GL Science), Reoplex 400 (manufactured by Shinwa Kako Co., Ltd.), SP-2330 (manufactured by Sigma-Ald
  • Each of these materials includes 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl alcohol.
  • Isopentyl alcohol (3-methyl-1-butanol), isopentyl acetate, isopentyl hexanoate, and isobutyl isovalerate. available for decision making.
  • Each of these materials also contains 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2-propanol, 2 -octanone and 4-ethoxy-2-butanone, it can be used to determine the degree of ripeness of avocado.
  • the gas sensor 2 includes a plurality of sensor elements Ax
  • the plurality of sensor elements Ax are provided with mutually different organic materials
  • the plurality of sensor elements Ax can have mutually different sensing characteristics.
  • the organic material is not limited to the above as long as it has the property of adsorbing the marker component.
  • Conductive particles include, for example, at least one material selected from the group consisting of carbon materials, conductive polymers, metals, metal oxides, semiconductors, superconductors and complex compounds.
  • Carbon materials include, for example, at least one material selected from the group consisting of carbon black, graphite, coke, carbon nanotubes, graphene, and fullerenes.
  • the conductive polymer contains, for example, at least one material selected from the group consisting of polyaniline, polythiophene, polypyrrole and polyacetylene.
  • Metals include, for example, at least one material selected from the group consisting of silver, gold, copper, platinum and aluminum.
  • Metal oxides include, for example, at least one material selected from the group consisting of indium oxide, tin oxide, tungsten oxide, zinc oxide, and titanium oxide.
  • the semiconductor includes, for example, at least one material selected from the group consisting of silicon, gallium arsenide, indium phosphide and molybdenum sulfide.
  • the superconductor includes , for example , at least one material selected from the group consisting of YBa2Cu3O7 and Tl2Ba2Ca2Cu3O10 .
  • Complex compounds include, for example, a complex compound of tetramethylparaphenylenediamine and chloranil, a complex compound of tetracyanoquinodimethane and an alkali metal, a complex compound of tetrathiafulvalene and halogen, and a complex compound of iridium and a halocarbonyl compound. , and at least one material selected from the group consisting of tetracyanoplatinum.
  • each sensor element Ax When the organic material in each sensor element Ax adsorbs the marker component, the volume of the matrix increases and the distance between the conductive particles in each sensor element Ax increases. Accordingly, the electrical resistance value of each sensor element Ax increases. As the amount of the marker component adsorbed to the organic material increases, the electrical resistance value of each sensor element Ax increases. Therefore, the change in the electrical resistance value of each sensor element Ax is information that depends on the amount of the marker component.
  • the substrate 20 includes electrodes connected to each sensor element Ax. When a voltage is applied from the electrodes to the sensor elements Ax, a current corresponding to the electrical resistance of each sensor element Ax flows. A current corresponding to this electrical resistance value or information obtained by converting this current is acquired as an output of each sensor element Ax. A set of outputs from the sensor elements Ax is the result of detection by the sensor device.
  • the detection unit 1 may be a gas chromatograph.
  • the detection unit 1 may be an appropriate means other than the above.
  • the aspect of the detection unit 1 when the detection unit 1 includes a gas sensor is not limited to the above.
  • the aspect of the gas sensor is not limited to the above, and when the marker component is adsorbed, bound, trapped, or interacted with an appropriate gas sensor, the weight, electrical characteristics (electric resistance value, dielectric constant, etc.) of the gas sensor ), the resonance frequency, the amount of light emitted, or the amount of radiation emitted, the intensity or amount of change may be obtained as the detection result.
  • the detection unit 1 may be a means for measuring the weight of the marker component after liquefying or solidifying the marker component in the volatile component by, for example, condensing it.
  • the detection unit 1 may be means for quantifying the marker component by measuring the absorbance of the marker component in the volatile component.
  • the detector 1 outputs a signal obtained from the gas detector as a detection result when the volatile component is introduced directly or with the volatile component held in the adsorption tube into a measuring instrument equipped with a gas detector. It may be a means to The measurement instrument may be provided with a separation device such as a capillary column for separating the marker component from the volatile components before the detector.
  • An example of the detection unit 1 in this case is the gas chromatograph described above.
  • the detector is, for example, a detector by catalytic oxidation non-dispersive infrared absorption method (NDIR method), a detector by flame ionization method (FID method), a photoionization detector (PID), a mass spectrometer (MS), or a semiconductor type gas sensor.
  • the detection unit 1 may be a detection tube.
  • the detector tube is, for example, a glass tube tightly filled with a detecting agent that reacts with a marker component, and having graduations on the surface of the glass tube.
  • a volatile component is introduced into the detector tube, the part that reacts with the marker component of the detector changes color.
  • the degree of discoloration of the sensing agent is the detection result. For example, the length of the discolored portion of the sensing agent can be read from a scale and from this length the amount of marker component introduced into the sensing tube can be quantified.
  • the evaluation model may be a trained model obtained by executing machine learning using learning data. For example, the combination of the detection results and the maturity of fruits whose maturity is known in advance is accumulated as learning data. This learning data is used to create a trained model for judging the maturity level from the detection results. This trained model can then be used to determine the degree of maturity from the detection results for fruits whose degree of maturity is unknown.
  • an artificial intelligence program (algorithm) is caused to machine-learn learning data to generate a trained model.
  • Artificial intelligence programs are machine learning models, such as random forests or neural networks.
  • the fruit ripeness determination system 5 implements a ripeness determination method for fruits such as bananas or avocados.
  • the ripeness determination system 5 includes a detection unit 1 and a determination unit 55 that determines the ripeness of fruit based on the detection result output from the detection unit 1 .
  • FIG. 1 shows an outline of a configuration example of a maturity determination system 5 that includes a sensor device as the detection unit 1 .
  • the detection unit 1 is not limited to a sensor device.
  • the maturity level determination system 5 includes a processing unit 50 including a determination unit 55, a storage unit 52, and a display unit 57.
  • the processing unit 50 is a control circuit that controls the operation of the maturity determination system 5 .
  • the processing unit 50 can be implemented by, for example, a computer system including one or more processors (microprocessors) and one or more memories. That is, one or more processors function as the processing unit 50 by executing one or more programs (applications) stored in one or more memories.
  • the program is pre-recorded in the memory or storage unit 52 of the processing unit 50 here, it may be provided through an electric communication line such as the Internet or recorded in a non-temporary recording medium such as a memory card. .
  • the processing unit 50 includes, in addition to the determination unit 55, an acquisition unit 53, a learning unit 54, and an output unit 56, as shown in FIG. FIG. 1 does not show the actual configuration of the acquisition unit 53 , the learning unit 54 , the determination unit 55 , and the output unit 56 , but shows the functions realized by the processing unit 50 .
  • the acquisition unit 53 acquires the detection result output by the sensor device that is the detection unit 1 .
  • the learning unit 54 causes an artificial intelligence program (algorithm) to machine-learn learning data to generate a learned model, and stores this learned model in the storage unit 52 .
  • the learning unit 54 in the preparatory stage before judging the maturity of the fruit whose maturity is unknown using the maturity judging system 5, detects the detection result and the maturity of the fruit whose maturity is known. are accumulated in the storage unit 52 as learning data, and the learning phase of creating a trained model MD1 from this learning data is in charge of the learning phase.
  • the learning unit 54 may improve the performance of the trained model MD1 by performing re-learning using learning data newly collected by the acquisition unit 53 after generating the trained model MD1.
  • the output unit 56 outputs to the display unit 57 the result of the judgment made by the judging unit 55 on the ripening of the fruit.
  • the storage unit 52 includes one or more storage devices.
  • the storage device is, for example, RAM, ROM, EEPROM, or the like.
  • the storage unit 52 stores the above-described learned model MD1 and the like.
  • the trained model MD1 may be generated in the learning phase using the maturity determination system 5 as described above, or may be generated by a learning system other than the maturity determination system 5. FIG. If the trained model MD1 is generated by a learning system other than the maturity level determination system 5, the maturity level determination system 5 does not have to include the learning unit .
  • the display unit 57 displays the determination result output by the output unit 56 to the outside in a manner that can be recognized by humans.
  • the display unit 57 is, for example, a device that visually displays the result of judging the degree of ripeness of the fruit.
  • the display unit 57 includes a display device such as a liquid crystal display.
  • the display unit 57 may be a device that displays the result of judging the degree of ripeness of the fruit by voice.
  • the display unit 57 is equipped with, for example, a buzzer or a speaker.
  • the user activates the processing unit 50 by operating the power switch, for example, and causes the ripeness determination system 5 to start the operation of determining the ripeness of the fruit.
  • the user introduces the volatile components released from the fruit into the accommodation space 11 through the introduction path 12 to expose the gas sensor 2 to the volatile components (exposure step).
  • the acquisition unit 53 acquires the detection results such as the electrical resistance value of the gas sensor 2 (acquisition step ST3).
  • the determination unit 55 determines the maturity level by inputting the detection result acquired by the acquisition unit 53 into the learned model MD1 (determination step).
  • the output unit 56 outputs the judgment result of the judging unit 55 to the display unit 57 (output step). Thereby, the user can confirm the ripeness of the fruit by confirming the display contents of the display unit 57 .
  • the fruit whose degree of maturity is determined may or may not be ripened. When the fruit is not ripened, it is difficult to grasp the degree of ripeness of the fruit from its appearance.
  • the method for judging the degree of maturity may include judging the ripening condition of the fruit based on the result of judging the degree of maturity.
  • Ripening conditions for fruits are selected from the group consisting of, for example, the temperature and humidity of the atmosphere in a room, the gas composition of the atmosphere (e.g., the concentration of each of ethylene and carbon dioxide in the atmosphere), and the period required for ripening. contains at least one
  • the after-ripening conditions are based on the degree of maturity required when the fruit is sold at a retail store and the delivery date of the fruit desired by the retailer. is determined to be In this case, after ripening the fruit appropriately by further ripening, it becomes easy to sell the fruit.
  • Judgment of ripening conditions for fruit is performed by, for example, creating a database in advance that stores correspondence relationships between degrees of ripeness and ripening conditions, and using this database to search for ripening conditions corresponding to the degree of maturity. It is done by outputting the result.
  • the combination of the judging result of the ripeness and the ripening condition ripeness is accumulated as learning data in advance, and this learning data is used. Create a trained model for judging the ripening conditions from the ripeness judgment results, and use this trained model to judge the ripening conditions from the ripeness judgment results for fruits whose ripening conditions are unknown.
  • the ripeness determination system 5 in the present disclosure includes a computer system in the processing unit 50 and the like.
  • a computer system is mainly composed of a processor and a memory as hardware.
  • the processor executes a program recorded in the memory of the computer system, thereby realizing the function as the maturity level determination system 5 in the present disclosure.
  • the program may be recorded in advance in the memory of the computer system, may be provided through an electric communication line, or may be recorded in a non-temporary recording medium such as a computer system-readable memory card, optical disk, or hard disk drive. may be provided.
  • a processor in a computer system consists of one or more electronic circuits, including semiconductor integrated circuits (ICs) or large scale integrated circuits (LSIs).
  • the integrated circuit such as IC or LSI referred to here is called differently depending on the degree of integration, and includes integrated circuits called system LSI, VLSI (Very Large Scale Integration), or ULSI (Ultra Large Scale Integration).
  • an FPGA Field-Programmable Gate Array
  • a plurality of electronic circuits may be integrated into one chip, or may be distributed over a plurality of chips.
  • a plurality of chips may be integrated in one device, or may be distributed in a plurality of devices.
  • a computer system includes a microcontroller having one or more processors and one or more memories. Accordingly, the microcontroller also consists of one or more electronic circuits including semiconductor integrated circuits or large scale integrated circuits.
  • a plurality of functions in the maturity determination system 5 are integrated in one housing. may be provided dispersedly. Furthermore, at least a part of the functions of the maturity level determination system 5, for example, a part of the functions of the maturity level determination system 5 may be realized by the cloud (cloud computing) or the like.
  • the gas sensor 2 has 16 sensor elements Ax, but the number of sensor elements Ax can be changed as appropriate.
  • 16 sensor elements Ax are arranged in 4 rows and 4 columns, but the arrangement of the plurality of sensor elements Ax is not limited to the arrangement of the above embodiment.
  • the sensitive elements may be arranged in a line, or may be arranged on one or a plurality of concentric circles with a gap between them.
  • the learned model MD1 is stored in the storage unit 52 of the maturity level determination system 5.
  • the maturity level determination system 5 stores the learned model MD1 arranged on the cloud. It may be used to determine the ripeness of the fruit. That is, the determination unit 55 of the ripeness determination system 5 inputs the detection result output by the detection unit 1 to the learned model on the cloud, and obtains the determination result from the learned model on the cloud to determine whether the fruit is ripe. degree can be determined.
  • the average value of the HUE values of the epicarp in the image is calculated using ImageJ, an image processing software, and this average value is used for the epicarp. HUE value.
  • ImageJ an image processing software
  • HUE value On each of the above days, the HUE value of each exocarp of a plurality of bananas was measured.
  • the color of the epicarp was bluish at the beginning of the test, but from around the 11th day, it became yellowish, and from around the 22nd day, it turned yellow overall. It became blackish from about the 29th day, and the whole turned black on the 37th day.
  • the graph in Fig. 3A shows the relationship between the number of days elapsed since the start of the test and the color of the epicarp (HUE value).
  • the horizontal axis of FIG. 3A is the number of days elapsed from the start of the test, and the vertical axis is the HUE value of the epicarp.
  • the graph in FIG. 3B shows the relationship between the number of days elapsed from the start of the test and the hardness of the mesocarp (measured by a force gauge).
  • the horizontal axis of FIG. 3B is the number of days elapsed from the start of the test, and the vertical axis is the mesocarp measurement value (unit: N) using a force gauge.
  • FIG. 4 shows the relationship between the color of the exocarp and the hardness of the mesocarp. According to FIG. 4, there is a high correlation between the color of the exocarp and the hardness of the mesocarp, and the coefficient of determination (R 2 ) between them was a high value of 0.93.
  • both the color of the exocarp and the hardness of the mesocarp are indicators of banana ripeness.
  • determining the color of the banana exocarp and determining the hardness of the banana mesocarp are both synonymous with determining the degree of ripeness of the banana.
  • the graph in FIG. 5A shows the relationship between the result of judging the color of the banana epicarp from the detection results contained in the test data using the trained model and the actual banana epicarp color contained in the test data. show.
  • the vertical axis of this graph indicates the result of judging the color of the banana epicarp, and the horizontal axis indicates the actual color of the banana epicarp.
  • the determination result and the actual value have a high correlation, and the coefficient of determination (R 2 ) between them is a high value of 0.967, and the average absolute error is 1.847. was a low value.
  • the graph in FIG. 5B shows the relationship between the result of judging the hardness of the banana mesocarp from the detection results contained in the test data using the trained model and the hardness of the actual banana mesocarp contained in the test data.
  • the vertical axis of this graph indicates the result of judging the hardness of the banana mesocarp
  • the horizontal axis indicates the actual hardness of the banana mesocarp.
  • the determination result and the actual value have a high correlation
  • the coefficient of determination (R 2 ) between the two is a high value of 0.877, and the average absolute error is 1.026. was a low value.
  • the trained model for determining the color of the banana exocarp and the trained model for determining the hardness of the banana mesocarp 1-butanol, 1-methylhexyl butyrate , 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl alcohol, isopentyl alcohol (3-methyl-1-butanol), isopentyl acetate, It has been suggested that signals derived from isopentyl hexanoate and isobutyl isovalerate are involved in the determination.
  • the volatile components contained isopentyl acetate, 1-methylhexyl butyrate, 2-pentanone, 2-pentanol acetate, isobutyl isovalerate, The contributions of the signals derived from each of isopentyl acetate and isoamyl butyrate to the determination were higher in this order.
  • the marker components include, inter alia, 1-methylhexyl butyrate, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, isobutyl alcohol, isopentyl acetate and isobutyl isovalerate.
  • Verification of using the sensor device as a detection unit The combination of the detection results obtained by the above “(2) Measurement using the sensor device” and the color of the banana outer pericarp is accumulated as learning data. , from this learning data, a trained model, which is an algorithm for judging the color of the banana epicarp from the detection results, was created by a neural network. In creating the trained model, 80% of the learning data was used as teacher data to build a classifier, and the remaining 20% was used as test data.
  • the graph in FIG. 6A shows the relationship between the result of judging the color of the banana epicarp from the detection results contained in the test data using the trained model and the actual banana epicarp color contained in the test data. show.
  • the vertical axis of this graph indicates the result of judging the color of the banana epicarp, and the horizontal axis indicates the actual color of the banana epicarp.
  • the determination result and the actual value have a high correlation, and when the coefficient of determination (R 2 ) between the two is calculated, it is a high value of 0.88, and the root mean square deviation (RMSE) is It was a low value of 7.7.
  • the combination of the detection result obtained by the above "(2) Measurement using a sensor device" and the hardness of the banana mesocarp is accumulated as learning data, and from this learning data, a neural network detects A trained model, an algorithm for judging the hardness of banana mesocarp, was created from the results.
  • 80% of the learning data was used as teacher data to build a classifier, and the remaining 20% was used as test data.
  • the graph in FIG. 6B shows the relationship between the result of determining the hardness of the banana mesocarp from the detection results included in the test data using the trained model and the hardness of the actual banana mesocarp included in the test data.
  • the vertical axis of this graph indicates the result of judging the hardness of the banana mesocarp
  • the horizontal axis indicates the actual hardness of the banana mesocarp.
  • the determination result and the actual value have a high correlation, and when the coefficient of determination (R 2 ) between the two is calculated, it is a high value of 0.99, and the root mean square deviation (RMSE) is It was a low value of 2.2.
  • the ripeness of bananas can be determined fairly accurately based on the detection results obtained by using the sensor device including the gas sensor as the detection unit.
  • FIGS. 7A to 7C The relationship between the peak intensity and the elapsed days is shown in FIGS. 7A to 7C.
  • FIG. 7A is the result for isopentyl alcohol
  • FIG. 7B is the result for 1-methoxy-2-propanol
  • FIG. 7C is the result for 1-butanol.
  • the amounts of isopentyl alcohol, 1-methoxy-2-propanol, and 1-butanol change with the passage of time differ from each other.
  • the graph in Fig. 8A shows the relationship between the number of days elapsed since the start of the test and the color of the mesocarp (HUE value).
  • the horizontal axis of FIG. 8A is the number of days elapsed from the start of the test, and the vertical axis is the HUE value of the mesocarp.
  • the graph in FIG. 8B shows the relationship between the number of days elapsed from the start of the test and the hardness of the mesocarp (measured by a force gauge).
  • the horizontal axis of FIG. 8B is the number of days elapsed from the start of the test, and the vertical axis is the mesocarp measurement value (unit: N) using a force gauge.
  • FIG. 9 shows the relationship between mesocarp color and mesocarp hardness. According to FIG. 9, the correlation between the color of the mesocarp and the hardness of the mesocarp is high, and the coefficient of determination (R 2 ) between them is a high value of 0.42.
  • both the color of the mesocarp and the hardness of the mesocarp are indicators of the degree of ripeness of the avocado. That is, determining the color of the avocado mesocarp and determining the hardness of the avocado mesocarp are both synonymous with determining the degree of ripeness of the avocado.
  • the graph in FIG. 10A shows the relationship between the results of determining the color of the avocado mesocarp from the detection results included in the test data using the trained model and the actual color of the avocado mesocarp included in the test data. show.
  • the vertical axis of this graph indicates the result of judging the color of the avocado mesocarp, and the horizontal axis indicates the actual color of the avocado mesocarp.
  • the determination result and the actual value have a high correlation
  • the coefficient of determination (R 2 ) between the two is a high value of 0.774, and the average absolute error is 0.973. was a low value.
  • the graph in FIG. 10B shows the relationship between the results of determining the hardness of the avocado mesocarp from the detection results included in the test data using the trained model and the hardness of the actual avocado mesocarp included in the test data.
  • the vertical axis of this graph indicates the result of judging the hardness of the avocado mesocarp
  • the horizontal axis indicates the actual hardness of the avocado mesocarp.
  • the determination result and the actual value have a high correlation
  • the coefficient of determination (R 2 ) between the two is a high value of 0.325
  • the average absolute error is 0.272. was a low value.
  • Verification of using the sensor device as a detection unit The combination of the detection results obtained by the above “(2) Measurement using the sensor device” and the color of the avocado mesocarp is accumulated as learning data. , from this learning data, a trained model, which is an algorithm for judging the color of the avocado mesocarp from the detection results, was created by a neural network. In creating the trained model, 80% of the learning data was used as teacher data to build a classifier, and the remaining 20% was used as test data.
  • the graph in FIG. 11A shows the relationship between the result of determining the color of the avocado mesocarp from the detection results included in the test data using the trained model and the actual color of the avocado mesocarp included in the test data. show.
  • the vertical axis of this graph indicates the result of judging the color of the avocado mesocarp, and the horizontal axis indicates the actual color of the avocado mesocarp.
  • the determination result and the actual value had a high correlation, and the coefficient of determination (R 2 ) between them was a high value of 0.71.
  • the combination of the detection result obtained by the above "(2) measurement using a sensor device" and the hardness of the avocado mesocarp is accumulated as learning data, and from this learning data, a neural network detects Based on the results, a trained model, an algorithm for judging the firmness of avocado mesocarp, was created.
  • 80% of the learning data was used as teacher data to build a classifier, and the remaining 20% was used as test data.
  • the graph in FIG. 11B shows the relationship between the results of determining the hardness of the avocado mesocarp from the detection results included in the test data using the trained model and the hardness of the actual avocado mesocarp included in the test data.
  • the vertical axis of this graph indicates the result of judging the hardness of the avocado mesocarp
  • the horizontal axis indicates the actual hardness of the avocado mesocarp.
  • the judgment result and the actual value had a high correlation, and the coefficient of determination (R 2 ) between them was a high value of 0.97.
  • the ripeness of the avocado can be determined fairly accurately based on the detection results obtained by using the sensor device including the gas sensor as the detection unit.
  • the determination result and the actual value had a higher correlation than when the gas chromatograph was used as the detection unit. This is because the column in the gas chromatograph has selectivity, so that all the compounds in the volatile components cannot be covered in a single measurement. There is a possibility that this contributes to the improvement of the accuracy of determination. In addition, compounds with low boiling points such as methane and ethane were not detected in the measurement using the gas chromatograph this time.
  • 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2-propanol, 2- Octanone and 4-ethoxy-2-butanone are both compounds produced by avocado metabolism, and the release of these compounds may increase or decrease during the process of avocado ripening. It is presumed that this reflects chemical reactions such as formation, polymerization or decomposition of compounds in the avocado during the process of ripening the avocado. Therefore, it is considered that the ripeness of avocado can be determined with good accuracy by using these compounds as marker components.
  • the method for judging the degree of ripeness of fruit according to the first aspect of the present disclosure is a method for judging the degree of ripeness of fruit.
  • the fruit is banana.
  • the volatile components released from the epicarp of the fruit are collected.
  • a detection result of a volatile component is obtained using a detection unit (1).
  • Detector (1) contains 1-butanol, 1-methylhexylbutyrate, 1-methoxy-2-propanol, 2-methoxyfuran, 2-pentanol acetate, 2-pentanone, butyl butyrate, isoamyl butyrate, and isobutyl alcohol.
  • isopentyl alcohol (3-methyl-1-butanol)
  • isopentyl acetate isopentyl hexanoate
  • isobutyl isovalerate is determined based on the detection result.
  • the first aspect it is possible to determine the degree of ripeness of bananas without damaging them, and it is easy to improve the accuracy of determination.
  • a fruit ripeness determination method is a method for determining the ripeness of a fruit.
  • the fruit is an avocado.
  • the volatile components released from the epicarp of the fruit are collected.
  • a detection result of a volatile component is obtained using a detection unit (1).
  • Detector (1) contains 2,3,6,7-tetramethyloctane, menthol, 2,2,8-trimethyldecane, limonene, 3-(1-methylethenyl)toluene, xylene, 2-propanol, and 2-octanone. , and 4-ethoxy-2-butanone.
  • the degree of ripeness of the fruit is determined based on the detection result.
  • the second aspect it is possible to determine the ripeness of the avocado without damaging the avocado, and it is easy to improve the accuracy of the determination.
  • the fruit is not ripened in the first or second aspect.
  • the third aspect it is possible to determine the degree of maturity of the fruit even in the pre-ripening state in which it is difficult to determine the degree of maturity from the appearance.
  • a fourth aspect of the present disclosure in the third aspect, includes judging the ripening condition of the fruit based on the result of judging the degree of maturity.
  • the fourth aspect it is possible to determine the ripening condition of the fruit even in a pre-ripening state in which it is difficult to determine the degree of ripeness from the appearance.
  • the detection unit (1) is means for outputting a detection result according to the amount of each of the two or more marker components. .
  • the fifth aspect it is easier to improve the accuracy of judging the degree of maturity.
  • the detector (1) includes a gas sensor (2).
  • the gas sensor (2) is a sensor array including a plurality of sensor elements (Ax) having mutually different sensitive characteristics.
  • the seventh aspect it is easy to further improve the accuracy of judging the degree of ripeness.
  • the detection unit (1) is a gas chromatograph.
  • the eighth aspect it is easier to increase the accuracy of judging the degree of ripeness.
  • determination is made by performing arithmetic processing on the detection result.
  • the ninth aspect it is easy to further improve the accuracy of judging the degree of maturity.
  • the evaluation model is used to make a determination based on the detection results.
  • An evaluation model is a trained model obtained by executing machine learning using learning data.
  • the tenth aspect it is easy to further improve the accuracy of judging the degree of maturity.
  • a fruit ripeness determination system (5) is a fruit ripeness determination system that realizes the fruit ripeness determination method according to any one of the first to tenth aspects. It has a detection unit (1) and a determination unit (55) that determines the degree of ripeness of fruit based on the detection result output from the detection unit (1).
  • the eleventh aspect it is possible to determine the degree of ripeness of bananas or avocados without damaging the bananas or avocados, and it is easy to increase the accuracy of determination.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

バナナ又はアボカドの熟度を判定できる果実の熟度判定方法を、提供する。バナナ又はアボカドの外果皮から放出される揮発成分を採取する。検出部を用いて、揮発成分についての検出結果を取得する。検出部は、特定の化合物よりなる群から選択される少なくとも一種のマーカ成分の量に応じて検出結果を出力する。検出結果に基づいて、バナナ又はアボカドの熟度を判定する。

Description

果実の熟度判定方法及び果実の熟度判定システム
　本開示は、果実の熟度判定方法及び果実の熟度判定システムに関し、より詳細には、果実が放出するガスから果実の熟度を判定する果実の熟度判定方法及びこの方法を実現できる果実の熟度判定システムに関する。
　特許文献１は、産地で所定の大きさに生育したアボカドを樹木から収穫し、この収穫されたアボカドを産地から加工場まで輸送し、この輸送されたアボカドを加工場で加温追熟した後、消費者に提供されるアボカドにおいて、アボカドの表皮の一部が黒色になった以降にアボカドを収穫するように収穫時期を選定することを、開示する。
特開２００２－３３０６２５号公報
　本開示の課題は、バナナ又はアボカドの熟度を判定できる果実の熟度判定方法及び果実の熟度判定システムを、提供することである。
　本開示の一態様に係る果実の熟度判定方法は、果実の熟度を判定する方法である。前記果実はバナナである。前記果実の外果皮から放出される揮発成分を採取する。検出部を用いて、前記揮発成分についての検出結果を取得する。前記検出部は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種のマーカ成分の量に応じて前記検出結果を出力する手段である。前記検出結果に基づいて、前記果実の熟度を判定する。
　本開示の別の一態様に係る果実の熟度判定方法は、果実の熟度を判定する方法である。前記果実はアボカドである。前記果実の外果皮から放出される揮発成分を採取する。検出部を用いて、前記揮発成分についての検出結果を取得する。前記検出部は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される少なくとも一種のマーカ成分の量に応じて前記検出結果を出力する手段である。前記検出結果に基づいて、前記果実の熟度を判定する。
　本開示の一態様に係る果実の熟度判定システムは、前記果実の熟度判定方法を実現する果実の熟度判定システムである。前記熟度判定システムは、前記検出部と、前記検出部から出力された前記検出結果に基づいて前記果実の熟度を判定する判定部とを備える。
図１は、本開示の一実施形態に係るセンサ装置及び熟度判定システムの概略的なシステム構成図である。 図２は、同上のセンサ装置が備えるガスセンサの概略的な説明図である。 図３Ａは、バナナについての、経過日数と外果皮の色（ＨＵＥ値）との関係を示すグラフである。図３Ｂは、バナナについての、経過日数と中果皮の硬さとの関係を示すグラフである。 図４は、バナナについての、外果皮の色（ＨＵＥ値）と中果皮の硬さとの関係を示すグラフである。 図５Ａは、バナナについての、ガスクロマトグラフを使用した揮発成分の検出結果から外果皮の色を判定した結果と、実際の外果皮の色との関係を示すグラフである。図５Ｂは、バナナについての、ガスクロマトグラフを使用した揮発成分の検出結果から中果皮の硬さを判定した結果と、実際の中果皮の硬さとの関係を示すグラフである。 図６Ａは、バナナについての、センサ装置を使用した揮発成分の検出結果から外果皮の色を判定した結果と、実際の外果皮の色との関係を示すグラフである。図６Ｂは、バナナについての、センサ装置を使用した揮発成分の検出結果から中果皮の硬さを判定した結果と、実際の中果皮の硬さとの関係を示すグラフである。 図７Ａは、バナナについての、経過日数と、ガスクロマトグラフを使用した揮発成分の検出結果に含まれるイソペンチルアルコールのピーク強度との関係を示すグラフである。図７Ｂは、経過日数と、前記の検出結果に含まれる１－メトキシ－２－プロパノールのピーク強度との関係を示すグラフである。図７Ｃは、経過日数と、前記の検出結果に含まれる１－ブタノールのピーク強度との関係を示すグラフである。 図８Ａは、アボカドについての、経過日数と中果皮の色（ＨＵＥ値）との関係を示すグラフである。図８Ｂは、アボカドについての、経過日数と中果皮の硬さとの関係を示すグラフである。 図９は、アボカドについての、中果皮の色（ＨＵＥ値）と中果皮の硬さとの関係を示すグラフである。 図１０Ａは、アボカドについての、ガスクロマトグラフを使用した揮発成分の検出結果から中果皮の色を判定した結果と、実際の中果皮の色との関係を示すグラフである。図１０Ｂは、アボカドについての、ガスクロマトグラフを使用した揮発成分の検出結果から中果皮の硬さを判定した結果と、実際の中果皮の硬さとの関係を示すグラフである。 図１１Ａは、アボカドについての、センサ装置を使用した揮発成分の検出結果から中果皮の色を判定した結果と、実際の中果皮の色との関係を示すグラフである。図１１Ｂは、アボカドについての、センサ装置を使用した揮発成分の検出結果から中果皮の硬さを判定した結果と、実際の中果皮の硬さとの関係を示すグラフである。
　以下、本開示の一実施形態について説明する。
　まず、発明者による本開示についての開発の経緯の概略を説明する。
　バナナ及びアボカドなどの果実は、収穫後も時間の経過に応じて熟成が進むため、熟成の程度が適切な状態で販売店における販売に供されるように管理されることが要求される。
　特許文献１（特開２００２－３３０６２５号公報）に記載されている技術では、アボカドの表皮の色から収穫時期を選定するが、その後の熟成の程度を確認することは難しい。
　バナナ及びアボカドは、熟成初期にエチレンを一時的に放出し、エチレンをホルモンとして作用されることで自身の熟成を促進させる。発明者は、このエチレンを定量することで、バナナ及びアボカドの熟度を評価することを検討した。しかし、エチレンが放出される時期は限られており、それ以外の時期はエチレンにより熟度を評価ができない。
　また、バナナに関しては、日本で消費されるバナナの大半は原産国から輸入されるが、植物防疫法では、害虫侵入防止のため、防止成熟した黄色いバナナの輸入は禁止されている。そのため、原産国では熟成の進んでいない青いバナナが収穫され、このバナナが日本に輸入される。日本に到着したバナナは小売店で販売される前に追熟とよばれる処置が施されることで熟成される。追熟は、例えば室（むろ）と呼ばれる部屋でバナナがエチレンガスにさらされることで、行われる。追熟の条件は、バナナの甘味及び風味に影響を与える。
　日本に輸入された青いバナナが追熟の前に２～３週間常温で保管されても、バナナの硬さ及び見かけはほとんど変化しないが、発明者の独自の研究によると、青いバナナが保管される期間が長くなると、追熟によってバナナが熟しやすい。このことは、バナナが青い状態であってもバナナの熟成は時間の経過に従って進み、それに応じてバナナの追熟のための最適な条件が変化してしまうことを、意味する。
　しかし、上記のとおり保管中の青いバナナの外果皮の硬さ及び見かけはほとんど変化しないため、バナナの外果皮の硬さ及び見かけに基づいてバナナの熟度を確認することは困難である。バナナの中果皮の硬さを確認することでバナナの熟度を確認することも考えられるが、その場合は、バナナの外果皮を剥かねばならいため、バナナの商品価値が損なわれる。バナナの外果皮を強く押せば中果皮の硬さを確かめることもできるが、中果皮がダメージを受けやすくなるため、やはりバナナの商品価値が損なわれる。また、青いバナナはエチレンを殆ど放出しないため、エチレンに基づいて熟度を評価することは困難である。そのため、青いバナナの熟度に応じて追熟の条件を設定することは、大変困難であり、そのため、適度に熟した状態でバナナを小売店で販売するのは容易ではなかった。
　また、アボカドに関しては、アボカドの熟成が進んでもアボカドの外果皮の硬さ及び見かけは殆ど変化しないため、やはり外果皮の硬さ及び外観に基づいてアボカドの熟度を判定することは困難である。アボカドの場合も、中果皮の硬さを確認することで熟度を確認することが考えられるが、その場合は、バナナの場合と同様、アボカドの商品価値が損なわれる。
　このような事情を鑑みて、発明者が独自に研究を進めた結果、保管中のバナナ及びアボカドの各々からエチレン以外の特定のガスが放出され、かつガスの放出量が時間の経過に従って変化することが判明した。発明者は、このバナナの及びアボカドの各々から放出されるガスを検出し、その結果に基づいて熟度を判定する方法を、開発した。
　実施形態及び変形例について、図１及び図２を参照して説明する。なお、下記の実施形態及び変形例は、本開示の様々な実施形態の一部に過ぎない。また、下記の実施形態及び変形例は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、変形例の構成を適宜組み合わせることも可能である。
　以下において参照する図は、いずれも模式的な図であり、図中の構成要素の寸法比が、必ずしも実際の寸法比を反映しているとは限らない。
　本開示の一実施形態に係る果実の熟度判定方法は、果実の熟度を判定する方法である。果実は、バナナ又はアボカドである。
　果実がバナナである場合、本方法では、果実の外果皮から放出される揮発成分を採取する。検出部（出力手段）１を用いて、揮発成分についての検出結果を取得する。この場合の検出部１は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種のマーカ成分の量に応じて検出結果を出力する手段である。この検出結果に基づいて、果実の熟度を判定する。
　バナナは、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルを放出し、かつこれらの成分の放出量は、バナナの熟度に従って変化する。このため、これらの成分のうち少なくとも一種をマーカ成分とし、バナナから放出されるマーカ成分の量に応じた検出結果を得れば、この検出結果に基づいて、バナナの熟度を判定することができる。
　果実がアボカドである場合、本方法では、果実の外果皮から放出される揮発成分を採取する。検出部１を用いて、揮発成分についての検出結果を取得する。この場合の検出部１は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される少なくとも一種のマーカ成分の量に応じて検出結果を出力する手段である。この検出結果に基づいて、果実の熟度を判定する。
　アボカドは、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンを放出し、かつこれらの成分の放出量は、アボカドの熟度に従って変化する。このため、これらの成分のうち少なくとも一種をマーカ成分とし、アボカドから放出されるマーカ成分の量に応じた検出結果を得れば、この検出結果に基づいて、アボカドの熟度を判定することができる。
　本実施形態について、更に詳しく説明する。
　本実施形態において、バナナは、バショウ科バショウ属の果実のうち、中果皮が食用に適したものをいう。バナナの代表的な品種として、ジャイアント・キャベンディッシュ、台湾バナナ、バナップル、ラカタン、モンキーバナナ、島バナナ、三尺バナナ、モラード、及びプランテインが挙げられる。アボカドは、クスノキ科ワニナシ属の常緑高木の果実のうち、中果皮が食用に適したものをいう。アボカドの代表的な品種として、ハス種、フェルテ種、ベーコン種、ピンカートン種、及びリード種が挙げられる。
　検出部１が出力する検出結果は、揮発成分中のマーカ成分の量に依存する情報であり、そうであるならば、マーカ成分の量を直接的に示す情報であっても、マーカ成分の量を直接的には示さない情報であってもよい。
　検出部１は、二種以上のマーカ成分の量に応じた検出結果を出力する手段であることが好ましい。すなわち、果実がバナナである場合には、検出部１は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される二種以上のマーカ成分の量に応じて検出結果を出力する手段であることが好ましい。果実がアボカドの場合は、検出部１は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される二種以上のマーカ成分の量に応じて検出結果を出力する手段であることが好ましい。検出結果は、二種以上のマーカ成分中の各々の量に対応する二種以上の情報等の集合であってもよく、二種以上のマーカ成分の各々の量に依存する情報ではあるが各マーカ成分の量に対応する情報に分離されていないものであってもよい。
　この場合、二種以上のマーカ成分を利用することで、果実の熟度がより正確に判定されうる。特に、二種以上のマーカ成分の量を別個に利用するだけでなく、二種以上のマーカ成分の量の間の相互関係を利用して果実の熟度を判定すれば、果実の熟度が更に正確に判定されうる。
　検出部１は、一種又は二種以上のマーカ成分の量に応じた検出結果を出力するのであれば、特に制限されない。検出結果の態様には、マーカ成分の量に依存する結果であれば制限はない。例えば検出結果は数値であってもよく、波形等のパターンであってもよい。
　検出部１は、例えばガスセンサ２を備える。その場合、例えばガスセンサ２へ揮発成分が供給された場合にガスセンサ２が出力する信号、又はこの信号が変換されて得られる情報が、検出結果である。
　検出部１がガスセンサ２を備える場合、ガスセンサ２は、互いに異なる感応特性を有する複数のセンサ素子Ａｘを含むセンサアレイであってもよい。この場合、検出結果は、例えば、複数のセンサ素子Ａｘが出力する信号、又はこの信号が変換されて得られる情報の、集合である。このようにガスセンサ２がセンサアレイであると、複数の情報の組み合わせから熟度を判定することができるため、熟度の判定精度を高めることができる。
　図１に、ガスセンサ２を備える検出部１であるセンサ装置の一例を示す。図１は、検出部１を備える熟度判定システム５も示すが、熟度判定システム５については後に改めて説明するものとし、まずはセンサ装置について説明する。
　センサ装置は、センサ室１０と、ガスセンサ２と、基板２０とを備える。
　センサ室１０は、収容空間１１を内包する。センサ室１０には、収容空間１１に各々通じる導入路１２及び排気路１３が接続されている。センサ室１０は、揮発成分が導入路１２から収容空間１１に導入され、収容空間１１内の揮発成分が更に収容空間１１から排気路１３を通って外部に排出されるように、構成されている。センサ装置は、収容空間１１に試料ガスを送り込むための送風装置等を備えていてもよい。ガスセンサ２及び基板２０は収容空間１１に収容されている。収容空間１１内に基板２０が配置され、基板２０の上にガスセンサ２が配置されている。
　ガスセンサ２は、上述のとおり、マーカ成分の量に応じた信号を出力する。例えばガスセンサ２は、マーカ成分に感応して自身の電気的特性値を変化させ、かつ電気的特性値の変化量がマーカ成分の量に依存する。
　本実施形態では、ガスセンサ２は、互いに感応特性が異なる複数のセンサ素子Ａｘを含むセンサアレイである。本実施形態ではガスセンサ２が１６個のセンサ素子Ａｘを含む。１６個のセンサ素子Ａｘを、それぞれセンサ素子Ａ１～Ａ１６（図２参照）と表記することがある。１６個のセンサ素子Ａ１～Ａ１６は、基板２０の上に４行４列に並んで配置されている。
　複数のセンサ素子Ａｘの各々は、例えば有機材料を含むマトリクスと、マトリクス中に分散している導電粒子とを備える。図２に示す各センサ素子Ａｘは、平面視円形状の膜であるが、各センサ素子Ａｘの形状はこれに限られない。
　有機材料として、マーカ成分を吸着する性質を有する材料が選択される。有機材料は、例えばアジピン酸ポリジエチレングリコール、コハク酸ジエチレングリコール、ジグリセロール、テトラヒドロキシエチレンジアミン、ポリ（エチレングリコールスクシナート）、ポリエチレングリコール４０００（シグマアルドリッチ社製）、ポリエチレングリコール２００００（シグマアルドリッチ社製）、ポリエチレングリコール２０Ｍ（信和化工株式会社製）、遊離脂肪酸相（Ｆｒｅｅ　Ｆａｔｔｙ　Ａｃｉｄ　Ｐｏｌｙｍｅｒ、信和化工株式会社製）、１，２，３－トリス（２－シアノエトキシ）プロパン、Ｎ，Ｎ－ビス（２－シアノエチル）ホルムアミド、Ｌａｃ－３Ｒ－７２８（ＧＬサイエンス社製）、Ｒｅｏｐｌｅｘ　４００（信和化工株式会社製）、ＳＰ－２３３０（シグマアルドリッチ社製）、ＳＰ－２３４０（シグマアルドリッチ社製）、及びＵＣＯＮ　７５－ＨＢ－９００００（信和化工株式会社製）よりなる群から選択される少なくとも一種を含有する。これらの材料の各々は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種の成分を吸着する性質を有するため、バナナの熟度を判定するために利用できる。また、これらの材料の各々は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される少なくとも一種の成分を吸着する性質を有するため、アボカドの熟度を判定するためにも利用できる。
　ガスセンサ２が複数のセンサ素子Ａｘを含む場合、複数のセンサ素子Ａｘが、互いに異なる有機材料を備えれば、複数のセンサ素子Ａｘが互いに異なる感応特性を有することができる。有機材料は、マーカ成分を吸着する性質を有するならば、上記のみには限られない。
　導電性粒子は、例えば、炭素材料、導電性ポリマー、金属、金属酸化物、半導体、超伝導体及び錯化合物からなる群より選ばれる少なくとも一種の材料を含む。炭素材料は、例えばカーボンブラック、グラファイト、コークス、カーボンナノチューブ、グラフェン及びフラーレンからなる群より選ばれる少なくとも一種の材料を含む。導電性ポリマーは、例えばポリアニリン、ポリチオフェン、ポリピロール及びポリアセチレンからなる群より選ばれる少なくとも一種の材料を含む。金属は、例えば、銀、金、銅、白金及びアルミニウムからなる群より選ばれる少なくとも一種の材料を含む。金属酸化物は、例えば酸化インジウム、酸化スズ、酸化タングステン、酸化亜鉛及び酸化チタンからなる群より選ばれる少なくとも一種の材料を含む。半導体は、例えば、ケイ素、ガリウムヒ素、リン化インジウム及び硫化モリブデンからなる群より選ばれる少なくとも一種の材料を含む。超伝導体は、例えば、ＹＢａ２Ｃｕ３Ｏ７及びＴｌ２Ｂａ２Ｃａ２Ｃｕ３Ｏ１０からなる群より選ばれる少なくとも一種の材料を含む。錯化合物は、例えば、テトラメチルパラフェニレンジアミンとクロラニルとの錯化合物、テトラシアノキノジメタンとアルカリ金属との錯化合物、テトラチアフルバレンとハロゲンとの錯化合物、イリジウムとハロカルボニル化合物との錯化合物、及びテトラシアノ白金からなる群より選ばれる少なくとも一種の材料を含む。
　各センサ素子Ａｘにおける有機材料がマーカ成分を吸着すると、マトリクスの体積が増大することで、各センサ素子Ａｘにおける導電性粒子の間距離が長くなる。それに応じて、各センサ素子Ａｘの電気抵抗値が大きくなる。有機材料に吸着するマーカ成分の量が多くなるほど、各センサ素子Ａｘの電気抵抗値は大きくなる。このため、各センサ素子Ａｘの電気抵抗値の変化は、マーカ成分の量に依存する情報である。
　基板２０は、各センサ素子Ａｘに接続されている電極を備える。電極からセンサ素子Ａｘに電圧が印加されると、各センサ素子Ａｘには自身の電気抵抗値に応じた電流が流れる。この電気抵抗値に応じた電流、又はこの電流が変換されて得られる情報が、各センサ素子Ａｘの出力として取得される。このセンサ素子Ａｘの出力の集合が、センサ装置による検出結果である。
　検出部１は、ガスクロマトグラフであってもよい。その場合、例えばガスクロマトグラフへ揮発成分が供給された場合にガスクロマトグラフが出力するクロマトグラム、又はこのクロマトグラムが変換されて得られる情報が、検出結果である。
　検出部１は、上記以外の適宜の手段であってもよい。
　検出部１がガスセンサを備える場合の検出部１の態様は上記のみに制限されない。例えば、ガスセンサの態様は上記に限られず、適宜のガスセンサにマーカ成分が吸着され、結合され、トラップされ、又は相互作用した場合などに、ガスセンサの重量、電気的特性（電気抵抗値、誘電率など）、共振周波数、発する光量、又は放射する放射線量などの、強度又は変化量などが、検出結果として取得されてもよい。
　検出部１が、揮発成分中のマーカ成分を凝結させるなどして液化又は固化させてからマーカ成分の重量を測定する手段であってもよい。
　検出部１が、揮発成分中のマーカ成分の吸光度を測定することでマーカ成分を定量する手段であってもよい。
　検出部１は、揮発成分を、直接又は揮発成分を吸着管に保持させた状態で、ガス検出器を備えた測定機器に導入された場合に、ガス検出器から得られるシグナルを検出結果として出力する手段であってもよい。測定機器には、検出器の前段に、揮発成分からマーカ成分を分離するためのキャピラリーカラム等の分離装置を備えてもよい。この場合の検出部１の一例として、上記のガスクロマトグラフが挙げられる。検出器は、例えば触媒酸化非分散赤外吸収法（ＮＤＩＲ法）による検出器、水素炎イオン化法（ＦＩＤ法）による検出器、光イオン化検出器（ＰＩＤ）、質量分析器（ＭＳ）、又は半導体型ガスセンサである。
　検出部１は、検知管でもよい。検知管は、例えばガラス管内にマーカ成分に反応する検知剤を緊密に充填し、かつガラス管の表面に目盛を付したものである。揮発成分を検知管内へ導入した場合、検知剤のマーカ成分と反応した部分が変色する。この検知剤の変色の程度が、検出結果である。例えば検知剤における変色した部分の長さを目盛から読み取り、この長さから、検知管に導入されたマーカ成分の量を定量できる。
　検出結果に基づいて熟度を判定するにあたり、検出結果に対して演算処理を実行することで、評価を行うことができる。演算処理を行うにあたり、評価モデルを用いた演算処理を行うことで、検出結果に基づいて、評価を行うことができる。この場合、評価モデルは、学習用データを用いた機械学習の実行により得られた学習済みモデルであってよい。例えば事前に熟度が既知である果実についての検出結果とその熟度との組み合わせを学習データとして蓄積する。この学習データを利用して検出結果から熟度を判定するための学習済みモデルを作成する。そうすると、この学習済みモデルを使用して、熟度が未知な果実についての検出結果から熟度を判定できる。学習済みモデルを作成するためには、例えば人工知能のプログラム（アルゴリズム）に学習データを機械学習させることで学習済みモデルを生成させる。人工知能のプログラムは、機械学習のモデルであり、例えばランダムフォレスト又はニューラルネットワーク等である。
　果実の熟度判定システム５について説明する。果実の熟度判定システム５は、果実であるバナナ又はアボカドの熟度判定方法を実現する。熟度判定システム５は、検出部１と、検出部１から出力された検出結果に基づいて果実の熟度を判定する判定部５５とを備える。
　図１に、検出部１としてセンサ装置を備える熟度判定システム５の構成例の概略を示す。なお、既に説明したとおり、検出部１はセンサ装置には限られない。
　図１に示す例では、熟度判定システム５は、判定部５５を含む処理部５０と、記憶部５２と、表示部５７とを備える。
　処理部５０は、熟度判定システム５の動作を制御する制御回路である。処理部５０は、例えば、１以上のプロセッサ（マイクロプロセッサ）と１以上のメモリとを含むコンピュータシステムにより実現され得る。つまり、１以上のプロセッサが１以上のメモリに記憶された１以上のプログラム（アプリケーション）を実行することで、処理部５０として機能する。プログラムは、ここでは処理部５０のメモリ又は記憶部５２に予め記録されているが、インターネット等の電気通信回線を通じて、又はメモリカード等の非一時的な記録媒体に記録されて提供されてもよい。
　処理部５０は、図１に示すように、判定部５５に加えて、取得部５３と、学習部５４と、出力部５６とを含む。図１は、取得部５３と、学習部５４と、判定部５５と、出力部５６と、は実体のある構成を示しているわけではなく、処理部５０によって実現される機能を示している。
　取得部５３は、検出部１であるセンサ装置が出力した検出結果を取得する。
　学習部５４は、人工知能のプログラム（アルゴリズム）に学習データを機械学習させることで学習済みモデルを生成させ、この学習済みモデルを記憶部５２に記憶させる。つまり、学習部５４は、熟度判定システム５を使用して熟度が未知の果実の熟度の判定を行う前の準備段階において、熟度が既知である果実についての検出結果とその熟度との組み合わせを学習データとして記憶部５２に蓄積しておき、この学習データから学習済みモデルＭＤ１を作成する学習フェーズを担当する。なお、学習部５４は、学習済みモデルＭＤ１の生成後に取得部５３が新たに収集した学習データを用いて再学習を行うことで、学習済みモデルＭＤ１の性能の向上を図ってよい。
　判定部５５は、記憶部５２に記憶されている学習済みモデルＭＤ１を利用して、検出結果に基づき、果実の熟度を判定する。果実の熟度を判定するとは、果実の熟成の程度を人間が認識できる方法で判定することである。例えば判定部５５は、果実の熟成の程度に対応する数値を選択することで果実の熟度を判定してもよく、果実の熟成の程度に対応する色を選択することで果実の熟度を判定してもよく、果実の熟成の程度に対応する文言を選択することで果実の熟度を判定してもよい。
　出力部５６は、判定部５５が果実の熟成を判定した結果を、表示部５７へ出力する。
　記憶部５２は、１以上の記憶装置を含む。記憶装置は、例えば、ＲＡＭ、ＲＯＭ、又はＥＥＰＲＯＭ等である。記憶部５２は、上述の学習済みモデルＭＤ１等を記憶する。学習済みモデルＭＤ１は、上述のとおり熟度判定システム５を使用した学習フェーズによって生成されてもよいが、熟度判定システム５以外の学習システムで生成されてもよい。学習済みモデルＭＤ１が熟度判定システム５以外の学習システムで生成される場合は、熟度判定システム５が学習部５４を備えなくてもよい。
　表示部５７は、出力部５６が出力した判定の結果を、人間が認識できる方法で外部へ表示する。表示部５７は、例えば、果実の熟度を判定した結果を可視的に表示する装置であり、その場合、表示部５７は例えば液晶ディスプレイ等のディスプレイ装置を含む。表示部５７は、果実の熟度を判定した結果を音声で表示する装置であってもよく、その場合、表示部５７は、例えばブザー又はスピーカを備える。
　熟度判定システム５の推論フェーズの動作の一例を説明する。なお、この推論フェーズの動作は、前記のとおり一例に過ぎず、処理の順序が適宜変更されてもよいし、処理が適宜追加又は省略されてもよい。
　ユーザは、例えば電源スイッチを操作するなどして、処理部５０を起動し、熟度判定システム５に果実の熟度を判定する動作を開始させる。ユーザは、導入路１２を通して収容空間１１に果実から放出された揮発成分を導入して、ガスセンサ２を揮発成分に暴露する（暴露ステップ）。
　取得部５３は、ガスセンサ２の電気抵抗値などの検出結果を取得する（取得ステップＳＴ３）。判定部５５は、取得部５３が取得した検出結果を、学習済みモデルＭＤ１に入力することによって熟度を判定する（判定ステップ）。
　判定部５５によって熟度が判定されると、出力部５６は、判定部５５の判定結果を表示部５７に出力する（出力ステップ）。これにより、ユーザは、表示部５７の表示内容を確認することで、果実の熟度を確認することができる。
　上記実施形態は、本開示の様々な実施形態の一つに過ぎない。上記実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。以下、上記の実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。
　熟度が判定される果実は、追熟が行われていてもよく、追熟が行われていなくてもよい。果実の追熟が行われていない場合には、外観から果実の熟度が把握されにくいが、そのような場合であっても、本実施形態の場合は、果実の熟度を判定できる。
　本実施形態に係る熟度判定方法は、熟度を判定した結果に基づいて、果実の追熟条件を判定することを含んでもよい。果実の追熟条件は、例えば室などの雰囲気の温度及び湿度、雰囲気の気体の組成（例えば雰囲気中のエチレン及び二酸化炭素の各々の濃度）、並びに追熟に要する期間などよりなる群から選択される少なくとも一つを含む。例えば、追熟条件は、果実が小売店で販売される際に要求される熟度と、小売りが希望する果実の納期とに基づき、果実が熟度が納期において小売店が希望する熟度となるように、判定される。この場合、果実を追熟によって適切に熟成した上で、販売することが容易となる。果実の追熟条件の判定は、例えば熟度と追熟条件との対応関係を蓄積したデータベースをあらかじめ作成しておき、このデータベースを利用して、熟度に対応する熟成条件を検索してその結果を出力することで行われる。また、熟度の判定の場合と同様、追熟条件を判定するにあたり、例えば事前に熟度の判定結果と追熟条件熟度との組み合わせを学習データとして蓄積し、この学習データを利用して熟度の判定結果から追熟条件を判定するための学習済みモデルを作成し、この学習済みモデルを使用して追熟条件が未知な果実についての熟度の判定結果から追熟条件を判定してもよい。
　本開示における熟度判定システム５は、処理部５０等にコンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における熟度判定システム５としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Ｖｅｒｙ　Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）、又はＵＬＳＩ（Ｕｌｔｒａ　Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。
　また、熟度判定システム５における複数の機能が、１つの筐体内に集約されていることは熟度判定システム５に必須の構成ではなく、熟度判定システム５の構成要素は、複数の筐体に分散して設けられていてもよい。さらに、熟度判定システム５の少なくとも一部の機能、例えば、熟度判定システム５の一部の機能がクラウド（クラウドコンピューティング）等によって実現されてもよい。
　上記実施形態の熟度判定システム５では、ガスセンサ２が１６個のセンサ素子Ａｘを備えているが、センサ素子Ａｘの数は適宜変更が可能である。また、上記実施形態の熟度判定システム５では、１６個のセンサ素子Ａｘが４行４列に配置されているが、複数のセンサ素子Ａｘの配置は上記実施形態の配置に限定されず、複数の感応素子はライン状に並ぶように配置されてもよいし、１又は複数の同心円上に間隔を開けて並ぶように配置されてもよい。
　上記実施形態の熟度判定システム５では、学習済みモデルＭＤ１が熟度判定システム５の記憶部５２に保存されているが、熟度判定システム５は、クラウド上に配置された学習済みモデルＭＤ１を利用して果実の熟度を判定してもよい。すなわち、熟度判定システム５の判定部５５は、検出部１が出力した検出結果をクラウド上の学習済みモデルに入力し、クラウド上の学習済みモデルから判定結果を取得することで、果実の熟度を判定してもよい。
　以下、実施例として、本実施形態に係る果実の熟度判定方法及び熟度判定システムによって、果実の熟度を判定できることを検証した結果を示す。
　１．バナナの熟度の判定
　（１）ガスクロマトグラフを用いた測定
　大阪中央卸売市場で、追熟されていないフィリピン産の青いバナナを購入し、このバナナを直ちに２３℃の室の内に静置した。バナナを室に入れた日から、１日目、４日目、７日目、１１日目、１４日目、１７日目、２２日目、２５日目、２９日目、３２日目、及び３７日目の各々において、バナナの外果皮から放出された揮発成分を含むガス（３Ｌ分）を、吸着剤（ｔｅｎａｘ）入れた吸着管に導入して吸着剤に吸着させることで捕集した。この吸着管を加熱することで吸着剤からガスを脱離させ、このガスをガスクロマトグラフ質量分析計（株式会社島津製作所製、ＧＣＭＳ－ＱＰ２０１０　Ｕｌｔｒａ）を用いて、下記の条件で分析した。
　ａ　ガスクロマトグラフの構成
－カラム：ＩｎｅｒｔＣａｐ　５ＭＳ／Ｓｉｌ．内径０．２５ｍｍ、長さ３０ｍ、膜厚０．２５μｍ、ガードカラム１０ｍ。
－注入口：ＯＰＴＩＣ４。
－オートサンプラー：ＡＯＣ－５０００。
　ｂ　ガスのカラムへの供給条件
－吸着管の加熱温度：吸着管を３５℃から昇温速度２０℃／ｓｅｃの条件で２５０℃まで昇温し、２５０℃で３分間保持する。
－注入モード：スプリットレス。
－キャリアガス：ヘリウム。
－流速：１ｍｌ／分。
－クライオトラップ：－１００℃（３分）。
－カラム加熱条件：カラムを３０℃に１０分間保持し、続いて昇温速度２℃／分で１００℃まで昇温し、続いて昇温速度４℃／分で２００℃まで加熱し、続いて昇温速度１０℃／分で２５０℃まで昇温し、続いて２５０℃で５分間保持する。
　ｃ　質量分析条件
－イオン化：ＥＩ。
－イオン源温度：２００℃。
－ｍ／ｚ範囲：ｍ／ｚ３５－３００（Ｓｃａｎ　ｍｏｄｅ）。
－インターフェイス温度：２００℃。
　（２）センサ装置を用いた測定
　有機材料としてアジピン酸ポリジエチレングリコール、コハク酸ジエチレングリコール、ジグリセロール、テトラヒドロキシエチレンジアミン、ポリ（エチレングリコールスクシナート）、ポリエチレングリコール４０００（シグマアルドリッチ社製）、ポリエチレングリコール２００００（シグマアルドリッチ社製）、ポリエチレングリコール２０Ｍ（信和化工株式会社製）、遊離脂肪酸相（Ｆｒｅｅ　Ｆａｔｔｙ　Ａｃｉｄ　Ｐｏｌｙｍｅｒ、信和化工株式会社製）、１，２，３－トリス（２－シアノエトキシ）プロパン、Ｎ，Ｎ－ビス（２－シアノエチル）ホルムアミド、Ｌａｃ－３Ｒ－７２８（ＧＬサイエンス社製）、Ｒｅｏｐｌｅｘ　４００（信和化工株式会社製）、ＳＰ－２３３０（シグマアルドリッチ社製）、ＳＰ－２３４０（シグマアルドリッチ社製）、及びＵＣＯＮ　７５－ＨＢ－９００００（信和化工株式会社製）をそれぞれ有する１６個のセンサ素子を含むガスセンサ（センサアレイ）を備える、センサ装置を用意した。
　上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じバナナについて、バナナを室に入れた日から、１日目、４日目、７日目、１１日目、１４日目、１７日目、２２日目、２５日目、２９日目、３２日目、及び３７日目の各々において、バナナの外果皮から放出された揮発成分を採取した。センサ装置の各センサ素子に電圧を印加しながら、各センサ素子に揮発成分に９秒間曝露させてからガスセンサをクリーンな空気に２７秒間曝露することを、５回繰り返した。この間の各センサ素子を流れる電流の変化の集合を、検出結果として取得した。
　（３）果実の熟成度の確認
　上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じバナナについて、バナナを室に入れた日から、１日目、４日目、７日目、１１日目、１４日目、１７日目、２２日目、２５日目、２９日目、３２日目、及び３７日目の各々において、バナナの外果皮の表面を撮影し、得られた画像に基づき、バナナの外果皮の、０°から３６０°までで表される色相（ＨＵＥ値）を測定した。なお、ＨＵＥが０°に近いほど赤みが強くなり、６０°に近いほど黄みが強くなる。このとき、外果皮の表面の色は一様ではないため、画像中の外果皮のＨＵＥ値の平均値を、画像処理ソフトウエアであるＩｍａｇｅＪを使用して算出し、この平均値を外果皮のＨＵＥ値とした。前記の各日において、複数本のバナナの各々の外果皮のＨＵＥ値を測定した。また、目視で外果皮の外観を確認したところ、試験開始当初は外果皮の色は青みが強かったが、１１日目ごろから黄みがかかってきて、２２日目ごろから全体的に黄色になり、２９日目ごろからは黒みがかってきて、３７日目には全体が黒くなった。
　また、上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じバナナについて、バナナを室に入れた日から、１日目、４日目、７日目、１１日目、１４日目、１７日目、２２日目、２５日目、２９日目、３２日目、及び３７日目の各々において、バナナの外果皮を剥き、バナナの中果皮に、フォースゲージ（株式会社イマダ製の品番ＤＳ２－５０Ｎ）のＶ字型プローブ（Ａ－５）を、ピーク値測定モードで、プローブが根元まで中果皮に埋まるまで押し込んだ。このときのフォースゲージによる測定値を記録した。同じ測定を７回行い、得られた測定値から最大値及び最小値を排除し、残りの測定値の平均値を取得した。この平均値を、中果皮の硬さの指標とした。
　図３Ａのグラフに試験開始からの経過日数と外果皮の色（ＨＵＥ値）との関係を示す。図３Ａの横軸は試験開始からの経過日数であり、縦軸は外果皮のＨＵＥ値である。また、図３Ｂのグラフに試験開始からの経過日数と中果皮の硬さ（フォースゲージによる測定値）との関係を示す。図３Ｂの横軸は試験開始からの経過日数であり、縦軸は中果皮のフォースゲージによる測定値（単位Ｎ）である。
　外果皮の色と、中果皮の硬さとは、いずれも日数の経過に従って同様に変化している。図４に外果皮の色と中果皮の硬さとの関係を示す。図４によれば、外果皮の色と中果皮の硬さとの相関性は高く、両者の間の決定係数（Ｒ２）を計算すると０．９３という高い値であった。
　このため、外果皮の色と中果皮の硬さとは、いずれも同様に、バナナの熟度の指標となると判断できる。すなわち、バナナの外果皮の色を判定すること、及びバナナの中果皮の硬さを判定することは、いずれもバナナの熟度を判定することと同義といえる。
　（４）ガスクロマトグラフを検出部として用いることの検証
　上記の「（１）ガスクロマトグラフを用いた測定」により得られた検出結果であるクロマトグラムと、バナナの外果皮の色との組み合わせを、学習データとして蓄積し、この学習データから、ランダムフォレスト法により、検出結果からバナナの外果皮の色を判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からバナナの外果皮の色を判定した結果と、テストデータに含まれる実際のバナナの外果皮の色との関係を、図５Ａのグラフに示す。このグラフの縦軸はバナナの外果皮の色を判定した結果を示し、横軸は実際のバナナの外果皮の色を示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．９６７という高い値であり、平均絶対誤差は１．８４７という低い値であった。
　また、上記の「（１）ガスクロマトグラフを用いた測定」により得られた検出結果であるクロマトグラムと、バナナの中果皮の硬さとの組み合わせを、学習データとして蓄積し、この学習データから、ランダムフォレスト法により、検出結果からバナナの中果皮の硬さを判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からバナナの中果皮の硬さを判定した結果と、テストデータに含まれる実際のバナナの中果皮の硬さとの関係を、図５Ｂのグラフに示す。このグラフの縦軸はバナナの中果皮の硬さを判定した結果を示し、横軸は実際のバナナの中果皮の硬さを示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．８７７という高い値であり、平均絶対誤差は１．０２６という低い値であった。
　上記により、クロマトグラムを検出部として用いて得られる検出結果に基づいて、バナナの熟度をかなり正確に判定できることが、理解できる。
　また、上記により、バナナの外果皮の色を判定するための学習済みモデルと、バナナの中果皮の硬さを判定するための学習済みモデルとにおいては、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルのそれぞれに由来するシグナルが、判定に関与していることが示唆されている。
　特に、バナナの外果皮の色を判定するための学習済みモデルにおいては、揮発成分に含まれる酢酸イソペンチル、１－メチルヘキシルブチラート、２－ペンタノン、２－ペンタノールアセタート、イソ吉草酸イソブチル、酢酸イソペンチル及び酪酸イソアミルの各々に由来するシグナルの、判定に対する寄与が、この順番に高かった。
　また、バナナの中果皮の硬さを判定するための学習済みモデルにおいては、揮発成分に含まれる２－メトキシフラン、イソブチルアルコール、１－メチルヘキシルブチラート、酪酸イソアミル、酢酸イソペンチル、及び酪酸ブチルの各々に由来するシグナルの、判定に対する寄与が、この順番に高かった。
　これによると、マーカ成分には、特に１－メチルヘキシルブチラート、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、酢酸イソペンチル及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種の成分が含まれることが、好ましい。
　（５）センサ装置を検出部として用いることの検証
　上記の「（２）センサ装置を用いた測定」により得られた検出結果と、バナナの外果皮の色との組み合わせを、学習データとして蓄積し、この学習データから、ニューラルネットにより、検出結果からバナナの外果皮の色を判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からバナナの外果皮の色を判定した結果と、テストデータに含まれる実際のバナナの外果皮の色との関係を、図６Ａのグラフに示す。このグラフの縦軸はバナナの外果皮の色を判定した結果を示し、横軸は実際のバナナの外果皮の色を示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．８８という高い値であり、平均二乗偏差（ＲＭＳＥ）は７．７という低い値であった。
　また、上記の「（２）センサ装置を用いた測定」により得られた検出結果と、バナナの中果皮の硬さとの組み合わせを、学習データとして蓄積し、この学習データから、ニューラルネットにより、検出結果からバナナの中果皮の硬さを判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からバナナの中果皮の硬さを判定した結果と、テストデータに含まれる実際のバナナの中果皮の硬さとの関係を、図６Ｂのグラフに示す。このグラフの縦軸はバナナの中果皮の硬さを判定した結果を示し、横軸は実際のバナナの中果皮の硬さを示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．９９という高い値であり、平均二乗偏差（ＲＭＳＥ）は２．２という低い値であった。
　上記により、ガスセンサを備えるセンサ装置を検出部として用いて得られる検出結果に基づいて、バナナの熟度をかなり正確に判定できることが、理解できる。
　また、上記の結果によれば、ガスクロマトグラフを検出部として用いる場合と、センサ装置を検出部として用いる場合との、いずれにおいても、バナナの外果皮の色が全体に青みが強い状態から全体的に黒くなるまでの広い期間において、バナナの熟度の判定が可能と判断できる。
　（６）参考
　参考までに、「（１）ガスクロマトグラフを用いた測定」により得られた検出結果であるクロマトグラムに現れるイソペンチルアルコール、１－メトキシ－２－プロパノール及び１－ブタノールのそれぞれに対応するピークの強度と、経過日数との関係を、図７Ａから図７Ｃに示す。図７Ａはイソペンチルアルコールについての結果であり、図７Ｂは１－メトキシ－２－プロパノールについての結果であり、図７Ｃは１－ブタノールについての結果である。これらの図に示されるように、イソペンチルアルコール、１－メトキシ－２－プロパノール及び１－ブタノールの量の、経過日数に応じた変化の仕方は、互いに異なる。イソペンチルアルコール、１－メトキシ－２－プロパノール及び１－ブタノールを含む、マーカ成分となりうる化合物は、いずれもバナナの代謝によって発生すると推定されるが、この図７Ａから図７Ｃに示されるように、バナナが熟す過程においてこれらの化合物の放出量が増える場合もあれば減る場合もある。これはバナナが熟する過程においてバナナの中で化合物が生成、重合又は分解などの化学反応を受けていることを反映していると推定される。そのため、これらの化合物をマーカ成分として利用することで、バナナの熟度を良好な精度で判定できると、考えられる。
　２．アボカドの熟度の判定
　（１）ガスクロマトグラフを用いた測定
　小売店で、アボカド（ハス種）を購入し、このアボカドを直ちに２３℃の室の内に静置した。アボカドを室に入れた日から、０日目、１日目、４日目、及び７日目の各々において、アボカドの外果皮から放出された揮発成分を含むガス（３Ｌ分）を、吸着剤（ｔｅｎａｘ）入れた吸着管に導入して吸着剤に吸着させることで捕集した。この吸着管を加熱することで吸着剤からガスを脱離させ、このガスをガスクロマトグラフ質量分析計（株式会社島津製作所製、ＧＣＭＳ－ＱＰ２０１０　Ｕｌｔｒａ）を用いて条件で分析した。その条件は、上記「１．バナナの熟度の判定」の場合と同一である。
　（２）センサ装置を用いた測定
　上記「１．バナナの熟度の判定」の場合と同じセンサ装置を用意した。
　上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じアボカドについて、アボカドを室に入れた日から、０日目、１日目、４日目、及び７日目の各々において、アボカドの外果皮から放出された揮発成分を採取した。センサ装置の各センサ素子に電圧を印加しながら、各センサ素子に揮発成分に９秒間曝露させてからガスセンサをクリーンな空気に２７秒間曝露することを、５回繰り返した。この間の各センサ素子を流れる電流の変化の集合を、検出結果として取得した。
　（３）果実の熟成度の確認
　上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じアボカドについて、アボカドを室に入れた日から、０日目、１日目、４日目、及び７日目の各々において、アボカドの外果皮を剥いて、中果皮の表面を撮影し、得られた画像に基づき、アボカドの中果皮の、０°から３６０°までで表される色相（ＨＵＥ値）を測定した。このとき、中果皮の表面の色は一様ではないため、画像中の中果皮のＨＵＥ値の平均値を、画像処理ソフトウエアであるＩｍａｇｅＪを使用して算出し、この平均値を中果皮のＨＵＥ値とした。前記の各日において、複数個のアボカドの各々の中果皮のＨＵＥ値を測定した。また、目視で中果皮の外観を確認したところ、試験開始当初は中果皮の色は全体的に緑がかっていたが、徐々に黄みがかかっていった。なお、外果皮の色の変化は殆ど見られなかった。
　また、上記の「（１）ガスクロマトグラフを用いた測定」で使用されたものと同じアボカドについて、アボカドを室に入れた日から、０日目、１日目、４日目、及び７日目の各々において、アボカドの外果皮を剥き、アボカドの中果皮に、フォースゲージ（株式会社イマダ製の品番ＤＳ２－５０Ｎ）のＭ字型プローブを、ピーク値測定モードで、プローブが根元まで中果皮に埋まるまで押し込んだ。このときのフォースゲージによる測定値を記録した。同じ測定を７回行い、得られた測定値から最大値及び最小値を排除し、残りの測定値の平均値を取得した。この平均値を、中果皮の硬さの指標とした。
　図８Ａのグラフに試験開始からの経過日数と中果皮の色（ＨＵＥ値）との関係を示す。図８Ａの横軸は試験開始からの経過日数であり、縦軸は中果皮のＨＵＥ値である。また、図８Ｂのグラフに試験開始からの経過日数と中果皮の硬さ（フォースゲージによる測定値）との関係を示す。図８Ｂの横軸は試験開始からの経過日数であり、縦軸は中果皮のフォースゲージによる測定値（単位Ｎ）である。
　中果皮の色と、中果皮の硬さとは、いずれも日数の経過に従って同様に変化している。図９に中果皮の色と中果皮の硬さとの関係を示す。図９によれば、中果皮の色と中果皮の硬さとの相関性は高く、両者の間の決定係数（Ｒ２）を計算すると０．４２という高い値であった。
　このため、中果皮の色と中果皮の硬さとは、いずれも同様に、アボカドの熟度の指標となると判断できる。すなわち、アボカドの中果皮の色を判定すること、及びアボカドの中果皮の硬さを判定することは、いずれもアボカドの熟度を判定することと同義といえる。
　（４）ガスクロマトグラフを検出部として用いることの検証
　上記の「（１）ガスクロマトグラフを用いた測定」により得られた検出結果であるクロマトグラムと、アボカドの中果皮の色との組み合わせを、学習データとして蓄積し、この学習データから、ランダムフォレスト法により、検出結果からアボカドの中果皮の色を判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からアボカドの中果皮の色を判定した結果と、テストデータに含まれる実際のアボカドの中果皮の色との関係を、図１０Ａのグラフに示す。このグラフの縦軸はアボカドの中果皮の色を判定した結果を示し、横軸は実際のアボカドの中果皮の色を示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．７７４という高い値であり、平均絶対誤差は０．９７３という低い値であった。
　また、上記の「（１）ガスクロマトグラフを用いた測定」により得られた検出結果であるクロマトグラムと、アボカドの中果皮の硬さとの組み合わせを、学習データとして蓄積し、この学習データから、ランダムフォレスト法により、検出結果からアボカドの中果皮の硬さを判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からアボカドの中果皮の硬さを判定した結果と、テストデータに含まれる実際のアボカドの中果皮の硬さとの関係を、図１０Ｂのグラフに示す。このグラフの縦軸はアボカドの中果皮の硬さを判定した結果を示し、横軸は実際のアボカドの中果皮の硬さを示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．３２５という高い値であり、平均絶対誤差は０．２７２という低い値であった。
　上記により、クロマトグラムを検出部として用いて得られる検出結果に基づいて、アボカドの熟度をかなり正確に判定できることが、理解できる。
　また、上記により、アボカドの中果皮の色を判定するための学習済みモデルと、アボカドの中果皮の硬さを判定するための学習済みモデルとにおいては、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンのそれぞれに由来するシグナルが、判定に関与していることが示唆されている。
　特に、アボカドの中果皮の色を判定するための学習済みモデルにおいては、揮発成分に含まれる３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン及び４－エトキシ－２－ブタノンの各々に由来するシグナルの、判定に対する寄与が、この順番に高かった。
　また、アボカドの中果皮の硬さを判定するための学習済みモデルにおいては、揮発成分に含まれる２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン及びリモネンの各々に由来するシグナルの、判定に対する寄与が、この順番に高かった。
　（５）センサ装置を検出部として用いることの検証
　上記の「（２）センサ装置を用いた測定」により得られた検出結果と、アボカドの中果皮の色との組み合わせを、学習データとして蓄積し、この学習データから、ニューラルネットにより、検出結果からアボカドの中果皮の色を判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からアボカドの中果皮の色を判定した結果と、テストデータに含まれる実際のアボカドの中果皮の色との関係を、図１１Ａのグラフに示す。このグラフの縦軸はアボカドの中果皮の色を判定した結果を示し、横軸は実際のアボカドの中果皮の色を示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．７１という高い値であった。
　また、上記の「（２）センサ装置を用いた測定」により得られた検出結果と、アボカドの中果皮の硬さとの組み合わせを、学習データとして蓄積し、この学習データから、ニューラルネットにより、検出結果からアボカドの中果皮の硬さを判定するためのアルゴリズムである学習済みモデルを作成した。なお、学習済みモデルを作成するにあたり、学習データの８０％を教師データとして用いて分類器を構築し、残りの２０％をテストデータに用いた。
　学習済みモデルを使用してテストデータに含まれる検出結果からアボカドの中果皮の硬さを判定した結果と、テストデータに含まれる実際のアボカドの中果皮の硬さとの関係を、図１１Ｂのグラフに示す。このグラフの縦軸はアボカドの中果皮の硬さを判定した結果を示し、横軸は実際のアボカドの中果皮の硬さを示す。このグラフに表れるとおり、判定結果と実際の値とは、高い相関性を有し、両者間の決定係数（Ｒ２）を計算すると０．９７という高い値であった。
　上記により、ガスセンサを備えるセンサ装置を検出部として用いて得られる検出結果に基づいて、アボカドの熟度をかなり正確に判定できることが、理解できる。
　また、ガスセンサを備えるセンサ装置を検出部として用いた場合は、ガスクロマトグラフを検出部として用いた場合と比べて、判定結果と実際の値とが、より高い相関性を有した。これは、ガスクロマトグラフにおけるカラムが選択性を有しているために揮発成分中の全ての化合物を一度の測定で網羅できないのに対して、センサ装置ではガスセンサが多種の化合物を認識しており、このことが判定の精度向上に寄与している可能性がある。なお、今回のガスクロマトグラフを用いた測定では、メタン及びエタンのような沸点の低い化合物は検出されない。
　なお、今回のマーカ成分である２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンは、いずれもアボカドの代謝によって発する化合物であり、アボカドが熟す過程においてこれらの化合物の放出量が増える場合もあれば減る場合もある。これはアボカドが熟する過程においてアボカドの中で化合物が生成、重合又は分解などの化学反応を受けていることを反映していると推定される。そのため、これらの化合物をマーカ成分として利用することで、アボカドの熟度を良好な精度で判定できると、考えられる。
　上記の実施形態及び実施例から明らかなように、本開示の第一の態様に係る果実の熟度判定方法は、果実の熟度を判定する方法である。果実はバナナである。本方法では、果実の外果皮から放出される揮発成分を採取する。検出部（１）を用いて、揮発成分についての検出結果を取得する。検出部（１）は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種のマーカ成分の量に応じて検出結果を出力する手段である。検出結果に基づいて、果実の熟度を判定する。
　第一の態様では、バナナを破損させることなく、バナナの熟度を判定することができ、かつ判定の精度を高めやすい。
　本開示の第二の態様に係る果実の熟度判定方法は、果実の熟度を判定する方法である。果実はアボカドである。本方法では、果実の外果皮から放出される揮発成分を採取する。検出部（１）を用いて、揮発成分についての検出結果を取得する。検出部（１）は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される少なくとも一種のマーカ成分の量に応じて検出結果を出力する手段である。検出結果に基づいて、果実の熟度を判定する。
　第二の態様では、アボカドを破損させることなく、アボカドの熟度を判定することができ、かつ判定の精度を高めやすい。
　本開示の第三の態様では、第一又は第二の態様において、果実には、追熟が行われていない。
　第三の態様によれば、外観から熟度を判定することが困難な追熟前の状態であっても、果実の熟度を判定できる。
　本開示の第四の態様は、第三の態様において、熟度を判定した結果に基づいて、果実の追熟条件を判定することを含む。
　第四の態様によれば、外観から熟度を判定することが困難な追熟前の状態であっても、果実の追熟条件を判定できる。
　本開示の第五の態様では、第一から第四のいずれか一の態様において、検出部（１）は、二種以上のマーカ成分のそれぞれの量に応じた検出結果を出力する手段である。
　第五の態様によれば、熟度を判定する精度を、より高めやすい。
　本開示の第六の態様では、第一から第五のいずれか一の態様において、検出部（１）は、ガスセンサ（２）を備える。
　第六の態様によれば、熟度を判定する精度を、より高めやすい。
　本開示の第七の態様では、第六の態様において、ガスセンサ（２）は、互いに異なる感応特性を有する複数のセンサ素子（Ａｘ）を含むセンサアレイである。
　第七の態様によれば、熟度を判定する精度を、更に高めやすい。
　本開示の第八の態様では、第一から第五のいずれか一の態様において、検出部（１）は、ガスクロマトグラフである。
　第八の態様によれば、熟度を判定する精度を、より高めやすい。
　本開示の第九の態様では、第一から第八のいずれか一の態様において、検出結果に対して演算処理を実行することで、判定を行う。
　第九の態様によれば、熟度を判定する精度を、更に高めやすい。
　本開示の第十の態様では、第一から第九のいずれか一の態様において、評価モデルを用いて、検出結果に基づいて、判定を行う。評価モデルは、学習用データを用いた機械学習の実行により得られた学習済みモデルである。
　第十の態様によれば、熟度を判定する精度を、更に高めやすい。
　本開示の第十一の態様に係る果実の熟度判定システム（５）は、第一から第十のいずれか一の態様に係る果実の熟度判定方法を実現する果実の熟度判定システムであり、検出部（１）と、検出部（１）から出力された検出結果に基づいて果実の熟度を判定する判定部（５５）とを備える。
　第十一の態様では、バナナ又はアボカドを破損させることなく、バナナ又はアボカドの熟度を判定することができ、かつ判定の精度を高めやすい。
　１　　検出部
　２　　ガスセンサ
　５　　熟度判定システム
　５５　判定部
　Ａｘ　センサ素子

Claims (11)

  1. 果実の熟度を判定する方法であり、
    前記果実はバナナであり、
    前記果実の外果皮から放出される揮発成分を採取し、
    検出部を用いて、前記揮発成分についての検出結果を取得し、
    　前記検出部は、１－ブタノール、１－メチルヘキシルブチラート、１－メトキシ－２－プロパノール、２－メトキシフラン、２－ペンタノールアセタート、２－ペンタノン、酪酸ブチル、酪酸イソアミル、イソブチルアルコール、イソペンチルアルコール（３－メチル－１－ブタノール）、酢酸イソペンチル、ヘキサン酸イソペンチル、及びイソ吉草酸イソブチルよりなる群から選択される少なくとも一種のマーカ成分の量に応じて前記検出結果を出力し、
    前記検出結果に基づいて、前記果実の熟度を判定する、
    果実の熟度判定方法。
  2. 果実の熟度を判定する方法であり、
    前記果実はアボカドであり、
    前記果実の外果皮から放出される揮発成分を採取し、
    検出部を用いて、前記揮発成分についての検出結果を取得し、
    　前記検出部は、２，３，６，７－テトラメチルオクタン、メントール、２，２，８－トリメチルデカン、リモネン、３－（１－メチルエテニル）トルエン、キシレン、２－プロパノール、２－オクタノン、及び４－エトキシ－２－ブタノンよりなる群から選択される少なくとも一種のマーカ成分の量に応じて前記検出結果を出力し、
    前記検出結果に基づいて、前記果実の熟度を判定する、
    果実の熟度判定方法。
  3. 前記果実には、追熟が行われていない、
    請求項１又は２に記載の果実の熟度判定方法。
  4. 熟度を判定した結果に基づいて、前記果実の追熟条件を判定することを含む、
    請求項３に記載の果実の熟度判定方法。
  5. 前記検出部は、二種以上の前記マーカ成分のそれぞれの量に応じた前記検出結果を出力する手段である、
    請求項１又は２に記載の果実の熟度判定方法。
  6. 前記検出部は、ガスセンサを備える、
    請求項１又は２に記載の果実の熟度判定方法。
  7. 前記ガスセンサは、互いに異なる感応特性を有する複数のセンサ素子を含むセンサアレイである、
    請求項６に記載の果実の熟度判定方法。
  8. 前記検出部は、ガスクロマトグラフである、
    請求項１又は２に記載の果実の熟度判定方法。
  9. 前記検出結果に対して演算処理を実行することで、前記判定を行う、
    請求項１又は２に記載の果実の熟度判定方法。
  10. 評価モデルを用いて、前記検出結果に基づいて、前記判定を行い、
    前記評価モデルは、学習用データを用いた機械学習の実行により得られた学習済みモデルである、
    請求項１又は２に記載の果実の熟度判定方法。
  11. 請求項１又は２に記載の果実の熟度判定方法を実現する果実の熟度判定システムであり、
    前記検出部と、
    前記検出部から出力された前記検出結果に基づいて前記果実の熟度を判定する判定部とを備える、
    果実の熟度判定システム。
PCT/JP2022/032241 2021-08-31 2022-08-26 果実の熟度判定方法及び果実の熟度判定システム WO2023032853A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280055142.0A CN117795337A (zh) 2021-08-31 2022-08-26 果实的成熟度的判断方法和果实的成熟度的判断系统
JP2023545530A JPWO2023032853A1 (ja) 2021-08-31 2022-08-26
DE112022004241.9T DE112022004241T5 (de) 2021-08-31 2022-08-26 Verfahren zum Beurteilen einer Reife von Früchten und System zum Beurteilen einer Reife von Früchten

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-141820 2021-08-31
JP2021141820 2021-08-31

Publications (1)

Publication Number Publication Date
WO2023032853A1 true WO2023032853A1 (ja) 2023-03-09

Family

ID=85412704

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032241 WO2023032853A1 (ja) 2021-08-31 2022-08-26 果実の熟度判定方法及び果実の熟度判定システム

Country Status (4)

Country Link
JP (1) JPWO2023032853A1 (ja)
CN (1) CN117795337A (ja)
DE (1) DE112022004241T5 (ja)
WO (1) WO2023032853A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02299541A (ja) * 1989-05-11 1990-12-11 Meika Kk バナナ追熟加工自動制御方法
WO2006135267A2 (en) * 2005-06-14 2006-12-21 Universidade De Coimbra A new method and apparatus for monitoring fruit quality and ripeness using light-induced luminescence
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02299541A (ja) * 1989-05-11 1990-12-11 Meika Kk バナナ追熟加工自動制御方法
WO2006135267A2 (en) * 2005-06-14 2006-12-21 Universidade De Coimbra A new method and apparatus for monitoring fruit quality and ripeness using light-induced luminescence
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NIINO, KIYOSHI; TOBITSUKA, KOKI: "Variations of Aroma Components in Ripened 'La France' Pears", TOHOKU AGRICULTURAL RESEARCH, JP, no. 56, 1 December 2003 (2003-12-01), JP, pages 169 - 170, XP009544164, ISSN: 0388-6727 *
SADAO OMORI, AKIRA HIRATA, HIRONOSHIN TAKAO, YOUICHI NAKAMOTO, OSAMU FUJIOKA: "Research and Development of Nondestructive Quality Evaluation Technologies based on Physical Properties of Fruit and Vegetables", TECHNICAL REPORT OF THE INSTITUTE OF AGRICULTURAL MACHINERY, INSTITUTE OF AGRICULTURAL MACHINERY, JP, no. 40, 1 February 2011 (2011-02-01), JP, pages 1 - 65, XP009544066, ISSN: 1341-0148 *
YONEMOTO, YOSHIMI: "Current Situation and a View of Future Research for Tropical and Subtropical Fruit Culture in Japan (Part II: Majour Tropical Fruit Crops Grown in Japan)", RESEARCH FOR TROPICAL AGRICULTURE, vol. 4, no. 2, 1 January 2011 (2011-01-01), pages 67 - 82, XP009544082, ISSN: 1882-8434, DOI: 10.11248/nettai.4.67 *

Also Published As

Publication number Publication date
CN117795337A (zh) 2024-03-29
JPWO2023032853A1 (ja) 2023-03-09
DE112022004241T5 (de) 2024-07-04

Similar Documents

Publication Publication Date Title
Cevoli et al. Classification of Pecorino cheeses using electronic nose combined with artificial neural network and comparison with GC–MS analysis of volatile compounds
Lozano et al. Identification of typical wine aromas by means of an electronic nose
Aghilinategh et al. Detection of ripeness grades of berries using an electronic nose
Xing et al. Development of novel electronic nose applied for strawberry freshness detection during storage
Giovenzana et al. Monitoring of fresh-cut Valerianella locusta Laterr. shelf life by electronic nose and VIS–NIR spectroscopy
JP2005241642A5 (ja)
CN101936895A (zh) 一种稻米新陈度近红外光谱分析快速检测方法
US10578550B2 (en) Identifying presence of substrates
Zhang et al. Prediction of soluble solids content, firmness and pH of pear by signals of electronic nose sensors
Altieri et al. Models to improve the non‐destructive analysis of persimmon fruit properties by VIS/NIR spectrometry
CN103048278A (zh) 机炒龙井茶叶水分含量在线检测方法
CN111693487A (zh) 基于遗传算法和极限学习机的水果糖度检测方法及系统
Toivonen et al. Development of a predictive model for ‘Lapins’ sweet cherry dry matter content using a visible/near-infrared spectrometer and its potential application to other cultivars
WO2023032853A1 (ja) 果実の熟度判定方法及び果実の熟度判定システム
CN104255118A (zh) 基于近红外光谱技术的水稻种子发芽率快速无损测试方法
CN110887800A (zh) 一种用于光谱法水质在线监测系统的数据校准方法
Rivai et al. Discrimination of durian ripeness level using gas sensors and neural network
Goisser et al. Determination of tomato quality attributes using portable NIR-sensors
Iqbal et al. Development of partial least square (PLS) prediction model to measure the ripeness of oil palm fresh fruit bunch (FFB) by using NIR Spectroscopy
Chen et al. Modeling of soluble solid content of PE‐packaged blueberries based on near‐infrared spectroscopy with back propagation neural network and partial least squares (BP–PLS) algorithm
Benedetti et al. Non-destructive evaluation of sweet cherry (Prunus avium L.) ripeness using an electronic nose
Ning et al. Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network
Pan et al. Improvement of the prediction of a visual apple ripeness index under seasonal variation by NIR spectral model correction
Wang et al. A Research of Neural Network Optimization Technology for Apple Freshness Recognition Based on Gas Sensor Array
Rajkumar et al. Classification of banana fruit maturity using zNose

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: 22864437

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280055142.0

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023545530

Country of ref document: JP