WO2023080010A1 - 食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法 - Google Patents

食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法 Download PDF

Info

Publication number
WO2023080010A1
WO2023080010A1 PCT/JP2022/039639 JP2022039639W WO2023080010A1 WO 2023080010 A1 WO2023080010 A1 WO 2023080010A1 JP 2022039639 W JP2022039639 W JP 2022039639W WO 2023080010 A1 WO2023080010 A1 WO 2023080010A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
learning
environmental pollution
food
hazard
Prior art date
Application number
PCT/JP2022/039639
Other languages
English (en)
French (fr)
Inventor
英彦 國正
卓 田辺
聡史 古川
浩 岡村
Original Assignee
東洋製罐グループホールディングス株式会社
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 東洋製罐グループホールディングス株式会社 filed Critical 東洋製罐グループホールディングス株式会社
Priority to AU2022382158A priority Critical patent/AU2022382158A1/en
Priority to CN202280061922.6A priority patent/CN118020085A/zh
Publication of WO2023080010A1 publication Critical patent/WO2023080010A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a food contamination prediction device, an inference device, a machine learning device, a food contamination prediction method, an inference method, and a machine learning method.
  • Patent Literature 1 discloses a sanitary measurement system comprising a sanitary information management computer and a sanitary inspection device that performs sanitary inspections at each food factory and sends sanitary information as inspection results to the sanitary information management computer. .
  • a hygiene inspection of food is performed by using, for example, a device that measures the number of bacteria in food as a hygiene inspection device.
  • a sanitary inspection apparatus used for sanitary inspection is, of course, intended to inspect bacteria of the species to be inspected, but cannot inspect bacteria of species not included in the inspection. Therefore, if a hazard-causing substance that can cause a food accident is a fungal species that is not included in the inspection target of the sanitary inspection device, the hazard-causing substance cannot be inspected.
  • the hazard-causing substance is a bacterial species that is included in the inspection target of the sanitary inspection equipment, if the sanitary inspection by the sanitary inspection equipment takes a long time, it is necessary to take measures to prevent the occurrence of food accidents. Inability to respond quickly.
  • the present invention provides a food contamination prediction device, an inference device, a machine learning device, and a food contamination that can easily predict the occurrence of hazard-causing substances without directly inspecting the hazard-causing substances.
  • An object is to provide a prediction method, an inference method, and a machine learning method.
  • a food contamination prediction device includes: A food contamination prediction device that predicts the occurrence of hazardous substances that can cause food accidents, an information acquisition unit that acquires environmental pollution index information including the detection status of an environmental pollution index different from the hazardous substance at the predicted location; The environmental pollution index information acquired by the information acquisition unit is divided into the environmental pollution index information including the detection status of the environmental pollution index at the learning point and the hazardous substance including the occurrence status of the hazardous substance at the learning point. a prediction unit that predicts the state of occurrence of the hazard-causing substance at the prediction point based on the hazard-causing substance information output by inputting the correlation with the information into a learning model learned by machine learning; Prepare.
  • the food contamination prediction device based on the hazard substance information output by inputting the environmental contamination index information including the detection status of the environmental contamination index different from the hazard substance into the learning model Therefore, the occurrence of hazard-causing substances can be predicted easily without directly inspecting the hazard-causing substances.
  • FIG. 1 is an overall configuration diagram showing an example of a food manufacturing management system 1.
  • FIG. 1 is an overall schematic diagram showing an example layout of a food factory 10.
  • FIG. 4 is a data configuration diagram showing an example of a process management database 40;
  • FIG. 4 is a data configuration diagram showing an example of a zone management database 41;
  • FIG. 4 is a data configuration diagram showing an example of a worker management database 42;
  • FIG. 4 is a data configuration diagram showing an example of an inspection database 43.
  • FIG. 3 is a hardware configuration diagram showing an example of a computer 900;
  • FIG. 1 is a block diagram showing an example of a machine learning device 5 according to a first embodiment;
  • FIG. 3A and 3B are diagrams showing examples of a learning model 12 and learning data 13 according to the first embodiment;
  • FIG. 5 is a flowchart showing an example of a machine learning method by the machine learning device 5; It is a block diagram which shows an example of the food contamination prediction apparatus 6 which concerns on 1st Embodiment. It is a functional explanatory diagram showing an example of the food contamination prediction device 6 according to the first embodiment.
  • 6 is a flow chart showing an example of a food contamination prediction method by the food contamination prediction device 6.
  • FIG. It is a block diagram which shows an example of the machine-learning apparatus 5a based on 2nd Embodiment. It is a figure which shows an example of the learning model 12a and the data 13a for learning which concern on 2nd Embodiment. It is a block diagram which shows an example of the food contamination prediction apparatus 6a which concerns on 2nd Embodiment.
  • FIG. 11 is a block diagram showing an example of a machine learning device 5b according to a third embodiment
  • FIG. 13 is a diagram showing an example of a learning model 12b and learning data 13b according to the third embodiment
  • It is a block diagram which shows an example of the food contamination prediction apparatus 6b which concerns on 3rd Embodiment.
  • FIG. 11 is a block diagram showing an example of a machine learning device 5c according to a fourth embodiment; FIG.
  • FIG. 1 is an overall configuration diagram showing an example of a food production management system 1.
  • FIG. 2 is an overall schematic diagram showing an example of the layout of the food factory 10.
  • FIG. 1 is an overall configuration diagram showing an example of a food production management system 1.
  • FIG. 2 is an overall schematic diagram showing an example of the layout of the food factory 10.
  • FIG. 1 is an overall configuration diagram showing an example of a food production management system 1.
  • FIG. 2 is an overall schematic diagram showing an example of the layout of the food factory 10.
  • FIG. 1 is an overall configuration diagram showing an example of a food production management system 1.
  • FIG. 2 is an overall schematic diagram showing an example of the layout of the food factory 10.
  • the food manufacturing management system 1 is a system applied to a food factory 10 as a food manufacturing environment that manufactures products from raw materials through semi-finished products.
  • the food manufacturing control system 1 functions as a system that manages the occurrence of hazard-causing substances that can cause food accidents in the food factory 10 based on the detection status of environmental pollution indicators that differ from the hazard-causing substances.
  • Raw materials are, for example, agricultural products, livestock products, marine products, etc.
  • products manufactured in the food factory 10 are, for example, any foods such as fresh foods, processed foods, and beverages.
  • the environmental contamination index is an index for evaluating the state of contamination in the food manufacturing environment.
  • the environmental contamination index can be evaluated by detecting the presence of specific factors in the food manufacturing environment, and specific factors include, for example, bacteria, viruses, allergens, viroids, molds, and the like.
  • bacteria include common viable bacteria, coliforms, E. coli, enterococci, heat-resistant spore-forming bacteria, clostridia, Staphylococci, and Vibrio spp.
  • viruses include norovirus, sapovirus, and the like.
  • allergens include egg-derived protein, milk-derived protein, wheat-derived protein, shrimp-derived protein, crab-derived protein, and the like.
  • viroids include potato and basil viroids, tomato chlorotic atrophy viroids, and the like.
  • mold include black mold, blue mold, and aspergillus.
  • the environmental contamination index is not limited to the above example, as long as it is an index representing the contamination state of the food manufacturing environment.
  • a hazard-causing substance is a substance that can cause food accidents.
  • Hazardous substances are mainly biological substances, and specific examples thereof include Salmonella, Vibrio parahaemolyticus, Staphylococcus aureus, Listeria, Campylobacter, Enterohemorrhagic Escherichia coli (O157, etc.), Bacillus cereus, Welsh Bacteria etc. are mentioned.
  • the hazard-causing substances are not limited to the above examples as long as they can cause food accidents.
  • the food manufacturing process consisting of the steps of is performed sequentially.
  • the food factory 10 is defined with zones 100 for performing each process, and each zone 100 includes equipment such as food cleaning equipment, food sterilization equipment, food processing equipment, food conveying equipment, cooking utensils, work benches, etc. Equipment is installed.
  • Each zone 100 is managed according to attributes called dirty work zone, semi-clean work zone, and clean work zone.
  • the food manufacturing control system 1 has, as its main configuration, as shown in FIG. A learning device 5 and a food contamination prediction device 6 are provided.
  • Each of the devices 2 to 6 is configured by, for example, a general-purpose or dedicated computer (see FIG. 7 described later), and is connected to a wired or wireless network 7 so that various types of data can be mutually transmitted and received. .
  • the number of devices 2 to 6 and the connection configuration of the network 7 are not limited to the example shown in FIG. 1, and may be changed as appropriate.
  • the worker terminal device 2 is a terminal device used by workers (process workers, inspection workers, factory managers, etc.) working in the food factory 10, and may be a stationary device or a portable device. It's okay.
  • the worker terminal device 2 accepts various input operations through a display screen of an application program, a web browser, or a reader/writer, and displays various information through the display screen.
  • the environmental contamination index inspection device 3A is a device capable of detecting the environmental contamination index contained in the sample.
  • the environmental contamination index inspection device 3A for example, inspects the environmental contamination index attached to equipment and door knobs used in the food factory 10, and the food (raw materials, semi-finished products, finished products, etc.) handled in the food factory 10. It is used for inspection of environmental contamination indicators that have been collected, inspection of environmental contamination indicators attached to the body and work clothes of workers, inspection of environmental contamination indicators floating in the air in the food factory 10, and the like.
  • the environmental contamination index inspection device 3A is also used to inspect the environmental contamination index in the food contamination analysis test conducted in the test room 11 as a test environment simulating the food factory 10 .
  • the environmental contamination index inspection device 3A has one or a plurality of types of environmental contamination indexes to be inspected. may
  • the environmental pollution index inspection device 3A is composed of, for example, a test kit, a measuring device, etc., and inspects the detection status of the environmental pollution index.
  • the environmental pollution index inspection device 3A is configured to be able to output the detection status of the environmental pollution index as data
  • the environmental pollution index detection information indicating the detection status of the environmental pollution index is sent to the manufacturing control device 4, for example. and the food contamination prediction device 6.
  • the inspection operator inputs the detection status of the environmental pollution index to the operator terminal device 2.
  • the worker terminal device 2 transmits environmental pollution index detection information based on the input operation.
  • the hazard-causing substance inspection device 3B is a device capable of detecting hazard-causing substances contained in samples, and is used to inspect hazard-causing substances in food contamination analysis tests. Although one or more types of hazardous substances to be inspected are determined for the hazardous substance inspection device 3B, multiple types of hazardous substance inspection devices 3B with different inspection targets and inspection methods are used. may Also, the hazard-causing substance inspection device 3B may be used for hazard-causing substance inspection in the food factory 10 .
  • the hazard-causing substance inspection device 3B like the environmental pollution index inspection device 3A, consists of inspection kits, measuring instruments, etc., and inspects the occurrence of hazard-causing substances. If the hazard-causing substance inspection device 3B is configured to be able to output the occurrence status of the hazard-causing substance as data, the hazard-causing substance generation information indicating the occurrence status of the hazard causing substance is transmitted to the machine learning device 5, for example. Send to If the hazard-causing substance inspection device 3B does not have the function of transmitting the hazard-causing substance occurrence information as described above, the inspector inputs the occurrence status of the hazard-causing substance to the operator terminal device 2. By performing an input operation, the worker terminal device 2 transmits the hazard-causing substance occurrence information based on the input operation.
  • the environmental pollution index inspection device 3A and the hazardous substance inspection device 3B carry out any inspection method among morphological inspection, biochemical property inspection, serological inspection, and genetic inspection. Alternatively, a combination of a plurality of inspection techniques may be used.
  • the manufacturing control device 4 includes a process control database 40 for managing the implementation status of each process in the food manufacturing process, and a zone control database for managing the attributes, spatial conditions, cleaning conditions, etc. of each zone 100 of the food factory 10. 41, a worker management database 42 for managing the work status of workers working in each zone 100, and an inspection database 43 for managing the inspection results of the environmental pollution index by the environmental pollution index inspection device 3A. Prepare. Details of each database 40 to 43 will be described later. Note that the manufacturing management device 4 may manage a plurality of food factories 10 .
  • the machine learning device 5 is a device that operates as the subject of the learning phase of machine learning. For example, the machine learning device 5 acquires the test results of the food contamination analysis test performed in the test room 11 as the learning data 13, and based on the learning data 13, the learning used by the food contamination prediction device 6 A model 12 is generated by machine learning. The trained learning model 12 is provided to the food contamination prediction device 6 via the network 7, a recording medium, or the like.
  • the food contamination analysis test is carried out under various test conditions so as to reproduce various food manufacturing environments assumed in the food factory 10.
  • the environmental pollution index inspection device 3A and the hazardous substance inspection device 3B for each sample sampled at a specific point (learning point) under each test condition, the environmental pollution index inspection device
  • the inspection result (detection status of environmental pollution index) by 3A and the inspection result (hazard causing substance generation status) by the hazardous substance inspection device 3B are obtained.
  • the food contamination analysis test is basically performed in the test room 11 provided at a place different from the food factory 10, but may be performed using the food factory 10.
  • the food contamination prediction device 6 is a device that operates as the subject of the inference phase of machine learning.
  • the food contamination prediction device 6 uses the learning model 12 generated by the machine learning device 5, based on the detection status of the environmental contamination index for the sample sampled at a specific point (prediction point) in the food factory 10, Predict the occurrence of hazard-causing substances at that point.
  • Hazardous substance generation information indicating the generation status of hazardous substances as a result of the prediction is provided to, for example, the worker terminal device 2 and presented to inspection workers and factory managers.
  • the hazard-causing substance occurrence information is provided to the manufacturing control device 4 and accumulated in the inspection database 43 .
  • FIG. 3 is a data configuration diagram showing an example of the process management database 40. As shown in FIG.
  • the process management database 40 is a database for managing the implementation status of each process for each manufacturing lot.
  • the manufacturing control device 4 receives manufacturing parameter information indicating manufacturing parameters from a food cleaning device, a food sterilization device, and a food processing device used in a cleaning process, a sterilization process, a processing process, etc., and stores the information in the process control database 40. register.
  • the manufacturing control device 4 performs a raw material acceptance inspection that indicates the execution results of each inspection process from the worker terminal device 2 used by the process worker when the process worker performs the inspection process for raw materials, semi-finished products, and finished products. Result information and semi-finished product inspection result information are received at any time and registered in the process control database 40 .
  • FIG. 4 is a data configuration diagram showing an example of the zone management database 41.
  • the zone management database 41 is a database that manages attributes, spatial conditions, and cleaning conditions for each zone 100 .
  • the manufacturing control device 4 receives zone attribute information indicating the attributes of each zone 100 (contaminated work zone, semi-clean work zone, clean work zone) from the worker terminal device 2 used by the factory manager, and stores it in the zone management database 41. to register.
  • the manufacturing control device 4 selects the spatial conditions of each zone 100 (for example, temperature , humidity, air cleanliness, atmospheric pressure, etc.) is received at any time and registered in the zone management database 41 .
  • the spatial information is registered as time-series data by being registered in the zone management database 41 each time temperature, humidity, air cleanliness, atmospheric pressure, etc. are measured at a predetermined measurement cycle.
  • the manufacturing control device 4 receives cleaning information indicating the cleaning status of each zone 100 from the worker terminal device 2 used by the process worker when the process worker performs the cleaning work in each zone 100, Register in the zone management database 41 .
  • FIG. 5 is a data configuration diagram showing an example of the worker management database 42.
  • the worker management database 42 is a database for managing worker IDs and flow line information for each worker.
  • the manufacturing control device 4 receives the position information of the worker at any time from the worker terminal device 2 used by the worker, an entry/exit management system (not shown), etc., and indicates the flow line (movement trajectory) of the worker.
  • Flow line information is registered in the worker management database 42 .
  • the worker ID is used, for example, as information for identifying the worker who performed each process of the process management database 40 or the cleaning work of the zone management database 41. Therefore, the flow line information and the process management database 40 or zone By referring to the management database 41, it is possible to identify the flow line of the worker when each process or cleaning work is performed.
  • FIG. 6 is a data configuration diagram showing an example of the inspection database 43.
  • the inspection database 43 is a database for managing inspection times, inspection points, environmental pollution index detection information, and harmful substance occurrence information for each environmental pollution index inspection operation by the environmental pollution index inspection device 3A.
  • the manufacturing control device 4 receives the environmental contamination index detection information from the operator terminal device 2 or the environmental contamination index inspection device 3A used by the inspector whenever the inspection worker performs the inspection work of the environmental contamination index. and registered in the inspection database 43. At that time, the inspection time at which the sample was sampled and the inspection point (for example, the zone 100 and the positional coordinates within the zone 100) are also registered. In addition, the manufacturing control device 4 receives from the food contamination prediction device 6 hazard substance occurrence information (prediction result) corresponding to the environmental contamination indicator detection information by the food contamination prediction device 6 at any time, and is registered in the inspection database 43.
  • the hazard-causing substance inspection device 3B is used for hazard-causing substance inspection in the food factory 10, and the manufacturing control device 4 transmits hazard-causing substance occurrence information (inspection results) from the hazard-causing substance inspection device 3B to the worker terminal.
  • the hazard-causing substance generation information (inspection results) may be registered in the inspection database 43 .
  • the predicted result of the hazardous substance generation information and the inspection result are registered in the inspection database 43 so that each information can be identified.
  • FIG. 7 is a hardware configuration diagram showing an example of the computer 900. As shown in FIG. Each of the devices 2 to 6 of the food manufacturing control system 1 is composed of a general-purpose or dedicated computer 900. FIG.
  • the computer 900 includes, as its main components, a bus 910, a processor 912, a memory 914, an input device 916, an output device 917, a display device 918, a storage device 920, a communication I/F (interface). It has a section 922 , an external device I/F section 924 , an I/O (input/output) device I/F section 926 and a media input/output section 928 . Note that the above components may be omitted as appropriate depending on the application for which the computer 900 is used.
  • the processor 912 is composed of one or more arithmetic processing units (CPU (Central Processing Unit), MPU (Micro-processing unit), DSP (digital signal processor), GPU (Graphics Processing Unit), etc.), and the entire computer 900 It operates as a control unit that supervises the
  • the memory 914 stores various data and programs 930, and is composed of, for example, a volatile memory (DRAM, SRAM, etc.) functioning as a main memory, a non-volatile memory (ROM), a flash memory, and the like.
  • the input device 916 is composed of, for example, a keyboard, mouse, numeric keypad, electronic pen, etc., and functions as an input unit.
  • the output device 917 is configured by, for example, a sound (voice) output device, a vibration device, or the like, and functions as an output unit.
  • a display device 918 is configured by, for example, a liquid crystal display, an organic EL display, electronic paper, a projector, or the like, and functions as an output unit.
  • the input device 916 and the display device 918 may be configured integrally like a touch panel display.
  • the storage device 920 is composed of, for example, an HDD, SSD (Solid State Drive), etc., and functions as a storage unit.
  • the storage device 920 stores various data necessary for executing the operating system and programs 930 .
  • the communication I/F unit 922 is connected to a network 940 (which may be the same as the network 7 in FIG. 1) such as the Internet or an intranet by wire or wirelessly, and exchanges data with other computers according to a predetermined communication standard. functions as a communication unit that transmits and receives.
  • the external device I/F unit 924 is connected to the external device 950 such as a camera, printer, scanner, reader/writer, etc. by wire or wirelessly, and serves as a communication unit that transmits and receives data to and from the external device 950 according to a predetermined communication standard. Function.
  • the I/O device I/F unit 926 is connected to I/O devices 960 such as various sensors and actuators, and exchanges with the I/O devices 960, for example, detection signals from sensors and control signals to actuators. functions as a communication unit that transmits and receives various signals and data.
  • the media input/output unit 928 is composed of, for example, a drive device such as a DVD drive and a CD drive, and reads and writes data from/to media (non-temporary storage media) 970 such as DVDs and CDs.
  • the processor 912 calls the program 930 stored in the storage device 920 to the memory 914 and executes it, and controls each part of the computer 900 via the bus 910 .
  • the program 930 may be stored in the memory 914 instead of the storage device 920 .
  • the program 930 may be recorded on the media 970 in an installable file format or executable file format and provided to the computer 900 via the media input/output unit 928 .
  • Program 930 may be provided to computer 900 by downloading via network 940 via communication I/F section 922 .
  • the computer 900 may implement various functions realized by the processor 912 executing the program 930 by hardware such as FPGA and ASIC, for example.
  • the computer 900 is, for example, a stationary computer or a portable computer, and is an arbitrary form of electronic equipment.
  • the computer 900 may be a client-type computer, a server-type computer, or a cloud-type computer.
  • the computer 900 may be applied to devices other than the devices 2-6.
  • FIG. 8 is a block diagram showing an example of the machine learning device 5 according to the first embodiment.
  • the machine learning device 5 includes a control unit 50 , a communication unit 51 , a learning data storage unit 52 and a trained model storage unit 53 .
  • the control unit 50 functions as a learning data acquisition unit 500 and a machine learning unit 501.
  • the communication unit 51 is connected to an external device (for example, the operator terminal device 2, the environmental contamination index inspection device 3A, the hazardous substance inspection device 3B, the food contamination prediction device 6, etc.) via the network 7, and transmits various data. It functions as a communication interface for sending and receiving.
  • the learning data acquisition unit 500 is connected to an external device via the communication unit 51 and the network 7, and acquires learning data 13 composed of environmental pollution index information as input data and hazardous substance information as output data.
  • the learning data 13 is data used as teacher data (training data), verification data, and test data in supervised learning.
  • the hazard-causing substance information is data used as correct labels in supervised learning.
  • the learning data storage unit 52 is a database that stores multiple sets of learning data 13 acquired by the learning data acquisition unit 500 .
  • the specific configuration of the database that constitutes the learning data storage unit 52 may be appropriately designed.
  • the machine learning unit 501 performs machine learning using multiple sets of learning data 13 stored in the learning data storage unit 52 . That is, the machine learning unit 501 inputs a plurality of sets of learning data 13 to the learning model 12, and causes the learning model 12 to learn the correlation between the environmental pollution index information and the hazardous substance information included in the learning data 13. , a trained learning model 12 is generated.
  • the learned model storage unit 53 is a database that stores the learned learning model 12 (specifically, the adjusted weight parameter group) generated by the machine learning unit 501 .
  • the trained learning model 12 stored in the trained model storage unit 53 is provided to the actual system (for example, the food contamination prediction device 6) via the network 7, recording medium, or the like.
  • the learning data storage unit 52 and the trained model storage unit 53 are shown as separate storage units in FIG. 8, they may be configured as a single storage unit.
  • FIG. 9 is a diagram showing an example of the learning model 12 and learning data 13 according to the first embodiment.
  • the learning data 13 used for machine learning of the learning model 12 is composed of environmental pollution index information and hazardous substance information.
  • the environmental pollution index information that constitutes the learning data 13 includes environmental pollution index detection information that indicates the detection status of the environmental pollution index at the learning point.
  • the detection status of the environmental pollution index is the detection status for one or more types of environmental pollution indicators, and is represented, for example, by the presence/absence of detection, the number of detections, the detection level, and the like.
  • the detection level may be a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1).
  • the detection status of the environmental pollution indicator included in the environmental pollution indicator information is the detection level (range of 0 to 1 (normalized by ) will be described.
  • the environmental pollution index information the detection status of other environmental pollution indices may be used. In that case, the data structure of the input data in the learning model 12 and the learning data 13 may be changed as appropriate.
  • the hazard-causing substance information that constitutes the learning data 13 includes hazard-causing substance generation information that indicates the occurrence status of hazard-causing substances at the learning point corresponding to the environmental pollution index detection information.
  • the occurrence status of hazard-causing substances is the occurrence status for one or more types of hazard-causing substances, and is represented, for example, by the presence or absence of occurrence, the number of occurrences, the occurrence level, and the like.
  • the occurrence level is a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1).
  • the occurrence status of hazard-causing substances included in hazard-causing substance information is the occurrence level of Listeria monocytogenes (normalized in the range of 0 to 1).
  • the hazard-causing substance information may include the occurrence status of other hazard-causing substances.
  • the data configuration of the output data in the learning model 12 and the learning data 13 may be appropriately changed.
  • the learning data acquisition unit 500 receives the environmental contamination index detection information by the environmental contamination index inspection device 3A from the worker terminal device 2 or the environmental contamination index inspection device 3A.
  • the learning data 13 are acquired by receiving the hazard-causing substance occurrence information from the causative-substance inspection device 3B from the worker terminal device 2 or the hazard-causing substance inspection device 3B.
  • the learning model 12 employs, for example, a neural network structure, and includes an input layer 120, an intermediate layer 121, and an output layer 122.
  • a synapse (not shown) connecting each neuron is provided between each layer, and a weight is associated with each synapse.
  • a set of weight parameters consisting of the weight of each synapse is adjusted by machine learning.
  • the input layer 120 has a number of neurons corresponding to the environmental pollution index information as input data, and each value of the environmental pollution index information is input to each neuron.
  • the output layer 122 has a number of neurons corresponding to the hazard substance information as output data, and outputs the prediction result (inference result) of the hazard substance information with respect to the environmental pollution index information as output data.
  • the learning model 12 is configured by a regression model, the hazardous substance information is output as numerical values normalized to a predetermined range (eg, 0 to 1). Further, when the learning model 12 is composed of a classification model, the hazardous substance information is a numerical value normalized to a predetermined range (for example, 0 to 1) as a score (accuracy) for each class. output.
  • FIG. 10 is a flow chart showing an example of a machine learning method by the machine learning device 5. As shown in FIG.
  • the learning data acquisition unit 500 acquires a desired number of learning data 13 as preparation for starting machine learning, and stores the acquired learning data 13 in the learning data storage unit. 52.
  • the number of learning data 13 prepared here may be set in consideration of the inference accuracy required for the finally obtained learning model 12 .
  • step S110 the machine learning unit 501 prepares the pre-learning learning model 12 to start machine learning.
  • the pre-learning learning model 12 prepared here is composed of the neural network model illustrated in FIG. 9, and the weight of each synapse is set to an initial value.
  • step S120 the machine learning unit 501 randomly acquires one set of learning data 13 from the multiple sets of learning data 13 stored in the learning data storage unit 52, for example.
  • step S130 the machine learning unit 501 converts the environmental pollution index information (input data) included in the set of learning data 13 into the prepared input layer of the learning model 12 before learning (or during learning). Enter 120.
  • the output layer 122 of the learning model 12 outputs hazardous substance information (output data) as an inference result, but the output data is generated by the learning model 12 before (or during) learning. be. Therefore, in the state before learning (or during learning), the output data output as the inference result indicates information different from the hazard-causing substance information (correct label) included in the learning data 13 .
  • step S140 the machine learning unit 501 outputs the hazard-causing substance information (correct label) included in the set of learning data 13 acquired in step S120 and the inference result output from the output layer in step S130.
  • Machine learning is performed by comparing the hazard-causing substance information (output data) obtained and adjusting the weight of each synapse (back promotion). Thereby, the machine learning unit 501 causes the learning model 12 to learn the correlation between the environmental pollution index information and the hazardous substance information.
  • step S150 the machine learning unit 501 outputs whether or not a predetermined learning termination condition is satisfied, for example, as the hazard-causing substance information (correct label) included in the learning data 13 and the inference result. The determination is made based on the evaluation value of the error function based on the hazardous substance information (output data) obtained and the remaining number of unlearned learning data 13 stored in the learning data storage unit 52 .
  • step S150 when the machine learning unit 501 determines that the learning end condition is not satisfied and continues the machine learning (No in step S150), the process returns to step S120, and the learning model 12 under learning is stepped. The steps from S120 to S140 are performed multiple times using the unlearned data 13 for learning.
  • step S150 when the machine learning unit 501 determines that the learning end condition is satisfied and machine learning ends (Yes in step S150), the process proceeds to step S160.
  • step S160 the machine learning unit 501 stores the learned model 12 (adjusted weight parameter group) generated by adjusting the weight associated with each synapse in the learned model storage unit 53.
  • step S100 corresponds to a learning data storage step
  • steps S110 to S150 correspond to a machine learning step
  • step S160 corresponds to a learned model storage step.
  • the hazard causative substance information for the environmental contamination index information is predicted ( It is possible to provide a learning model 12 capable of reasoning).
  • FIG. 11 is a block diagram showing an example of the food contamination prediction device 6 according to the first embodiment.
  • FIG. 12 is a functional explanatory diagram showing an example of the food contamination prediction device 6 according to the first embodiment.
  • the food contamination prediction device 6 includes a control section 60 , a communication section 61 and a learned model storage section 62 .
  • the control unit 60 functions as an information acquisition unit 600 , a prediction unit 601 and an output processing unit 602 .
  • the communication unit 61 is connected to an external device (for example, the worker terminal device 2, the environmental pollution index inspection device 3A, the manufacturing control device 4, the machine learning device 5, etc.) via the network 7, and performs communication for transmitting and receiving various data. Act as an interface.
  • the information acquisition unit 600 is connected to an external device via the communication unit 61 and the network 7, and acquires environmental pollution index information including environmental pollution index detection information indicating the detection status of the environmental pollution index at the predicted point.
  • the information acquisition unit 600 determines that the inspection of the environmental contamination index by the environmental contamination index inspection device 3A at a specific point (predicted point) in the food factory 10 while each step of the food manufacturing process is being performed.
  • Environmental contamination index information is acquired by receiving environmental contamination index detection information from the worker terminal device 2 or the environmental contamination index inspection device 3A as the inspection result when it is performed. Further, when the inspection result of the environmental pollution index is registered in the inspection database 43, the information acquiring unit 600 acquires the environmental pollution indicator information by receiving the environmental pollution indicator detection information from the manufacturing control device 4. .
  • the prediction unit 601 inputs the environmental pollution index information at the prediction point acquired by the information acquisition unit 600 to the learning model 12 as input data, and based on the hazard-causing substance information output, the prediction Predict the occurrence of hazard-causing substances at the site.
  • the learned model storage unit 62 is a database that stores the learned learning model 12 used by the prediction unit 601 .
  • the number of learning models 12 stored in the learned model storage unit 62 is not limited to one.
  • a plurality of trained models with different conditions are stored, such as the type of the substance inspection device 3B (test object and inspection method), the type of data included in the environmental pollution index information, the type of data included in the hazardous substance information, etc. and may be selectively available.
  • the trained model storage unit 62 may be replaced by a storage unit of an external computer (for example, a server computer or a cloud computer). good.
  • the output processing unit 602 performs output processing for outputting the hazardous substance information generated by the prediction unit 601 .
  • the output processing unit 602 may transmit the hazard-causing substance information to the worker terminal device 2 so that a display screen based on the hazard-causing substance information may be displayed on the worker terminal device 2.
  • the hazard causative substance information may be registered in the inspection database 43 .
  • FIG. 13 is a flow chart showing an example of a food contamination prediction method by the food contamination prediction device 6.
  • FIG. An operation example of the food contamination prediction device 6 when an inspection operator uses the environmental contamination index inspection device 3A to inspect the environmental contamination index will be described below.
  • step S200 when the inspection operator inspects the environmental pollution index at the predicted point using the environmental pollution index inspection device 3A, the environmental pollution index inspection device 3A outputs the environmental pollution index detection information, which is the inspection result. is sent to the food contamination prediction device 6.
  • step S210 the information acquisition unit 600 of the food contamination prediction device 6 receives the environmental contamination index detection information transmitted in step S200, thereby detecting the environmental contamination including the detection status of the environmental contamination index at the prediction point. Get metric information.
  • step S220 the prediction unit 601 inputs the environmental pollution index information acquired in step S210 to the learning model 12, thereby generating hazard-causing substance information for the environmental pollution index information as output data, Predict the occurrence of hazard-causing substances at the predicted point.
  • step S230 the output processing unit 602 performs output processing for outputting the hazard-causing substance information generated in step S220. It is transmitted to the worker terminal device 2 .
  • the destination of the hazard-causing substance information may be the manufacturing control device 4 as well.
  • step S240 upon receiving the hazard-causing substance information transmitted in step S230, the worker terminal device 2 displays a display screen based on the hazard-causing substance information, thereby displaying the hazard at the predicted point.
  • the generation status of causative substances is presented to inspection workers and factory managers.
  • step S210 corresponds to the information acquisition step
  • step S220 corresponds to the prediction step
  • step S230 corresponds to the output processing step.
  • the environmental contamination index information including the detection status of the environmental contamination index different from the hazardous substance is input to the learning model 12. Since the occurrence of the hazard-causing substance is predicted based on the hazard-causing substance information output in , the occurrence of the hazard-causing substance can be easily predicted without directly inspecting the hazard-causing substance.
  • the second embodiment differs from the first embodiment in that the environmental contamination index information includes, in addition to the environmental contamination index detection information, food manufacturing environment information indicating the state of the food manufacturing environment including the prediction point or the learning point. differ.
  • the machine learning device 5a and the food contamination prediction device 6a according to the second embodiment will be described below, focusing on the differences from the first embodiment.
  • FIG. 14 is a block diagram showing an example of a machine learning device 5a according to the second embodiment.
  • FIG. 15 is a diagram showing an example of a learning model 12a and learning data 13a according to the second embodiment. The learning data 13a is used for machine learning of the learning model 12a.
  • the environmental contamination index information that constitutes the learning data 13a includes environmental contamination index detection information at the learning point and food manufacturing environment information that indicates the state of the food manufacturing environment including the learning point.
  • Environmental pollution index information is food manufacturing environment information that affects the occurrence of hazardous substances, such as raw material acceptance inspection result information, semi-finished product inspection result information, product inspection result information, manufacturing parameter information, zone attribute information, space information, cleaning information, and worker information.
  • Each piece of information included in the food manufacturing environment information corresponds to information registered in the process management database 40 (Fig. 3), zone management database 41 (Fig. 4), and worker management database 42 (Fig. 5).
  • the environmental contamination index information may include information other than the above as long as it indicates the status of the food manufacturing environment as the food manufacturing environment information.
  • the hazard-causing substance information that constitutes the learning data 13a is the same as in the first embodiment, so a description thereof will be omitted.
  • the raw material acceptance inspection result information indicates the inspection results when the acceptance inspection was performed on the raw materials, such as the degree of quality.
  • the semi-finished product inspection result information indicates the inspection result when the semi-finished product is inspected, and is, for example, the degree of quality.
  • the product inspection result information indicates the inspection result when the product is inspected, and is, for example, the degree of quality.
  • the manufacturing parameter information indicates the manufacturing parameters in the food manufacturing process. For example, the washing temperature and washing time of the food washing equipment, the sterilization temperature and sterilization time of the food sterilization equipment, the heating temperature and heating time of the food processing equipment, etc. be.
  • the zone attribute information indicates the attributes of the zone 100 in the food manufacturing environment, and is classified into, for example, contaminated work areas, semi-clean work areas, and clean work areas.
  • Spatial information indicates the spatial conditions in the food manufacturing environment, such as temperature, humidity, air cleanliness, atmospheric pressure, etc.
  • the cleaning information indicates the cleaning status when the cleaning work of the food manufacturing environment is performed by the worker. , cleaning methods during cleaning work, and the like.
  • the worker information indicates the work status of the workers working in the food manufacturing environment, such as the worker's flow line.
  • the learning data acquisition unit 500 detects the test result as an environmental contamination index.
  • Learning data 13a is acquired by acquiring information and hazard-causing substance occurrence information, and by acquiring the test conditions as food manufacturing environment information.
  • the machine learning unit 501 inputs a plurality of sets of learning data 13a to the learning model 12a, and causes the learning model 12a to learn the correlation between the environmental pollution index information and the hazardous substance information included in the learning data 13a.
  • a trained learning model 12a is generated.
  • FIG. 16 is a block diagram showing an example of a food contamination prediction device 6a according to the second embodiment.
  • FIG. 17 is a functional explanatory diagram showing an example of a food contamination prediction device 6a according to the second embodiment.
  • the information acquisition unit 600 acquires environmental contamination index information including environmental contamination index detection information and food manufacturing environment information at the prediction point. At that time, the information acquisition unit 600 refers to the information registered in the process management database 40, the zone management database 41, and the worker management database 42, and acquires the food manufacturing environment information.
  • the food manufacturing environment information includes at least one of raw material acceptance inspection result information, semi-finished product inspection result information, product inspection result information, manufacturing parameter information, zone attribute information, space information, cleaning information, and worker information. Information other than the above may be included as long as it indicates the status of the food manufacturing environment.
  • the prediction unit 601 inputs the environmental pollution index information at the prediction point acquired by the information acquisition unit 600 to the learning model 12 as input data, and based on the hazard-causing substance information output, the prediction Predict the occurrence of hazard-causing substances at the site.
  • the food contamination prediction device 6a and the food contamination prediction method according to the present embodiment by inputting the environmental contamination index information including the environmental contamination index detection information and the food manufacturing environment information into the learning model 12a, output Since the occurrence of the hazard-causing substance is predicted based on the information on the hazard-causing substance, it is possible to easily predict the occurrence of the hazard-causing substance without directly inspecting the hazard-causing substance. At that time, since the food manufacturing environment information is reflected, it is possible to predict the occurrence of hazard-causing substances with higher accuracy.
  • the environmental pollution indicator information includes the detection status of environmental pollution indicators at a plurality of points within a predetermined area
  • the hazard-causing substance information includes the generation and distribution status of hazard-causing substances in that area. is different from the first embodiment.
  • the machine learning device 5b and the food contamination prediction device 6b according to the third embodiment will be described below, focusing on the differences from the first embodiment.
  • FIG. 18 is a block diagram showing an example of a machine learning device 5b according to the third embodiment.
  • FIG. 19 is a diagram showing an example of a learning model 12b and learning data 13b according to the third embodiment.
  • the learning data 13b is used for machine learning of the learning model 12b.
  • the environmental pollution index information that constitutes the learning data 13b includes environmental pollution index detection information at a plurality of learning points within the learning area.
  • the environmental pollution index information shown in FIG. 19 includes environmental pollution index detection information based on the inspection results by the environmental pollution index inspection device 3A when the environmental pollution indexes are inspected at nine points P11 to P33.
  • the hazard-causing substance information that constitutes the learning data 13b includes hazard-causing substance generation distribution information that indicates the occurrence distribution of hazard-causing substances in the learning area.
  • the hazard-causing substance occurrence distribution information indicates, for example, the occurrence of hazard-causing substances in each mesh when the learning area is divided into meshes of a predetermined size.
  • the hazard-causing substance information shown in FIG. 19 includes hazard-causing substance generation distribution information when the learning area is divided into nine meshes Q11 to Q33. For example, it is based on the inspection result by the hazard-causing substance inspection device 3B when the hazard-causing substance inspection is performed at the center of each mesh. For example, when the occurrence status of hazardous substances is represented by occurrence levels ranging from 0 to 1, the occurrence distribution status of hazardous substances is displayed on the map corresponding to the learning area. It is expressed in shades and colors according to the value of the generation level of the mesh.
  • the learning data acquisition unit 500 acquires the detection status of the environmental contamination index by the environmental contamination index inspection device 3A at a plurality of points (learning points) in the test room 11 when the food contamination analysis test is performed, Acquire the generation status of hazardous substances by the hazardous substance inspection device 3B at a plurality of points (points corresponding to each mesh, which may be the same as or different from the learning points) in the test room 11. Thus, learning data 13b is obtained.
  • the machine learning unit 501 inputs a plurality of sets of learning data 13b to the learning model 12b, and causes the learning model 12b to learn the correlation between the environmental pollution index information and the hazardous substance information included in the learning data 13b.
  • a trained learning model 12b is generated.
  • FIG. 20 is a block diagram showing an example of a food contamination prediction device 6b according to the third embodiment.
  • FIG. 21 is a functional explanatory diagram showing an example of a food contamination prediction device 6b according to the third embodiment.
  • the information acquisition unit 600 acquires environmental contamination index information including environmental contamination index detection information at multiple prediction points within the food factory 10 (prediction area).
  • the prediction area may be the entire food factory 10 , one or more zones 100 , or a part of one or more zones 100 .
  • the prediction unit 601 inputs the environmental contamination index information in the food factory 10 acquired by the information acquisition unit 600 to the learning model 12b as input data, and based on the hazard-causing substance information output, the Predict the occurrence and distribution of hazard-causing substances in the food factory 10 .
  • the generation distribution of hazardous substances can be used, for example, as a biohazard map.
  • hazard causative substances output by inputting environmental contamination index information including environmental contamination index detection information into the learning model 12b Since the occurrence and distribution of hazard-causing substances is predicted based on the information, it is possible to easily predict the occurrence and distribution of hazard-causing substances without directly inspecting the hazard-causing substances.
  • the environmental pollution index information includes the detection status of the environmental pollution index at a plurality of points within a predetermined area, and the hazard-causing substance information It differs from the first embodiment in that it includes a contamination source of the causative substance.
  • the machine learning device 5c and the food contamination prediction device 6c according to the fourth embodiment will be described below, focusing on the differences from the first and third embodiments.
  • FIG. 22 is a block diagram showing an example of a machine learning device 5c according to the fourth embodiment.
  • FIG. 23 is a diagram showing an example of a learning model 12c and learning data 13c according to the fourth embodiment.
  • the learning data 13c is used for machine learning of the learning model 12c.
  • the environmental pollution index information that constitutes the learning data 13c includes environmental pollution index detection information at a plurality of learning points within the learning area, as in the third embodiment.
  • the hazard-causing substance information that constitutes the learning data 13c includes hazard-causing substance contamination source information that indicates the contamination source of the hazard-causing substance in the learning area.
  • the hazard-causing substance contamination source information may indicate the position of the contamination source in the learning area, as shown in FIG. 23, or may indicate an area having a predetermined size in which the contamination source exists.
  • the learning data acquisition unit 500 acquires the detection status of the environmental contamination index by the environmental contamination index inspection device 3A at a plurality of points (learning points) in the test room 11 when the food contamination analysis test is performed, Learning data 13c is acquired by acquiring the generation status of hazardous substances by the hazardous substance inspection device 3B at a plurality of points in the test room 11 and identifying the position of the contamination source of the hazardous substances.
  • the machine learning unit 501 inputs a plurality of sets of learning data 13c to the learning model 12c, and causes the learning model 12c to learn the correlation between the environmental pollution index information and the hazardous substance information included in the learning data 13c.
  • a trained learning model 12c is generated.
  • FIG. 24 is a block diagram showing an example of a food contamination prediction device 6c according to the fourth embodiment.
  • FIG. 25 is a functional explanatory diagram showing an example of a food contamination prediction device 6c according to the fourth embodiment.
  • the information acquisition unit 600 acquires environmental contamination index information including environmental contamination index detection information at multiple prediction points within the food factory 10 (prediction area).
  • the prediction area may be the entire food factory 10 , one or more zones 100 , or a part of one or more zones 100 .
  • the prediction unit 601 inputs the environmental contamination index information in the food factory 10 acquired by the information acquisition unit 600 into the learning model 12c as input data, and based on the hazard-causing substance information output, the Predict sources of contamination of hazardous substances in the food factory 10 .
  • the food contamination prediction device 6c and the food contamination prediction method according to the present embodiment when environmental contamination index information including environmental contamination index detection information is input to the learning model 12c Since the contamination source of the hazard-causing substance is predicted based on the information, it is possible to easily predict the contamination source of the hazard-causing substance without directly inspecting the hazard-causing substance.
  • the environmental pollution index information is combined with the environmental pollution indicator detection information and the food manufacturing environment.
  • Information may be included, or by combining the fourth embodiment with the third embodiment, the hazard-causing substance information may include hazard-causing substance generation distribution information and hazard-causing substance contamination source information. In that case, the data structure of the learning model and the data for learning may be changed as appropriate.
  • the food contamination prediction devices 6, 6a to 6c are described as predicting the hazard-causing substance information at the time when the environmental contamination index information is acquired (at the present time).
  • Hazardous substance information at a point in time may be predicted.
  • the food contamination prediction devices 6, 6a to 6c may predict the hazard-causing substance information at the present point in time and the hazard-causing substance information at the future point in time, or at a plurality of future points in time (for example, one hour
  • the change over time of the hazard-causing substance information may be predicted. In that case, the data structure of the learning model and the data for learning may be changed as appropriate.
  • the manufacturing control device 4, the machine learning devices 5, 5a to 5c, and the food contamination prediction devices 6, 6a to 6c are described as being composed of separate devices. It may be composed of one device, or any two of the three devices may be composed of a single device. At least one of the machine learning devices 5 , 5 a to 5 c and the food contamination prediction devices 6 , 6 a to 6 c may be incorporated in the worker terminal device 2 .
  • a neural network is used as the learning models 12, 12a to 12c that implement machine learning by the machine learning unit 501, but other machine learning models may be used.
  • Other machine learning models include, for example, tree types such as decision trees and regression trees, ensemble learning such as bagging and boosting, recurrent neural networks, convolutional neural networks, and neural network types such as LSTM (including deep learning ), hierarchical clustering, non-hierarchical clustering, k-nearest neighbor method, k-means method and other clustering types, principal component analysis, factor analysis, logistic regression and other multivariate analyzes, and support vector machines.
  • the present invention is provided in the form of a program (machine learning program) that causes the computer 900 to function as each part of the machine learning device 5, and a program (machine learning program) that causes the computer 900 to execute each step of the machine learning method.
  • a program for causing the computer 900 to function as each part provided in the food contamination prediction device 6, and causes the computer 900 to execute each step provided in the food contamination prediction method according to the above embodiment. It can also be provided in the form of a program (food contamination prediction program) for
  • the present invention is not only based on the aspect of the food contamination prediction device 6 (food contamination prediction method or food contamination prediction program) according to the above embodiment, but also an inference device (inference method or It can also be provided in the form of an inference program).
  • the inference device may include a memory and a processor, and the processor of these may execute a series of processes.
  • the series of processes includes information acquisition processing (information acquisition process) for acquiring environmental pollution index information, and once the environmental pollution index information is acquired in the information acquisition processing, the occurrence status, occurrence distribution status, or pollution source of hazardous substances can be obtained.
  • Inference processing for inferring.
  • an inference device inference method or inference program
  • it can be applied to various devices more easily than when implementing a food contamination prediction device.
  • an inference device inference method or inference program
  • the inference performed by the prediction unit using the learned learning model generated by the machine learning device and machine learning method according to the above embodiment. It should be understood by those skilled in the art that the techniques may be applied.
  • 1... Food manufacturing control system 2... Worker terminal device, 3A... Environmental pollution index inspection device, 3B... Hazardous substance inspection device, 4 ... manufacturing control device, 5, 5a to 5c ... machine learning device, 6, 6a to 6c ... food contamination prediction device, 7 ... network, 10... food factory, 11... test room, 12, 12a to 12c ... learning model, 13, 13a to 13c ... learning data, 40... Process control database, 41... Zone control database, 42... Worker management database, 43... Inspection database, 50... Control unit, 51... Communication unit, 52... Learning data storage unit, 53 ... learned model storage unit, 60... Control unit, 61... Communication unit, 62... Learned model storage unit 500... Learning data acquisition unit, 501... Machine learning unit, 600... Information acquisition unit, 601... Prediction unit, 602... Output processing unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

【課題】食品事故の発生原因となり得る危害原因物質を直接検査しなくても危害原因物質の発生状況を簡易に予測することを可能とする食品汚染予測装置を提供する。 【解決手段】食品汚染予測装置６は、危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得部６００と、情報取得部６００により取得された環境汚染指標情報を、学習地点における環境汚染指標の検出状況を含む環境汚染指標情報と、その学習地点における危害原因物質の発生状況を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデル１２に入力することで出力される危害原因物質情報に基づいて、その予測地点における危害原因物質の発生状況を予測する予測部６０１とを備える。

Description

食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法
　本発明は、食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法に関する。
　食品製造環境にて製造される食品の安全性を担保するため、食品が消費者に提供されるまでの各工程では、各種の食品衛生検査が実施されている。例えば、特許文献１には、衛生情報管理コンピュータと、各食品工場において衛生検査を行い、検査結果である衛生情報を衛生情報管理コンピュータに送る衛生検査装置とを備える衛生計測システムが開示されている。
特開２００２－０１５００７号公報
　特許文献１に開示された衛生計測システムでは、衛生検査装置として、例えば、食品中の細菌数を測定する装置を用いることで、食品の衛生検査が実施される。衛生検査に用いられる衛生検査装置は、当然ながら検査対象とする菌種の細菌を検査するものであるが、検査対象に含まれない菌種の細菌を検査することができない。そのため、食品事故の発生原因となり得る危害原因物質が、衛生検査装置の検査対象に含まれない菌種である場合には、その危害原因物質についての検査を実施できない。また、その危害原因物質が、衛生検査装置の検査対象に含まれる菌種であったとしても、衛生検査装置による衛生検査に長時間を要するような場合には、食品事故の発生防止のための迅速な対応を取ることができない。
　本発明は、上記の課題に鑑み、危害原因物質を直接検査しなくても危害原因物質の発生状況を簡易に予測することを可能とする食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法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、本発明の一態様に係る食品汚染予測装置は、
　食品事故の発生原因となり得る危害原因物質の発生状況を予測する食品汚染予測装置であって、
　予測地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得部と、
　前記情報取得部により取得された前記環境汚染指標情報を、学習地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習地点における前記危害原因物質の発生状況を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデルに入力することで出力される前記危害原因物質情報に基づいて、前記予測地点における前記危害原因物質の発生状況を予測する予測部と、を備える。
　本発明の一態様に係る食品汚染予測装置によれば、危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を学習モデルに入力することで出力される危害原因物質情報に基づいて、危害原因物質の発生状況が予測されるので、危害原因物質を直接検査しなくても危害原因物質の発生状況を簡易に予測することができる。
　上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
食品製造管理システム１の一例を示す全体構成図である。 食品工場１０のレイアウトの一例を示す全体概略図である。 工程管理データベース４０の一例を示すデータ構成図である。 ゾーン管理データベース４１の一例を示すデータ構成図である。 作業者管理データベース４２の一例を示すデータ構成図である。 検査データベース４３の一例を示すデータ構成図である。 コンピュータ９００の一例を示すハードウエア構成図である。 第１の実施形態に係る機械学習装置５の一例を示すブロック図である。 第１の実施形態に係る学習モデル１２及び学習用データ１３の一例を示す図である。 機械学習装置５による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る食品汚染予測装置６の一例を示すブロック図である。 第１の実施形態に係る食品汚染予測装置６の一例を示す機能説明図である。 食品汚染予測装置６による食品汚染予測方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。 第２の実施形態に係る学習モデル１２ａ及び学習用データ１３ａの一例を示す図である。 第２の実施形態に係る食品汚染予測装置６ａの一例を示すブロック図である。 第２の実施形態に係る食品汚染予測装置６ａの一例を示す機能説明図である。 第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。 第３の実施形態に係る学習モデル１２ｂ及び学習用データ１３ｂの一例を示す図である。 第３の実施形態に係る食品汚染予測装置６ｂの一例を示すブロック図である。 第３の実施形態に係る食品汚染予測装置６ｂの一例を示す機能説明図である。 第４の実施形態に係る機械学習装置５ｃの一例を示すブロック図である。 第４の実施形態に係る学習モデル１２ｃ及び学習用データ１３ｃの一例を示す図である。 第４の実施形態に係る食品汚染予測装置６ｃの一例を示すブロック図である。 第４の実施形態に係る食品汚染予測装置６ｃの一例を示す機能説明図である。
　以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
（第１の実施形態）
　図１は、食品製造管理システム１の一例を示す全体構成図である。図２は、食品工場１０のレイアウトの一例を示す全体概略図である。
　本実施形態に係る食品製造管理システム１は、原材料から半製品を経て製品を製造する食品製造環境としての食品工場１０に適用されたシステムである。食品製造管理システム１は、食品工場１０における食品事故の発生原因となり得る危害原因物質の発生状況を、危害原因物質とは異なる環境汚染指標の検出状況にて管理するシステムとして機能する。原材料は、例えば、農産物、畜産物、水産物等であり、食品工場１０にて製造される製品は、例えば、生鮮食品、加工食品、飲料品等の任意の食品である。
　環境汚染指標は、食品製造環境の汚染状態を評価するための指標である。環境汚染指標は、食品製造環境に特定の因子が存在する状況を検出することで評価可能であり、特定の因子には、例えば、細菌、ウィルス、アレルゲン、ウイロイド、カビ等が含まれる。細菌の具体例としては、一般生菌、大腸菌群、大腸菌（Ｅ．ｃｏｌｉ）、腸球菌、耐熱性芽胞菌、クロストリジア、ブドウ菌、ビブリオ属菌等が挙げられる。ウィルスの具体例としては、ノロウイルス、サポウイルス等が挙げられる。アレルゲンの具体例としては、卵由来タンパク質、乳由来タンパク質、小麦由来タンパク質、エビ由来タンパク質、カニ由来タンパク質等が挙げられる。ウイロイドの具体例としては、ジャガイモやせいもウイロイド、トマト退緑萎縮ウイロイド等が挙げられる。カビの具体例としては、クロカビ、アオカビ、コウジカビ等が挙げられる。なお、環境汚染指標は、食品製造環境の汚染状態を表す指標となるものであれば、上記の例に限られない。
　危害原因物質は、食品事故の発生原因となり得る物質である。危害原因物質は、主に生物学的な物質であり、その具体例としては、サルモネラ菌、腸炎ビブリオ菌、黄色ブドウ球菌、リステリア菌、カンピロバクター菌、腸管出血性大腸菌（Ｏ１５７等）、セレウス菌、ウエルシュ菌等が挙げられる。なお、危害原因物質は、食品事故の発生原因となり得るものであれば、上記の例に限られない。
　食品工場１０では、図２に示すように、例えば、原材料の受入、容器の受入、洗浄、殺菌、加工（複数の加工段階を含むものでよい）、充填、封入、製品検査、出荷等の複数の工程からなる食品製造工程が順次行われる。食品工場１０は、各工程を行うためのゾーン１００がそれぞれ定められ、各ゾーン１００には、例えば、食品洗浄装置、食品殺菌装置、食品加工装置、食品搬送装置、調理器具、作業台等の設備機器が設置される。各ゾーン１００は、汚染作業区域、準清潔作業区域、及び、清潔作業区域と呼ばれる属性に応じて管理される。
　食品製造管理システム１は、その主要な構成として、図１に示すように、作業者端末装置２と、環境汚染指標検査装置３Ａと、危害原因物質検査装置３Ｂと、製造管理装置４と、機械学習装置５と、食品汚染予測装置６とを備える。各装置２～６は、例えば、汎用又は専用のコンピュータ（後述の図７参照）で構成されるとともに、有線又は無線のネットワーク７に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置２～６の数やネットワーク７の接続構成は、図１の例に限られず、適宜変更してもよい。
　作業者端末装置２は、食品工場１０にて作業する作業者（工程作業者、検査作業者、工場管理者等）が使用する端末装置であり、据置型の装置でもよいし、携帯型の装置でもよい。作業者端末装置２は、例えば、アプリケーションプログラム、ウェブブラウザ等の表示画面やリーダライタを介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報を表示する。
　環境汚染指標検査装置３Ａは、試料に含まれる環境汚染指標を検出可能な装置である。環境汚染指標検査装置３Ａは、例えば、食品工場１０にて使用される設備機器やドアノブに付着した環境汚染指標の検査、食品工場１０にて取り扱われる食品（原材料、半製品、製品等）に付着した環境汚染指標の検査、作業者の身体や作業服に付着した環境汚染指標の検査、食品工場１０における空気中に浮遊する環境汚染指標の検査等に用いられる。また、環境汚染指標検査装置３Ａは、食品工場１０を模擬した試験環境としての試験室１１で実施される食品汚染解析試験においても、環境汚染指標の検査に用いられる。なお、環境汚染指標検査装置３Ａは、検査対象となる１又は複数種類の環境汚染指標が決められたものであるが、検査対象や検査手法が異なる複数タイプの環境汚染指標検査装置３Ａが使用されてもよい。
　環境汚染指標検査装置３Ａは、例えば、検査キットや測定器等で構成され、環境汚染指標の検出状況を検査する。環境汚染指標検査装置３Ａが、環境汚染指標の検出状況をデータとして出力可能に構成されている場合には、その環境汚染指標の検出状況を示す環境汚染指標検出情報を、例えば、製造管理装置４や食品汚染予測装置６に送信する。環境汚染指標検査装置３Ａが、上記のような環境汚染指標検出情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置２に対して環境汚染指標の検出状況を入力する入力操作を行うことで、作業者端末装置２が、その入力操作に基づく環境汚染指標検出情報を送信する。
　危害原因物質検査装置３Ｂは、試料に含まれる危害原因物質を検出可能な装置であり、食品汚染解析試験において危害原因物質の検査に用いられる。なお、危害原因物質検査装置３Ｂは、検査対象となる１又は複数種類の危害原因物質が決められたものであるが、検査対象や検査手法が異なる複数タイプの危害原因物質検査装置３Ｂが使用されてもよい。また、危害原因物質検査装置３Ｂは、食品工場１０にて危害原因物質の検査に用いられてもよい。
　危害原因物質検査装置３Ｂは、環境汚染指標検査装置３Ａと同様に、検査キットや測定器等で構成され、危害原因物質の発生状況を検査する。危害原因物質検査装置３Ｂが、危害原因物質の発生状況をデータとして出力可能に構成されている場合には、その危害原因物質の発生状況を示す危害原因物質発生情報を、例えば、機械学習装置５に送信する。危害原因物質検査装置３Ｂが、上記のような危害原因物質発生情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置２に対して危害原因物質の発生状況を入力する入力操作を行うことで、作業者端末装置２が、その入力操作に基づく危害原因物質発生情報を送信する。
　なお、環境汚染指標検査装置３Ａ及び危害原因物質検査装置３Ｂは、形態学的検査、生化学的性状検査、血清学的検査、及び、遺伝学的検査のうち、いずれの検査手法を実施するものでもよいし、複数の検査手法を組み合わせて実施するものでもよい。
　製造管理装置４は、食品製造工程の各工程における実施状況を管理するための工程管理データベース４０と、食品工場１０の各ゾーン１００の属性、空間状況、清掃状況等を管理するためのゾーン管理データベース４１と、各ゾーン１００にて作業する作業者の作業状況を管理するための作業者管理データベース４２と、環境汚染指標検査装置３Ａによる環境汚染指標の検査結果を管理するための検査データベース４３とを備える。各データベース４０～４３の詳細は後述する。なお、製造管理装置４は、複数の食品工場１０を管理するものでもよい。
　機械学習装置５は、機械学習の学習フェーズの主体として動作する装置である。機械学習装置５は、例えば、試験室１１で実施された食品汚染解析試験の試験結果を学習用データ１３として取得し、その学習用データ１３に基づいて、食品汚染予測装置６にて用いられる学習モデル１２を機械学習により生成する。学習済みの学習モデル１２は、ネットワーク７や記録媒体等を介して食品汚染予測装置６に提供される。
　食品汚染解析試験は、食品工場１０にて想定される様々な食品製造環境を再現するように、様々な試験条件にて実施される。各試験条件において特定の地点（学習地点）にてサンプリングされた試料の各々に対して環境汚染指標検査装置３Ａ及び危害原因物質検査装置３Ｂを用いることで、その試験結果として、環境汚染指標検査装置３Ａによる検査結果（環境汚染指標の検出状況）と、危害原因物質検査装置３Ｂによる検査結果（危害原因物質の発生状況）とが取得される。なお、食品汚染解析試験は、食品工場１０とは別の場所に設けられた試験室１１で実施されることを基本とするが、食品工場１０を利用して実施されてもよい。
　食品汚染予測装置６は、機械学習の推論フェーズの主体として動作する装置である。食品汚染予測装置６は、機械学習装置５により生成された学習モデル１２を用いて、食品工場１０における特定の地点（予測地点）にてサンプリングされた試料に対する環境汚染指標の検出状況に基づいて、その地点における危害原因物質の発生状況を予測する。その予測結果としての危害原因物質の発生状況を示す危害原因物質発生情報は、例えば、作業者端末装置２に提供されて、検査作業者や工場管理者に提示される。また、危害原因物質発生情報は、製造管理装置４に提供されて、検査データベース４３に蓄積される。
　図３は、工程管理データベース４０の一例を示すデータ構成図である。工程管理データベース４０は、製造ロット別に、各工程の実施状況を管理するデータベースである。
　製造管理装置４は、例えば、洗浄工程、殺菌工程、加工工程等で使用される食品洗浄装置、食品殺菌装置、食品加工装置から製造パラメータを示す製造パラメータ情報を随時受信し、工程管理データベース４０に登録する。製造管理装置４は、原材料、半製品及び製品に対する検査工程が工程作業者により実施されたときに、工程作業者が使用する作業者端末装置２から各検査工程の実施結果をそれぞれ示す原材料受入検査結果情報、及び、半製品検査結果情報を随時受信し、工程管理データベース４０に登録する。
　図４は、ゾーン管理データベース４１の一例を示すデータ構成図である。ゾーン管理データベース４１は、ゾーン１００別に、属性、空間状況、及び、清掃状況を管理するデータベースである。
　製造管理装置４は、工場管理者が使用する作業者端末装置２から各ゾーン１００の属性（汚染作業区域、準清潔作業区域、清潔作業区域）を示すゾーン属性情報を受信し、ゾーン管理データベース４１に登録する。製造管理装置４は、食品工場１０の各ゾーン１００の空間状況を制御するための環境制御機器群（例えば、空調機器、換気機器、空気清浄機器等）から各ゾーン１００の空間状況（例えば、気温、湿度、空気清浄度、気圧等）を示す空間情報を随時受信し、ゾーン管理データベース４１に登録する。その際、空間情報は、所定の計測周期で気温、湿度、空気清浄度、気圧等が計測される度にゾーン管理データベース４１に登録されることで、時系列データとして登録される。製造管理装置４は、各ゾーン１００にて清掃作業が工程作業者により実施されたときに、工程作業者が使用する作業者端末装置２から各ゾーン１００の清掃状況を示す清掃情報を受信し、ゾーン管理データベース４１に登録する。
　図５は、作業者管理データベース４２の一例を示すデータ構成図である。作業者管理データベース４２は、作業者別に、作業者ＩＤ、及び、動線情報を管理するデータベースである。
　製造管理装置４は、作業者が使用する作業者端末装置２や入退室管理システム（不図示）等から作業者の位置情報を随時受信することで、作業者の動線（移動軌跡）を示す動線情報を作業者管理データベース４２に登録する。作業者ＩＤは、例えば、工程管理データベース４０の各工程やゾーン管理データベース４１の清掃作業を行った作業者を特定するための情報として使用されるため、動線情報と、工程管理データベース４０又はゾーン管理データベース４１とを参照することで、各工程や清掃作業を行ったときの作業者の動線が特定可能である。
　図６は、検査データベース４３の一例を示すデータ構成図である。検査データベース４３は、環境汚染指標検査装置３Ａによる環境汚染指標の検査作業別に、検査時刻、検査地点、環境汚染指標検出情報、及び、危害原因物質発生情報を管理するデータベースである。
　製造管理装置４は、環境汚染指標の検査作業が検査作業者により実施されたときに、検査作業者が使用する作業者端末装置２又は環境汚染指標検査装置３Ａから環境汚染指標検出情報を随時受信し、検査データベース４３に登録する。その際、試料がサンプリングされた検査時刻や検査地点（例えば、ゾーン１００と、ゾーン１００内の位置座標）も合わせて登録される。また、製造管理装置４は、食品汚染予測装置６による環境汚染指標検出情報に対する危害原因物質発生情報（予測結果）を食品汚染予測装置６から随時受信し、その危害原因物質発生情報（予測結果）を検査データベース４３に登録する。なお、危害原因物質検査装置３Ｂが、食品工場１０にて危害原因物質の検査に用いられ、製造管理装置４が、危害原因物質検査装置３Ｂによる危害原因物質発生情報（検査結果）を作業者端末装置２又は危害原因物質検査装置３Ｂから受信した場合には、その危害原因物質発生情報（検査結果）を検査データベース４３に登録するようにしてもよい。その際、危害原因物質発生情報の予測結果と検査結果とは、それぞれの情報が識別可能に検査データベース４３に登録される。
（各装置のハードウエア構成）
　図７は、コンピュータ９００の一例を示すハードウエア構成図である。食品製造管理システム１の各装置２～６は、汎用又は専用のコンピュータ９００により構成される。
　コンピュータ９００は、図７に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。
　プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。
　入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。
　通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク７と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。
　上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ、ＡＳＩＣ等のハードウエアで実現するものでもよい。
　コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、各装置２～６以外の装置にも適用されてもよい。
（機械学習装置５）
　図８は、第１の実施形態に係る機械学習装置５の一例を示すブロック図である。機械学習装置５は、制御部５０、通信部５１、学習用データ記憶部５２、及び、学習済みモデル記憶部５３を備える。
　制御部５０は、学習用データ取得部５００及び機械学習部５０１として機能する。通信部５１は、ネットワーク７を介して外部装置（例えば、作業者端末装置２、環境汚染指標検査装置３Ａ、危害原因物質検査装置３Ｂ、食品汚染予測装置６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　学習用データ取得部５００は、通信部５１及びネットワーク７を介して外部装置と接続され、入力データとしての環境汚染指標情報と、出力データとしての危害原因物質情報とで構成される学習用データ１３を取得する。学習用データ１３は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、危害原因物質情報は、教師あり学習における正解ラベルとして用いられるデータである。
　学習用データ記憶部５２は、学習用データ取得部５００で取得した学習用データ１３を複数組記憶するデータベースである。なお、学習用データ記憶部５２を構成するデータベースの具体的な構成は適宜設計すればよい。
　機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１３を用いて機械学習を実施する。すなわち、機械学習部５０１は、学習モデル１２に学習用データ１３を複数組入力し、学習用データ１３に含まれる環境汚染指標情報と危害原因物質情報との相関関係を学習モデル１２に学習させることで、学習済みの学習モデル１２を生成する。
　学習済みモデル記憶部５３は、機械学習部５０１により生成された学習済みの学習モデル１２（具体的には、調整済みの重みパラメータ群）を記憶するデータベースである。学習済みモデル記憶部５３に記憶された学習済みの学習モデル１２は、ネットワーク７や記録媒体等を介して実システム（例えば、食品汚染予測装置６）に提供される。なお、図８では、学習用データ記憶部５２と、学習済みモデル記憶部５３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
　図９は、第１の実施形態に係る学習モデル１２及び学習用データ１３の一例を示す図である。学習モデル１２の機械学習に用いられる学習用データ１３は、環境汚染指標情報と、危害原因物質情報とで構成される。
　学習用データ１３を構成する環境汚染指標情報は、学習地点における環境汚染指標の検出状況を示す環境汚染指標検出情報を含む。環境汚染指標の検出状況は、１又は複数種類の環境汚染指標に対する検出状況であり、例えば、検出の有無、検出数、検出レベル等で表される。検出レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。
　本実施形態では、環境汚染指標情報に含まれる環境汚染指標の検出状況は、一般生菌、大腸菌群、大腸菌、及び、腸球菌からなる４種の環境汚染指標に対する検出レベル（０～１の範囲で正規化）である場合について説明する。なお、環境汚染指標情報として、他の環境汚染指標に対する検出状況を用いてもよく、その場合には、学習モデル１２及び学習用データ１３における入力データのデータ構成を適宜変更すればよい。
　学習用データ１３を構成する危害原因物質情報は、環境汚染指標検出情報に対応する学習地点における危害原因物質の発生状況を示す危害原因物質発生情報を含む。危害原因物質の発生状況は、１又は複数種類の危害原因物質に対する発生状況であり、例えば、発生の有無、発生数、発生レベル等で表される。発生レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。
　本実施形態では、危害原因物質情報に含まれる危害原因物質の発生状況は、リステリア菌の発生レベル（０～１の範囲で正規化）である場合について説明する。なお、危害原因物質情報として、他の危害原因物質に対する発生状況を含むものでもよく、その場合には、学習モデル１２及び学習用データ１３における出力データのデータ構成を適宜変更すればよい。
　学習用データ取得部５００は、食品汚染解析試験が実施されたときに、環境汚染指標検査装置３Ａによる環境汚染指標検出情報を作業者端末装置２又は環境汚染指標検査装置３Ａから受信するとともに、危害原因物質検査装置３Ｂによる危害原因物質発生情報を作業者端末装置２又は危害原因物質検査装置３Ｂから受信することで、学習用データ１３を取得する。
　学習モデル１２は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１２０、中間層１２１、及び、出力層１２２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。
　入力層１２０は、入力データとしての環境汚染指標情報に対応する数のニューロンを有し、環境汚染指標情報の各値が各ニューロンにそれぞれ入力される。出力層１２２は、出力データとしての危害原因物質情報に対応する数のニューロンを有し、環境汚染指標情報に対する危害原因物質情報の予測結果（推論結果）が、出力データとして出力される。学習モデル１２が、回帰モデルで構成される場合には、危害原因物質情報は、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。また、学習モデル１２が、分類モデルで構成される場合には、危害原因物質情報は、各クラスに対するスコア（確度）として、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。
（機械学習方法）
　図１０は、機械学習装置５による機械学習方法の一例を示すフローチャートである。
　まず、ステップＳ１００において、学習用データ取得部５００は、機械学習を開始するための事前準備として、所望の数の学習用データ１３を取得し、その取得した学習用データ１３を学習用データ記憶部５２に記憶する。ここで準備する学習用データ１３の数については、最終的に得られる学習モデル１２に求められる推論精度を考慮して設定すればよい。
　次に、ステップＳ１１０において、機械学習部５０１は、機械学習を開始すべく、学習前の学習モデル１２を準備する。ここで準備する学習前の学習モデル１２は、図９に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。
　次に、ステップＳ１２０において、機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１３から、例えば、ランダムに１組の学習用データ１３を取得する。
　次に、ステップＳ１３０において、機械学習部５０１は、１組の学習用データ１３に含まれる環境汚染指標情報（入力データ）を、準備された学習前（又は学習中）の学習モデル１２の入力層１２０に入力する。その結果、学習モデル１２の出力層１２２から推論結果として危害原因物質情報（出力データ）が出力されるが、当該出力データは、学習前（又は学習中）の学習モデル１２によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データ１３に含まれる危害原因物質情報（正解ラベル）とは異なる情報を示す。
　次に、ステップＳ１４０において、機械学習部５０１は、ステップＳ１２０において取得された１組の学習用データ１３に含まれる危害原因物質情報（正解ラベル）と、ステップＳ１３０において出力層から推論結果として出力された危害原因物質情報（出力データ）とを比較し、各シナプスの重みを調整する処理（バックプロバケーション）を実施することで、機械学習を実施する。これにより、機械学習部５０１は、環境汚染指標情報と危害原因物質情報との相関関係を学習モデル１２に学習させる。
　次に、ステップＳ１５０において、機械学習部５０１は、所定の学習終了条件が満たされたか否かを、例えば、学習用データ１３に含まれる危害原因物質情報（正解ラベル）と、推論結果として出力された危害原因物質情報（出力データ）とに基づく誤差関数の評価値や、学習用データ記憶部５２内に記憶された未学習の学習用データ１３の残数に基づいて判定する。
　ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル１２に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習用データ１３を用いて複数回実施する。一方、ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。
　そして、ステップＳ１６０において、機械学習部５０１は、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル１２（調整済みの重みパラメータ群）を学習済みモデル記憶部５３に記憶し、図１０に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。
　以上のように、本実施形態に係る食品汚染予測装置６及び食品汚染予測方法によれば、環境汚染指標検出情報を含む環境汚染指標情報から、当該環境汚染指標情報に対する危害原因物質情報を予測（推論）することが可能な学習モデル１２を提供することができる。
（食品汚染予測装置６）
　図１１は、第１の実施形態に係る食品汚染予測装置６の一例を示すブロック図である。図１２は、第１の実施形態に係る食品汚染予測装置６の一例を示す機能説明図である。食品汚染予測装置６は、制御部６０、通信部６１、及び、学習済みモデル記憶部６２を備える。
　制御部６０は、情報取得部６００、予測部６０１及び出力処理部６０２として機能する。通信部６１は、ネットワーク７を介して外部装置（例えば、作業者端末装置２、環境汚染指標検査装置３Ａ、製造管理装置４、機械学習装置５等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　情報取得部６００は、通信部６１及びネットワーク７を介して外部装置と接続され、予測地点における環境汚染指標の検出状況を示す環境汚染指標検出情報を含む環境汚染指標情報を取得する。
　例えば、情報取得部６００は、食品製造工程の各工程が実施されている最中に、食品工場１０内の特定の地点（予測地点）にて環境汚染指標検査装置３Ａによる環境汚染指標の検査が行われたときの検査結果として、作業者端末装置２又は環境汚染指標検査装置３Ａから環境汚染指標検出情報を受信することで、環境汚染指標情報を取得する。また、情報取得部６００は、環境汚染指標の検査結果が検査データベース４３に登録されている場合には、環境汚染指標検出情報を製造管理装置４から受信することで、環境汚染指標情報を取得する。
　予測部６０１は、上記のように、情報取得部６００により取得された予測地点における環境汚染指標情報を入力データとして学習モデル１２に入力することで出力される危害原因物質情報に基づいて、当該予測地点における危害原因物質の発生状況を予測する。
　学習済みモデル記憶部６２は、予測部６０１にて用いられる学習済みの学習モデル１２を記憶するデータベースである。なお、学習済みモデル記憶部６２に記憶される学習モデル１２の数は１つに限定されず、例えば、機械学習の手法、環境汚染指標検査装置３Ａのタイプ（検査対象や検査手法）、危害原因物質検査装置３Ｂのタイプ（検査対象や検査手法）、環境汚染指標情報に含まれるデータの種類、危害原因物質情報に含まれるデータの種類等のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部６２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、予測部６０１は、当該外部コンピュータにアクセスすればよい。
　出力処理部６０２は、予測部６０１により生成された危害原因物質情報を出力するための出力処理を行う。例えば、出力処理部６０２は、その危害原因物質情報を作業者端末装置２に送信することで、その危害原因物質情報に基づく表示画面が作業者端末装置２に表示されてもよいし、その危害原因物質情報を製造管理装置４に送信することで、その危害原因物質情報が検査データベース４３に登録されてもよい。
（食品汚染予測方法）
　図１３は、食品汚染予測装置６による食品汚染予測方法の一例を示すフローチャートである。以下では、検査作業者が環境汚染指標検査装置３Ａを用いて環境汚染指標の検査を行った場合の食品汚染予測装置６の動作例について説明する。
　まず、ステップＳ２００において、検査作業者が、環境汚染指標検査装置３Ａを用いて予測地点において環境汚染指標の検査を行うと、環境汚染指標検査装置３Ａは、その検査結果である環境汚染指標検出情報を食品汚染予測装置６に送信する。
　次に、ステップＳ２１０において、食品汚染予測装置６の情報取得部６００は、ステップＳ２００にて送信された環境汚染指標検出情報を受信することで、予測地点における環境汚染指標の検出状況を含む環境汚染指標情報を取得する。
　次に、ステップＳ２２０において、予測部６０１は、ステップＳ２１０にて取得された環境汚染指標情報を学習モデル１２に入力することで、当該環境汚染指標情報に対する危害原因物質情報を出力データとして生成し、予測地点における危害原因物質の発生状況を予測する。
　次に、ステップＳ２３０において、出力処理部６０２は、ステップＳ２２０にて生成された危害原因物質情報を出力するための出力処理として、その危害原因物質情報を、検査作業者や工場管理者が使用する作業者端末装置２に送信する。なお、危害原因物質情報の送信先は、作業者端末装置２に加えて又は代えて、製造管理装置４でもよい。
　次に、ステップＳ２４０において、作業者端末装置２は、ステップＳ２３０にて送信された危害原因物質情報を受信すると、その危害原因物質情報に基づいて表示画面を表示することで、その予測地点における危害原因物質の発生状況が検査作業者や工場管理者に提示される。上記の食品汚染予測方法において、ステップＳ２１０が情報取得工程、ステップＳ２２０が予測工程、ステップＳ２３０が出力処理工程に相当する。
　以上のように、本実施形態に係る食品汚染予測装置６及び食品汚染予測方法によれば、危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報が学習モデル１２に入力することで出力される危害原因物質情報に基づいて、危害原因物質の発生状況が予測されるので、危害原因物質を直接検査しなくても危害原因物質の発生状況を簡易に予測することができる。
（第２の実施形態）
　第２の実施形態は、環境汚染指標情報が、環境汚染指標検出情報の他に、予測地点又は学習地点を含む食品製造環境の状況を示す食品製造環境情報を含む点で第１の実施形態と相違する。以下では、第２の実施形態に係る機械学習装置５ａ及び食品汚染予測装置６ａについて、第１の実施形態と異なる部分を中心に説明する。
　図１４は、第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。図１５は、第２の実施形態に係る学習モデル１２ａ及び学習用データ１３ａの一例を示す図である。学習用データ１３ａは、学習モデル１２ａの機械学習に用いられる。
　学習用データ１３ａを構成する環境汚染指標情報は、学習地点における環境汚染指標検出情報と、その学習地点を含む食品製造環境の状況を示す食品製造環境情報とを含む。環境汚染指標情報は、危害原因物質の発生状況に影響を与える食品製造環境情報として、例えば、原材料受入検査結果情報、半製品検査結果情報、製品検査結果情報、製造パラメータ情報、ゾーン属性情報、空間情報、清掃情報、及び、作業者情報が挙げられる。食品製造環境情報に含まれる各情報は、工程管理データベース４０（図３）、ゾーン管理データベース４１（図４）、及び、作業者管理データベース４２（図５）に登録された情報に対応する。環境汚染指標情報は、食品製造環境情報として、食品製造環境の状況を示す情報であれば、上記以外の情報を含むものでもよい。なお、学習用データ１３ａを構成する危害原因物質情報は、第１の実施形態と同様であるため、説明を省略する。
　原材料受入検査結果情報は、原材料に対して受入検査が行われたときの検査結果を示すものであり、例えば、良否度合等である。半製品検査結果情報は、半製品に対して検査が行われたときの検査結果を示すものであり、例えば、良否度合等である。製品検査結果情報は、製品に対して検査が行われたときの検査結果を示すものであり、例えば、良否度合等である。
　製造パラメータ情報は、食品製造工程における製造パラメータを示すものであり、例えば、食品洗浄装置の洗浄温度や洗浄時間、食品殺菌装置の殺菌温度や殺菌時間、食品加工装置の加熱温度や加熱時間等である。
　ゾーン属性情報は、食品製造環境におけるゾーン１００の属性を示すものであり、例えば、汚染作業区域、準清潔作業区域、及び、清潔作業区域で分類される。
　空間情報は、食品製造環境における空間状況を示すものであり、例えば、気温、湿度、空気清浄度、気圧等である。
　清掃情報は、作業者により食品製造環境の清掃作業が行われたときの清掃状況を示すものであり、例えば、清掃作業を行った作業者、清掃作業後の経過時間、清掃作業時の洗浄剤、清掃作業時の清掃方法等である。
　作業者情報は、食品製造環境において作業する作業者の作業状況を示すものであり、例えば、作業者の動線等である。
　学習用データ取得部５００は、上記の食品製造環境情報に対応する試験条件に従って試験室１１の試験設備を動作させることで食品汚染解析試験が実施されたときに、その試験結果を環境汚染指標検出情報及び危害原因物質発生情報として取得するとともに、その試験条件を食品製造環境情報として取得することで、学習用データ１３ａを取得する。
　機械学習部５０１は、学習モデル１２ａに学習用データ１３ａを複数組入力し、学習用データ１３ａに含まれる環境汚染指標情報と危害原因物質情報との相関関係を学習モデル１２ａに学習させることで、学習済みの学習モデル１２ａを生成する。
　図１６は、第２の実施形態に係る食品汚染予測装置６ａの一例を示すブロック図である。図１７は、第２の実施形態に係る食品汚染予測装置６ａの一例を示す機能説明図である。
　情報取得部６００は、予測地点における環境汚染指標検出情報及び食品製造環境情報を含む環境汚染指標情報を取得する。その際、情報取得部６００は、工程管理データベース４０、ゾーン管理データベース４１、及び、作業者管理データベース４２に登録された情報を参照し、食品製造環境情報を取得する。なお、食品製造環境情報は、原材料受入検査結果情報、半製品検査結果情報、製品検査結果情報、製造パラメータ情報、ゾーン属性情報、空間情報、清掃情報、及び、作業者情報のうち少なくとも１つを含むものでもよいし、食品製造環境の状況を示す情報であれば、上記以外の情報を含むものでもよい。
　予測部６０１は、上記のように、情報取得部６００により取得された予測地点における環境汚染指標情報を入力データとして学習モデル１２に入力することで出力される危害原因物質情報に基づいて、当該予測地点における危害原因物質の発生状況を予測する。
　以上のように、本実施形態に係る食品汚染予測装置６ａ及び食品汚染予測方法によれば、環境汚染指標検出情報及び食品製造環境情報を含む環境汚染指標情報を学習モデル１２ａに入力することで出力される危害原因物質情報に基づいて、危害原因物質の発生状況が予測されるので、危害原因物質を直接検査しなくても危害原因物質の発生状況を簡易に予測することができる。その際、食品製造環境情報が反映されるため、危害原因物質の発生状況をより高精度に予測することができる。
（第３の実施形態）
　第３の実施形態は、環境汚染指標情報が、所定の領域内の複数の地点における環境汚染指標の検出状況を含み、危害原因物質情報が、その領域における危害原因物質の発生分布状況を含む点で第１の実施形態と相違する。以下では、第３の実施形態に係る機械学習装置５ｂ及び食品汚染予測装置６ｂについて、第１の実施形態と異なる部分を中心に説明する。
　図１８は、第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。図１９は、第３の実施形態に係る学習モデル１２ｂ及び学習用データ１３ｂの一例を示す図である。学習用データ１３ｂは、学習モデル１２ｂの機械学習に用いられる。
　学習用データ１３ｂを構成する環境汚染指標情報は、学習領域内に複数の学習地点における環境汚染指標検出情報を含む。図１９に示す環境汚染指標情報は、９箇所の地点Ｐ１１～Ｐ３３において環境汚染指標の検査が行われたときの環境汚染指標検査装置３Ａによる検査結果に基づく環境汚染指標検出情報を含むものである。
　学習用データ１３ｂを構成する危害原因物質情報は、学習領域における危害原因物質の発生分布状況を示す危害原因物質発生分布情報を含む。危害原因物質発生分布情報は、例えば、学習領域を所定の大きさのメッシュ状に区切ったときに、各メッシュにおける危害原因物質の発生状況を示すものである。図１９に示す危害原因物質情報は、学習領域を９つのメッシュＱ１１～Ｑ３３に区切ったときの危害原因物質発生分布情報を含み、危害原因物質発生分布情報は、９つのメッシュ内のそれぞれの地点（例えば、各メッシュの中心）において危害原因物質の検査が行われたときの危害原因物質検査装置３Ｂによる検査結果に基づくものである。なお、危害原因物質の発生状況が、例えば、０～１の範囲を有する発生レベルで表される場合には、危害原因物質の発生分布状況は、学習領域に対応するマップ上に対して、各メッシュの発生レベルの値に応じた濃淡色やカラー色で表される。
　学習用データ取得部５００は、食品汚染解析試験が実施されたときに、試験室１１内の複数の地点（学習地点）における環境汚染指標検査装置３Ａによる環境汚染指標の検出状況を取得するとともに、試験室１１内の複数の地点（各メッシュに対応する地点であり、学習地点と同一の地点でもよいし、異なる地点でもよい）における危害原因物質検査装置３Ｂによる危害原因物質の発生状況を取得することで、学習用データ１３ｂを取得する。
　機械学習部５０１は、学習モデル１２ｂに学習用データ１３ｂを複数組入力し、学習用データ１３ｂに含まれる環境汚染指標情報と危害原因物質情報との相関関係を学習モデル１２ｂに学習させることで、学習済みの学習モデル１２ｂを生成する。
　図２０は、第３の実施形態に係る食品汚染予測装置６ｂの一例を示すブロック図である。図２１は、第３の実施形態に係る食品汚染予測装置６ｂの一例を示す機能説明図である。
　情報取得部６００は、食品工場１０（予測領域）内の複数の予測地点における環境汚染指標検出情報を含む環境汚染指標情報を取得する。なお、予測領域は、食品工場１０の全体でもよいし、１又は複数のゾーン１００でもよいし、１又は複数のゾーン１００の一部でもよい。
　予測部６０１は、上記のように、情報取得部６００により取得された食品工場１０における環境汚染指標情報を入力データとして学習モデル１２ｂに入力することで出力される危害原因物質情報に基づいて、当該食品工場１０における危害原因物質の発生分布状況を予測する。危害原因物質の発生分布状況は、各メッシュの発生レベルの値に応じた濃淡色やカラー色を割り当てることで、例えば、バイオハザードマップとして利用可能である。
　以上のように、本実施形態に係る食品汚染予測装置６ｂ及び食品汚染予測方法によれば、環境汚染指標検出情報を含む環境汚染指標情報を学習モデル１２ｂに入力することで出力される危害原因物質情報に基づいて、危害原因物質の発生分布状況が予測されるので、危害原因物質を直接検査しなくても危害原因物質の発生分布状況を簡易に予測することができる。
（第４の実施形態）
　第４の実施形態は、環境汚染指標情報が、第３の実施形態と同様に、所定の領域内の複数の地点における環境汚染指標の検出状況を含み、危害原因物質情報が、その領域における危害原因物質の汚染源を含む点で第１の実施形態と相違する。以下では、第４の実施形態に係る機械学習装置５ｃ及び食品汚染予測装置６ｃについて、第１及び第３の実施形態と異なる部分を中心に説明する。
　図２２は、第４の実施形態に係る機械学習装置５ｃの一例を示すブロック図である。図２３は、第４の実施形態に係る学習モデル１２ｃ及び学習用データ１３ｃの一例を示す図である。学習用データ１３ｃは、学習モデル１２ｃの機械学習に用いられる。
　学習用データ１３ｃを構成する環境汚染指標情報は、第３の実施形態と同様に、学習領域内に複数の学習地点における環境汚染指標検出情報を含む。
　学習用データ１３ｃを構成する危害原因物質情報は、学習領域における危害原因物質の汚染源を示す危害原因物質汚染源情報を含む。危害原因物質汚染源情報は、図２３に示すように、学習領域における汚染源の位置を示すものでもよいし、汚染源が存在する、所定の大きさを有する領域を示すものでもよい。
　学習用データ取得部５００は、食品汚染解析試験が実施されたときに、試験室１１内の複数の地点（学習地点）における環境汚染指標検査装置３Ａによる環境汚染指標の検出状況を取得するとともに、試験室１１内の複数の地点における危害原因物質検査装置３Ｂによる危害原因物質の発生状況を取得し、危害原因物質の汚染源の位置を特定することで、学習用データ１３ｃを取得する。
　機械学習部５０１は、学習モデル１２ｃに学習用データ１３ｃを複数組入力し、学習用データ１３ｃに含まれる環境汚染指標情報と危害原因物質情報との相関関係を学習モデル１２ｃに学習させることで、学習済みの学習モデル１２ｃを生成する。
　図２４は、第４の実施形態に係る食品汚染予測装置６ｃの一例を示すブロック図である。図２５は、第４の実施形態に係る食品汚染予測装置６ｃの一例を示す機能説明図である。
　情報取得部６００は、食品工場１０（予測領域）内の複数の予測地点における環境汚染指標検出情報を含む環境汚染指標情報を取得する。なお、予測領域は、食品工場１０の全体でもよいし、１又は複数のゾーン１００でもよいし、１又は複数のゾーン１００の一部でもよい。
　予測部６０１は、上記のように、情報取得部６００により取得された食品工場１０における環境汚染指標情報を入力データとして学習モデル１２ｃに入力することで出力される危害原因物質情報に基づいて、当該食品工場１０における危害原因物質の汚染源を予測する。
　以上のように、本実施形態に係る食品汚染予測装置６ｃ及び食品汚染予測方法によれば、環境汚染指標検出情報を含む環境汚染指標情報を学習モデル１２ｃに入力することで出力される危害原因物質情報に基づいて、危害原因物質の汚染源が予測されるので、危害原因物質を直接検査しなくても危害原因物質の汚染源を簡易に予測することができる。
（他の実施形態）
　本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
　上記実施形態は、適宜組み合わせてもよく、例えば、第３の実施形態又は第４の実施形態に第２の実施形態を組み合わせることで、環境汚染指標情報が、環境汚染指標検出情報及び食品製造環境情報を含むようにしてもよいし、第３の実施形態に第４の実施形態を組み合わせることで、危害原因物質情報が、危害原因物質発生分布情報及び危害原因物質汚染源情報を含むようにしてもよい。その場合には、学習モデル及び学習用データのデータ構成を適宜変更すればよい。
　上記実施形態では、食品汚染予測装置６、６ａ～６ｃは、環境汚染指標情報が取得された時点（現在時点）に対する危害原因物質情報を予測するものとして説明したが、その現在時点よりも将来の時点（将来時点）における危害原因物質情報を予測するようにしてもよい。その際、食品汚染予測装置６、６ａ～６ｃは、現在時点の危害原因物質情報と、将来時点の危害原因物質情報とを予測するようにしてもよいし、複数の将来時点（例えば、１時間毎）の危害原因物質情報を予測することにより危害原因物質情報の経時変化を予測するようにしてもよい。その場合には、学習モデル及び学習用データのデータ構成を適宜変更すればよい。
　上記実施形態では、製造管理装置４、機械学習装置５、５ａ～５ｃ及び食品汚染予測装置６、６ａ～６ｃは、別々の装置で構成されたものとして説明したが、それら３つの装置が、単一の装置で構成されていてもよいし、それら３つの装置のうち任意の２つの装置が、単一の装置で構成されていてもよい。また、機械学習装置５、５ａ～５ｃ及び食品汚染予測装置６、６ａ～６ｃの少なくとも一方は、作業者端末装置２に組み込まれていてもよい。
　上記実施形態では、機械学習部５０１による機械学習を実現する学習モデル１２、１２ａ～１２ｃとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰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、ＬＳＴＭ等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
（機械学習プログラム及び食品汚染予測プログラム）
　本発明は、機械学習装置５が備える各部としてコンピュータ９００を機能させるプログラム（機械学習プログラム）や、機械学習方法が備える各工程をコンピュータ９００に実行させるためのプログラム（機械学習プログラム）の態様で提供することもできる。また、本発明は、食品汚染予測装置６が備える各部としてコンピュータ９００を機能させるためのプログラム（食品汚染予測プログラム）や、上記実施形態に係る食品汚染予測方法が備える各工程をコンピュータ９００に実行させるためのプログラム（食品汚染予測プログラム）の態様で提供することもできる。
（推論装置、推論方法及び推論プログラム）
　本発明は、上記実施形態に係る食品汚染予測装置６（食品汚染予測方法又は食品汚染予測プログラム）の態様によるもののみならず、危害原因物質情報を推論するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、環境汚染指標情報を取得する情報取得処理（情報取得工程）と、情報取得処理にて環境汚染指標情報を取得すると、危害原因物質の発生状況、発生分布状況又は汚染源を推論する推論処理（推論工程）とを含む。
　推論装置（推論方法又は推論プログラム）の態様で提供することで、食品汚染予測装置を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が危害原因物質情報を推論する際、上記実施形態に係る機械学習装置及び機械学習方法により生成された学習済みの学習モデルを用いて、予測部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
１…食品製造管理システム、２…作業者端末装置、
３Ａ…環境汚染指標検査装置、３Ｂ…危害原因物質検査装置、
４…製造管理装置、５、５ａ～５ｃ…機械学習装置、
６、６ａ～６ｃ…食品汚染予測装置、７…ネットワーク、
１０…食品工場、１１…試験室、
１２、１２ａ～１２ｃ…学習モデル、
１３、１３ａ～１３ｃ…学習用データ、
４０…工程管理データベース、４１…ゾーン管理データベース、
４２…作業者管理データベース、４３…検査データベース、
５０…制御部、５１…通信部、５２…学習用データ記憶部、
５３…学習済みモデル記憶部、
６０…制御部、６１…通信部、６２…学習済みモデル記憶部
５００…学習用データ取得部、５０１…機械学習部、
６００…情報取得部、６０１…予測部、６０２…出力処理部

Claims (15)

  1. 　食品事故の発生原因となり得る危害原因物質の発生状況を予測する食品汚染予測装置であって、
    　予測地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得部と、
    　前記情報取得部により取得された前記環境汚染指標情報を、学習地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習地点における前記危害原因物質の発生状況を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデルに入力することで出力される前記危害原因物質情報に基づいて、前記予測地点における前記危害原因物質の発生状況を予測する予測部と、を備える、
    　食品汚染予測装置。
  2. 　前記情報取得部は、
    　　予測領域内の複数の前記予測地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報を取得し、
    　前記予測部は、
    　　前記情報取得部により取得された前記環境汚染指標情報を、学習領域内の複数の前記学習地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習領域における前記危害原因物質の発生分布状況を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデルに入力することで出力される前記危害原因物質情報に基づいて、前記予測領域における前記危害原因物質の発生分布状況を予測する、
    　請求項１に記載の食品汚染予測装置。
  3. 　前記情報取得部は、
    　　予測領域内の複数の前記予測地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報を取得し、
    　前記予測部は、
    　　前記情報取得部により取得された前記環境汚染指標情報を、学習領域内の複数の前記学習地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習領域における前記危害原因物質の汚染源を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデルに入力することで出力される前記危害原因物質情報に基づいて、前記予測領域における前記危害原因物質の汚染源を予測する、
    　請求項１又は請求項２に記載の食品汚染予測装置。
  4. 　前記環境汚染指標情報が、
    　　前記予測地点又は前記学習地点を含む食品製造環境の状況を示す食品製造環境情報を含む、
    　請求項１乃至請求項３のいずれか一項に記載の食品汚染予測装置。
  5. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、前記食品製造環境に対する清掃状況を示す清掃情報を含む、
    　請求項４に記載の食品汚染予測装置。
  6. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、
    　　前記食品製造環境にて行われる食品製造工程で使用される原材料の受入検査結果を示す原材料受入検査結果情報、
    　　前記食品製造工程で製造される製品の検査結果を示す製品検査結果情報、及び、
    　　前記食品製造工程で製造される半製品の検査結果を示す半製品検査結果情報のうち少なくとも１つを含む、
    　請求項４又は請求項５に記載の食品汚染予測装置。
  7. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、前記食品製造環境にて行われる食品製造工程における製造パラメータを示す製造パラメータ情報を含む、
    　請求項４乃至請求項６のいずれか一項に記載の食品汚染予測装置。
  8. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、前記食品製造環境における空間状況を示す空間情報を含む、
    　請求項４乃至請求項７のいずれか一項に記載の食品汚染予測装置。
  9. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、前記食品製造環境におけるゾーンの属性を示すゾーン属性情報を含む、
    　請求項４乃至請求項８のいずれか一項に記載の食品汚染予測装置。
  10. 　前記環境汚染指標情報が、
    　　前記食品製造環境情報として、前記食品製造環境において作業する作業者の作業状況を示す作業者情報を含む、
    　請求項４乃至請求項９のいずれか一項に記載の食品汚染予測装置。
  11. 　メモリと、プロセッサとを備え、食品事故の発生原因となり得る危害原因物質の発生状況を推論する推論装置であって、
    　前記プロセッサは、
    　予測地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得処理と、
    　　前記情報取得処理にて前記環境汚染指標情報を取得すると、前記予測地点における前記危害原因物質の発生状況を推論する推論処理と、を実行する、
    　推論装置。
  12. 　食品事故の発生原因となり得る危害原因物質の発生状況を予測するための学習モデルを生成する機械学習装置であって、
    　学習地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習地点における前記危害原因物質の発生状況を含む危害原因物質情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
    　複数組の前記学習用データを前記学習モデルに入力することで、前記環境汚染指標情報と前記危害原因物質情報との相関関係を前記学習モデルに学習させる機械学習部と、
    　前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
    　機械学習装置。
  13. 　食品事故の発生原因となり得る危害原因物質の発生状況を予測する食品汚染予測方法であって、
    　予測地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得工程と、
    　前記情報取得工程により取得された前記環境汚染指標情報を、学習地点における前記環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習地点における前記危害原因物質の発生状況を含む危害原因物質情報との相関関係を機械学習により学習させた学習モデルに入力することで出力される前記危害原因物質情報に基づいて、前記予測地点における前記危害原因物質の発生状況を予測する予測工程と、を備える、
    　食品汚染予測方法。
  14. 　メモリと、プロセッサとを備える推論装置により実行されて、食品事故の発生原因となり得る危害原因物質の発生状況を推論する推論方法であって、
    　前記プロセッサは、
    　予測地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む環境汚染指標情報を取得する情報取得工程と、
    　　前記情報取得工程にて前記環境汚染指標情報を取得すると、前記予測地点における前記危害原因物質の発生状況を推論する推論工程と、を実行する、
    　推論方法。
  15. 　食品事故の発生原因となり得る危害原因物質の発生状況を予測するための学習モデルを生成する機械学習方法であって、
    　学習地点における、前記危害原因物質とは異なる環境汚染指標の検出状況を含む前記環境汚染指標情報と、前記学習地点における前記危害原因物質の発生状況を含む危害原因物質情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
    　複数組の前記学習用データを前記学習モデルに入力することで、前記環境汚染指標情報と前記危害原因物質情報との相関関係を前記学習モデルに学習させる機械学習工程と、
    　前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    　機械学習方法。
     
PCT/JP2022/039639 2021-11-02 2022-10-25 食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法 WO2023080010A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
AU2022382158A AU2022382158A1 (en) 2021-11-02 2022-10-25 Food contamination prediction device, inference device, machine learning device, food contamination prediction method, inference method, and machine learning method
CN202280061922.6A CN118020085A (zh) 2021-11-02 2022-10-25 食品污染预测装置、推理装置、机器学习装置、食品污染预测方法、推理方法及机器学习方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-179153 2021-11-02
JP2021179153A JP7355098B2 (ja) 2021-11-02 2021-11-02 食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法

Publications (1)

Publication Number Publication Date
WO2023080010A1 true WO2023080010A1 (ja) 2023-05-11

Family

ID=86240936

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/039639 WO2023080010A1 (ja) 2021-11-02 2022-10-25 食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法

Country Status (4)

Country Link
JP (1) JP7355098B2 (ja)
CN (1) CN118020085A (ja)
AU (1) AU2022382158A1 (ja)
WO (1) WO2023080010A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015007A (ja) 2000-06-30 2002-01-18 Daikin Ind Ltd 衛生計測システム
JP2002230179A (ja) * 2001-01-31 2002-08-16 Johnson Professional Co Ltd 総合衛生管理システム及びそのためのコンピュータ・プログラム
JP2007312738A (ja) * 2006-05-29 2007-12-06 Kikkoman Corp 飲食品中における微生物の生育性予測方法
JP2012103801A (ja) * 2010-11-08 2012-05-31 Nippon Sasutena Co Ltd 食品安全管理システムおよび方法
WO2013129655A2 (ja) * 2012-03-02 2013-09-06 株式会社明治 微生物数の増殖を予測する方法
JP2016224524A (ja) * 2015-05-27 2016-12-28 富士電機株式会社 食品流通管理システム及び食品流通管理方法
JP2021045374A (ja) * 2019-09-19 2021-03-25 ▲高▼橋金属株式会社 業務用手洗い装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015007A (ja) 2000-06-30 2002-01-18 Daikin Ind Ltd 衛生計測システム
JP2002230179A (ja) * 2001-01-31 2002-08-16 Johnson Professional Co Ltd 総合衛生管理システム及びそのためのコンピュータ・プログラム
JP2007312738A (ja) * 2006-05-29 2007-12-06 Kikkoman Corp 飲食品中における微生物の生育性予測方法
JP2012103801A (ja) * 2010-11-08 2012-05-31 Nippon Sasutena Co Ltd 食品安全管理システムおよび方法
WO2013129655A2 (ja) * 2012-03-02 2013-09-06 株式会社明治 微生物数の増殖を予測する方法
JP2016224524A (ja) * 2015-05-27 2016-12-28 富士電機株式会社 食品流通管理システム及び食品流通管理方法
JP2021045374A (ja) * 2019-09-19 2021-03-25 ▲高▼橋金属株式会社 業務用手洗い装置

Also Published As

Publication number Publication date
CN118020085A (zh) 2024-05-10
JP7355098B2 (ja) 2023-10-03
AU2022382158A1 (en) 2024-03-28
JP2023068247A (ja) 2023-05-17

Similar Documents

Publication Publication Date Title
US20220058525A1 (en) Model integration apparatus, model integration method, computer-readable storage medium storing a model integration program, inference system, inspection system, and control system
CN109839915A (zh) 诊断装置、诊断方法及存储介质
CN107944563B (zh) 机械学习装置以及机械学习方法
JP7477608B2 (ja) 分類モデルの正解率の改良
JP2018045483A (ja) 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム
WO2021225097A1 (ja) 画像検査装置、画像検査方法及びプログラム
WO2021199194A1 (ja) 診断システム、診断方法及びプログラム
CN107831736A (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型‑工厂失配检测
Böhner et al. Integrating digitization technologies into resource efficiency driven industrial learning environments
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
KR20180064957A (ko) 제조공정 통합 관리 향상 시스템
Zhang et al. Top ten intelligent algorithms towards smart manufacturing
WO2023080010A1 (ja) 食品汚染予測装置、推論装置、機械学習装置、食品汚染予測方法、推論方法、及び、機械学習方法
CN112904807B (zh) 工业分析系统、方法和非暂态计算机可读介质
CA3187871A1 (en) Smart digital computer platform to display fugitive emissions of a facility
Pang Intelligent belt conveyor monitoring and control
Wagner et al. An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance
KR102469229B1 (ko) 인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법
JP2023531301A (ja) イベントチェーン応答システム
JP6696650B1 (ja) 飼育環境判別プログラム
Lepore et al. Neural network based control charting for multiple stream processes with an application to HVAC systems in passenger railway vehicles
CN117191126B (zh) 一种集装箱自检系统、方法、装置及存储介质
JP7490793B2 (ja) 自動分析装置、推奨アクション通知システムおよび推奨アクション通知方法
WO2018056257A1 (ja) 光検査装置及び光検査システム
US20230393538A1 (en) Method and System for Event Handling in Industrial Process Automation

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: 22889830

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022382158

Country of ref document: AU

Ref document number: 809140

Country of ref document: NZ

Ref document number: AU2022382158

Country of ref document: AU

WWE Wipo information: entry into national phase

Ref document number: 2401001787

Country of ref document: TH

ENP Entry into the national phase

Ref document number: 2022382158

Country of ref document: AU

Date of ref document: 20221025

Kind code of ref document: A

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112024008089

Country of ref document: BR

WWE Wipo information: entry into national phase

Ref document number: 2022889830

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022889830

Country of ref document: EP

Effective date: 20240603