特開 2024-139943 魚肉鮮度評価システム、魚肉鮮度評価装置、魚肉鮮度評価方法、魚肉鮮度評価プログラムおよび記録媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024139943

(43)【公開日】2024-10-10

(54)【発明の名称】魚肉鮮度評価システム、魚肉鮮度評価装置、魚肉鮮度評価方法、魚肉鮮度評価プログラムおよび記録媒体

(51)【国際特許分類】

   G01N 33/12 20060101AFI20241003BHJP

   G06N 20/00 20190101ALI20241003BHJP

   G01N 27/12 20060101ALI20241003BHJP

   G06N 3/0464 20230101ALI20241003BHJP

【ＦＩ】

G01N33/12

G06N20/00 130

G01N27/12 A

G06N3/0464

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2023050898

(22)【出願日】2023-03-28

【国等の委託研究の成果に係る記載事項】（出願人による申告）国立研究開発法人農業・食品産業技術総合研究機構生物系特定産業技術研究支援センター「イノベーション創出強化研究推進事業（輸出促進を目指した生鮮水産物の品質制御と鮮度の“見える化”技術の開発）」、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】301021533

【氏名又は名称】国立研究開発法人産業技術総合研究所

(71)【出願人】

【識別番号】000173511

【氏名又は名称】公益財団法人函館地域産業振興財団

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(72)【発明者】

【氏名】伊藤 敏雄

(72)【発明者】

【氏名】崔 弼圭

(72)【発明者】

【氏名】増田 佳丈

(72)【発明者】

【氏名】申 ウソク

(72)【発明者】

【氏名】吉岡 武也

(72)【発明者】

【氏名】菅原 智明

(72)【発明者】

【氏名】緒方 由美

【テーマコード（参考）】

2G046

【Ｆターム（参考）】

2G046AA14

2G046AA22

2G046AA23

2G046AA24

2G046AA25

2G046AA26

2G046FB02

2G046FE07

2G046FE09

2G046FE15

2G046FE18

2G046FE39

2G046FE44

2G046FE46

2G046FE48

2G046FE49

(57)【要約】

【課題】魚肉のニオイを用いて当該魚肉の鮮度を評価する非破壊試験方法を提供する。
【解決手段】魚肉鮮度評価システム２００は、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出する分析手段５と、検出した成分を、共通の官能基を持つ複数の族に集約する集約手段２０部と、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する模擬鮮度指標ガス生成手段３０部と、魚肉鮮度評価装置１００と、を含む。魚肉鮮度評価装置１００は、センサ１０と、模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う学習部４０と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出する分析手段と、
検出した成分を、共通の官能基を持つ複数の族に集約する集約手段と、
前記複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する模擬鮮度指標ガス生成手段と、
魚肉鮮度評価装置と、
を含み、
前記魚肉鮮度評価装置は、
センサと、
前記模擬鮮度指標ガスに対して前記センサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う学習部と、
を備えることを特徴とする魚肉鮮度評価システム。

【請求項2】

前記所定の値は７０％であることを特徴とする請求項１に記載の魚肉鮮度評価システム。

【請求項3】

前記族は、アルデヒド、飽和アルコール、不飽和アルコール、ケトン、硫黄化合物、飽和エステル、不飽和エステル、飽和炭化水素または不飽和炭化水素を含むことを特徴とする請求項１または２に記載の魚肉鮮度評価システム。

【請求項4】

前記センサは、複数の半導体式ガスセンサから構成されることを特徴とする請求項１または２に記載の魚肉鮮度評価システム。

【請求項5】

前記半導体式ガスセンサは、ｎ型半導体、ｐ型半導体またはバルク応答型半導体を含むことを特徴とする請求項４に記載の魚肉鮮度評価システム。

【請求項6】

前記機械学習は、畳み込みニューラルネットワークであることを特徴とする請求項１または２に記載の魚肉鮮度評価システム。

【請求項7】

前記センサのシグナルの範囲は、ニオイを有するガスが前記センサに安定して供給されシグナルが一定である状態から、当該ニオイを有するガスの供給が停止されシグナルが復元するまでの過程であることを特徴とする請求項５に記載の魚肉鮮度評価システム。

【請求項8】

センサと、
模擬鮮度指標ガスに対して前記センサから得られるシグナルと、魚肉の鮮度と、を学習データおよびテストデータとして機械学習を行う学習部と、
を備えた魚肉鮮度評価装置であって、
前記模擬鮮度指標ガスは、
分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、
検出した成分を、共通の官能基を持つ複数の族に集約するステップと、
前記複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、
を含む方法により生成されることを特徴とする魚肉鮮度評価装置。

【請求項9】

模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップを含む魚肉鮮度評価方法であって、
前記模擬鮮度指標ガスは、
分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、
検出した成分を、共通の官能基を持つ複数の族に集約するステップと、
前記複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、
を含む方法により生成されることを特徴とする方法。

【請求項10】

模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップをコンピュータに実行させる魚肉鮮度評価プログラムであって、
前記模擬鮮度指標ガスは、
分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、
検出した成分を、共通の官能基を持つ複数の族に集約するステップと、
前記複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、
を含む方法により生成されることを特徴とするプログラム。

【請求項11】

模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップをコンピュータに実行させる魚肉鮮度評価プログラムを記録した記録媒体であって、
前記模擬鮮度指標ガスは、
分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、
検出した成分を、共通の官能基を持つ複数の族に集約するステップと、
前記複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、
を含む方法により生成されることを特徴とする記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、魚肉鮮度評価システム、魚肉鮮度評価装置、魚肉鮮度評価方法、魚肉鮮度評価プログラムおよび記録媒体に関する。

【背景技術】

【0002】

従来、魚肉の鮮度を評価する化学的鮮度指標として、Ｋ値が用いられてきた。Ｋ値は、ＡＴＰ（アデノシン三リン酸）およびその分解生成物全量に対して、ＨｘＲ（イノシン）＋Ｈｘ（ヒポキサンチン）の量が占める割合である。すなわち、
K（%）＝(HxR + Hx) / (ATP + ADP + AMP + IMP + HxR + Hx) × 100
ここで、ＡＤＰはアデノシン二リン酸、ＡＭＰはアデニル酸、ＩＭＰはイノシン酸である。
魚の死後、魚肉のＡＴＰは、
ATP→ADP→AMP→IMP→HxR→Hx
の経路で分解するので、ＨｘＲやＨｘの量が少ないほどＫ値は低くなる。すなわち、Ｋ値が低いほど魚の鮮度はよい。正確な鮮度評価のためにＫ値を求めるためには、上記６成分の含有比を求める必要がある。しかし、破壊試験（魚肉のサンプリングが必要）を用いて上記６成分を求めるためには、液相クロマトグラフィー等を用いた分析手段が必要であり、専門的な装置や知識が必要とされる。しかし、現場で簡易的に鮮度を見積もればよい場合や、その場ですぐに見積もらなければならない場合は、簡便なスクリーニング方法が望まれる。さらに、Ｋ値を直接計測することなく、間接的に鮮度を評価できる方法があれば、なお有用である。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－１６４１６８

【特許文献2】特開２０１７－１５０９４４

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のように、魚肉鮮度の一般的な評価方法はＫ値を求める破壊試験である。一方、非破壊試験は、先行技術はあるものの、一部の魚肉の状態では適用できない。従って、非破壊試験であってかつ簡便な、新しい試験方法が望まれる。

【0005】

例えば特許文献１に開示された技術は、魚の目に所定の波長帯域の光を入射し、得られる複数の反射光の強度から鮮度を推定する。これは非破壊試験ではあるが、ラウンド（１匹そのままで未調理の魚肉）には適応できるが、フィレー（３枚におろした魚肉）など頭部を切除した魚肉や貝類等には適応できない。魚肉は内臓などを除くことで鮮度低下を低減できるので、フィレーで保管するケースもある。従って、このような状態の魚肉にも適応できる鮮度評価方法および装置が望まれる。

【0006】

魚肉などの食品は、鮮度低下に伴い腐敗臭を発するといったように、発するニオイが変化する。このニオイを利用してスクリーニングが可能になれば、簡便な非破壊試験が提供できると期待される。

【0007】

例えば複数のガスセンサで事前に多様な鮮度状態の魚肉のニオイを計測し、これらのデータを用いて機械学習の分類器を学習させ、ニオイから鮮度を判定する方法がある。しかし、魚肉のニオイを分類する技術は実現されていない。またガスセンサのニオイ検知評価では、一般にニオイが充満したときのシグナルが使われる。しかし、このシグナルだけでは充分な判定精度は得られない。

【0008】

例えば特許文献２に開示された技術は、複数のガスセンサと機械学習を用いたニオイ測定に関する。特許文献２には、バルク応答型半導体式センサまたはＰ型の半導体式センサを用いることで分類性が向上したことが示されているが、分類方法としては主成分分析しか開示されていない。また、校正ガスの生成方法についても言及がなく、この技術は魚肉の鮮度評価には応用できない。

【0009】

装置を用いて魚肉鮮度を判定するには、当該装置の性能を客観的に評価できる手段が必要である。特に魚肉など天然の食品のニオイは、同魚種間であっても、産地、獲得の経緯、輸送条件、管理状況、生物的個体差、魚肉の状態や計測方法などによって、ニオイにバラツキが生じる。このため、実際の魚肉のニオイを使って装置の評価を行うと、その都度校正結果にバラつきが生じる恐れがある。同一の条件で評価するためには、対象の魚肉に関する合理的かつ客観的な混合ガスを用いることが望ましい。

【0010】

本発明はこうした状況に鑑みてなされたものであり、その目的は、魚肉のニオイを用いて当該魚肉の鮮度を評価する合理的かつ客観的な非破壊試験方法を提供することにある。

【課題を解決するための手段】

【0011】

上記課題を解決するために、本発明のある態様の魚肉鮮度評価システムは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出する分析手段と、検出した成分を、共通の官能基を持つ複数の族に集約する集約手段と、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する模擬鮮度指標ガス生成手段と、魚肉鮮度評価装置と、を含む。魚肉鮮度評価装置は、センサと、模擬鮮度指標ガスに対してセンサから得られるシグナルと、魚肉の鮮度と、を学習データおよびテストデータとして機械学習を行う学習部と、を備える。

【0012】

ある実施の形態では、所定の値は７０％であってもよい。

【0013】

ある実施の形態では、族は、アルデヒド、飽和アルコール、不飽和アルコール、ケトン、硫黄化合物、飽和エステル、不飽和エステル、飽和炭化水素または不飽和炭化水素を含んでもよい。

【0014】

ある実施の形態では、センサは、複数の半導体式ガスセンサから構成されてもよい。

【0015】

ある実施の形態では、半導体式ガスセンサは、ｎ型半導体、ｐ型半導体またはバルク応答型半導体を含んでもよい。

【0016】

ある実施の形態では、機械学習は、畳み込みニューラルネットワークであってもよい。

【0017】

ある実施の形態では、センサのシグナルの範囲は、ニオイを有するガスがセンサに安定して供給されシグナルが一定である状態から、当該ニオイを有するガスの供給が停止されシグナルが復元するまでの過程であってもよい。

【0018】

本発明の別の態様は、魚肉鮮度評価装置である。この装置は、センサと、模擬鮮度指標ガスに対してセンサから得られるシグナルと、魚肉の鮮度と、を学習データおよびテストデータとして機械学習を行う学習部と、を備える。模擬鮮度指標ガスは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、検出した成分を、共通の官能基を持つ複数の族に集約するステップと、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、を含む方法により生成される。

【0019】

本発明の別の態様は、魚肉鮮度評価装置方法である。この方法は、模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップを含む。模擬鮮度指標ガスは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、検出した成分を、共通の官能基を持つ複数の族に集約するステップと、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、を含む方法により生成される。

【0020】

本発明のさらに別の態様は、魚肉鮮度評価プログラムである。このプログラムは、模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップをコンピュータに実行させる。模擬鮮度指標ガスは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、検出した成分を、共通の官能基を持つ複数の族に集約するステップと、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、を含む方法により生成される。

【0021】

本発明のさらに別の態様は、記録媒体である。この記録媒体は、模擬鮮度指標ガスに対してセンサから得られるシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うステップをコンピュータに実行させる魚肉鮮度評価プログラムを記録したものである。模擬鮮度指標ガスは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、検出した成分を、共通の官能基を持つ複数の族に集約するステップと、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、を含む方法により生成される。

【0022】

なお、以上の構成要素の任意の組合せ、本発明の表現を装置、方法、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。

【発明の効果】

【0023】

本発明によれば、魚肉のニオイを用いて、当該魚肉の鮮度を評価することができる。

【図面の簡単な説明】

【0024】

【図1】第１の実施の形態に係る魚肉鮮度評価装置の機能ブロック図である。

【図2】第３の実施の形態に係る魚肉鮮度評価方法の処理を示すフローチャートである。

【図3】実験１におけるセンサ素子の抵抗値の変化を示す模式図である。

【図4】実験１におけるセンサ素子の抵抗値の変化を示す模式図であって、模擬鮮度指標ガスに暴露させた２０分の区間の１つを拡大した模式図である。

【図5】ＣＮＮによる分類器を示す図である。

【図6】実験２におけるセンサ素子の抵抗値の変化を示す模式図であって、模擬鮮度指標ガスに暴露させた２０分の区間の１つを拡大した図である。

【図7】ＡＮＮによる分類器を示す図である。

【発明を実施するための形態】

【0025】

以下、本発明を好適な実施の形態をもとに各図面を参照しながら説明する。実施の形態及び変形例では、同一又は同等の構成要素、部材には同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示す。また、各図面において実施の形態を説明する上で重要でない部材の一部は省略して表示する。また、第１、第２などの序数を含む用語が多様な構成要素を説明するために用いられるが、こうした用語は一つの構成要素を他の構成要素から区別する目的でのみ用いられ、この用語によって構成要素が限定されるものではない。

【0026】

［第１の実施の形態］
図１に、第１の実施の形態に係る魚肉鮮度評価システム２００の機能ブロック図を示す。魚肉鮮度評価システム２００は、分析手段５と、集約手段２０と、模擬鮮度指標ガス生成手段３０と、魚肉鮮度評価装置１００と、を含む。魚肉鮮度評価装置１００は、センサ１０と、学習部４０と、を備える。

【0027】

分析手段５は、魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出する。分析手段には、例えばガスクロマトグラフィー質量分析計（ＧＣ／ＭＳ）を用いてもよいが、これに限られるものではない。

【0028】

集約手段２０は、分析手段５が検出したガス成分を、共通の官能基を持つ複数の「族」に集約する。本明細書で化合物の族とは、共通の官能基を持つ複数の化合物の集合のことをいう（元素の周期表の縦の列を意味する族とは異なる）。例えば、アセトアルデヒド、プロパナール、ブタナール等はアルデヒド族に属し、メタノール、エタノール、１－プロパノール等は飽和アルコール族に属する。一例として、魚肉のニオイを計測したＧＣ／ＭＳが検出したガスの各成分は、アルデヒド、飽和アルコール、不飽和アルコール、ケトン、硫黄化合物、飽和エステル、不飽和エステル、飽和炭化水素または不飽和炭化水素のいずれかの族に集約される。しかし、本発明で使える化合物の族は、これらに限られない。

【0029】

模擬鮮度指標ガス生成手段３０は、集約手段２０が集約した化合物の族を基に、以下のように模擬鮮度指標ガスを生成する。ここで模擬鮮度指標ガスとは、魚肉が鮮度に応じて発するニオイを模擬するものとして、人工的に生成した混合ガスのことをいう。模擬鮮度指標ガス生成手段３０は、先ず、集約手段２０が集約した複数の族の中から、濃度比の合計が所定の値以上となるような２つ以上の族を主要な族として選択する。この所定の値は、例えば７０％程度である。分析手段５から得られる検出結果は、様々な鮮度状態において魚肉が発するニオイを構成する複数の成分のデータを含む。この場合、模擬鮮度指標ガス生成手段３０は、これらのすべての成分のデータにおいて、濃度比の合計が所定の値以上となるようなものを主要な族として選択することが望ましい。

【0030】

模擬鮮度指標ガス生成手段３０は、次に、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出する。選択された各族の中から抽出される代表的成分は、魚肉のニオイ分析から検出された成分であることが望ましい。

【0031】

以下、アルデヒド、飽和アルコール、不飽和アルコール、ケトン、硫黄化合物、飽和エステル、不飽和エステル、飽和炭化水素または不飽和炭化水素の各族に属する成分の例を列挙する。これらの成分は各族から抽出される代表的成分の候補となるが、必ずしもこれらに限られない。

【0032】

アルデヒド族には、アセトアルデヒド、プロパナール、ブタナール、ペンタナール、ヘキサナール、ヘプタナール、オクタナール、３－メチルブタナール、２－メチルブタナールなどが属する。

【0033】

飽和アルコール族には、メタノール、エタノール、１－プロパノール、イソプロピルアルコール、１－ブタノール、イソブチルアルコール、２－ブタノール、１－ペンタノール、３－ペンタノール、１－ヘキサノール、４－ヘプタノール、２－メチル－１－プロパノール、３－メチル－１－ブタノール、アセトイン、５－メチルー３－ヘプタノール、２－エチルー１－ヘキサノール、イソアミルアルコールなどが属する。

【0034】

不飽和アルコール族には、１－ペンテン－３－オール、２－ペンテン－１－オール、３－ヘキセン－１－オール、１－オクテン－３－オール、２－オクテン－１－オール、２，７－オクタジエン－１－オール、４－メチル－６－ヘプテン－３－オールなどが属する。

【0035】

ケトン族には、アセトン、２－ブタノン、２－ペンタノン、３－ペンタノン、２－ヘプタノン、３－オクタノン、ジアセチル、アセチルプロピオニルなどが属する。

【0036】

飽和エステル族には、酢酸エチル、プロパン酸エチルなどが属する。

【0037】

硫黄化合物族には、二硫化炭素、ジメチルスルフィド、ジメチルジスルフィド、ジメチルトリスルフィド、メチルチオアセテート、ジメチルスルホキシド、プロパンチオ酸Ｓ－メチルなどが属する。

【0038】

飽和エステル族には、酢酸エチル、プロパン酸エチルなどが属する。

【0039】

不飽和エステル族には、２－メチル－２－プロペノン酸メチル、２－プロペノン酸ブチルなどが属する。

【0040】

飽和炭化水素族には、ヘプタン、オクタン、デカン、シクロヘキサンなどが属する。

【0041】

不飽和炭化水素族には、４－エチリデンシクロヘキセン、３，５，５－トリメチル－２－ヘキセン、２－オクテン、３－オクテン、４－オクテン、１，３－オクタジエン、２，４－オクタジエン、３，５－オクタジエン、１，３，５－オクタトリエン、２，４，６－オクタトリエン、α－ピネン、Ｄ－リモネン、ｏ－キシレン、エチルベンゼン、スチレンなどが属する。

【0042】

模擬鮮度指標ガス生成手段３０は、次に、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する。

【0043】

魚肉鮮度評価装置１００は、センサ１０と、学習部４０と、を備える。

【0044】

センサ１０は、魚肉のニオイおよび模擬鮮度指標ガスの計測に用いるガスセンサである。好ましくは、センサ１０は、複数の半導体式ガスセンサから構成されたガスセンサ群ある。さらに好ましくは、複数個の半導体式ガスセンサは、ｎ型半導体、ｐ型半導体、バルク応答型半導体のいずれか、またはそれらの２種以上を含む。

【0045】

ｎ型半導体のガスセンサ材料は、大気中の酸素が吸着すると、電気陰性度の高い酸素がガスセンサ材料粒子中の自由電子を捕捉する。これにより、粒子と粒子との界面の電気抵抗が上昇した状態となる。有機ガス分子が飛来して酸化反応が生じたときに、吸着した酸素を消費することで電気抵抗が低下する。これが、ｎ型半導体のガスセンサの応答メカニズムである。ｎ型半導体式ガスセンサの例として、感応材料の主成分が、例えば、酸化スズ、酸化亜鉛、酸化タングステン、酸化インジウム、酸化チタン、およびこれらが主成分またはこれらを含む複合材料であるものなどがあるが、これらに限られない。

【0046】

ｐ型半導体のガスセンサ材料は、ｎ型半導体と同じく、有機ガス分子が飛来して酸化反応が生じたときに正孔が減少して電気抵抗が増大する、という応答メカニズムに基づく。ｐ型半導体式ガスセンサの例として、感応材料の主成分が、例えば、鉄酸ランタン、酸化コバルト、およびこれらが主成分もしくはこれらを含む複合材料であるものなどがあるが、これらに限られない。

【0047】

バルク応答型の半導体式ガスセンサは、ｎ型半導体の一種である。しかし一般的なｎ型半導体とは異なり、有機ガス分子が飛来して酸化反応が生じたときにバルク中の格子酸素が消費され、自由電子濃度が増大することで電気抵抗が低下する、という応答メカニズムに基づく。バルク応答型の半導体式ガスセンサの例として、酸化セリウム、ジルコニウムをドープした酸化セリウム、およびこれらが主成分またはこれらを含む複合材料であるものなどがあるが、これらに限られない。

【0048】

ニオイの分類を行うには、ガスセンサ群から得られるシグナルのバリエーションが豊富であることが望ましい。従って、応答メカニズムの異なるガスセンサを複数用いることが望ましい。

【0049】

半導体式センサは、ガス成分が持つ官能基が同じであれば類似の応答を示す傾向がある。魚肉のニオイは多種多様な成分を含む混合ガスである。従って、そのままでは、１成分当たりの濃度が非常に低くなる。多種多様な成分を含む混合ガスの製造は、一つの成分当たりの濃度が非常に低くなると困難であり、かつ成分が多すぎると非常に煩雑な作業が必要となる。これに対し、本発明者らは、半導体式センサの応答の性質を利用して、個別のガス成分をいくつかの族に集約すると有利であることに気がついた。

【0050】

学習部４０は、模擬鮮度指標ガス生成手段３０が生成した模擬鮮度指標ガスに対してセンサ１０が出力するシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う。

【0051】

このように機械学習を実行することにより、魚肉が発するニオイを含むガスを入力すると、当該魚肉の鮮度を出力することが可能となる。

【0052】

機械学習を行うにあたって、半導体式ガスセンサ群から得られるシグナルであるセンサ１０の抵抗値は、半導体式センサの種類によって異なる。このため、各センサの寄与を一定にするために補正する必要がある。一般的には規格化、標準化などの方法があるが、好ましくは、模擬鮮度指標ガスおよび魚肉のニオイ導入前の各半導体式センサの電気抵抗値をＲａ、模擬鮮度指標ガスおよび魚肉のニオイ計測中の各半導体式センサの各電気抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓが用いられる。さらにこの応答値Ｓは、規格化または標準化されてもよい。

【0053】

好ましくは、機械学習は、畳み込みニューラルネットワークである。

【0054】

さらに好ましくは、畳み込みニューラルネットワークで用いるガスセンサ群のシグナルの範囲は、ニオイを有するガスがセンサ１０に安定して供給されシグナルが一定である状態から、当該ニオイを有するガスの供給が停止されシグナルが復元するまでの過程である。通常はガスセンサのシグナルは、ニオイ成分によってシグナルが充分に安定した状態が用いられる。しかし上記のようなシグナルの範囲を用いることで、ニオイ成分によってガスセンサにおける応答速度が異なる情報も集約することができる。

【0055】

以下、実例を基に、主に分析手段５、集約手段２０および模擬鮮度指標ガス生成手段３０の動作を具体的に説明する。なおこの実例に関する実験の詳細については後述する。

【0056】

この例では、養殖ブリのフィレー（以下、魚肉と記述）の
０日（０ｄａｙｓ）、
０℃・５日（０℃、５ｄａｙｓ）、
０℃・１１日（０℃、１１ｄａｙｓ）、
３０℃・１日（３０℃、１ｄａｙ）
の４種類の鮮度状態で魚肉が発するニオイを含むガスの成分と、各成分の濃度比と、を分析手段５の分析機器であるＧＣ／ＭＳで検出するものとする。表１に、このときＧＣ／ＭＳが検出したガスの成分と各成分の濃度比とを示す。

【0057】

【表1】

【0058】

表１に示されるように、この例では分析手段５は、アセトアルデヒド、ヘプタン、二硫化炭素、ジメチルスルフィド、プロパノール、オクタン、アセトン、ブタノール、２－ブタノン、３－メチルブタノール、エタノール、ジアセチル（２、３－ブタンジオン）、２－ペンタノン、デカン、２－メチル－２－プロペノン酸メチル、α－ピネン、１－プロパノール、（Ｅ、Ｚ）３－エチリデンシクロヘキサン、ヘキサノール、１－ブタノール、１－ペンテン－３－オール、Ｄ－リモネン、イソアミルアルコール（３－メチル－１－ブタノール）、１－ペンタノール、アセトン（３－ヒドロキシ－２－ブタノン）、（Ｚ）－２－１－オールの２５種類の成分を検出している。

【0059】

表２に、集約手段２０が集約した化合物の族と各族の濃度比とを示す。表２に示されるように、この例では集約手段２０は、表１に列挙した成分を、アルデヒド、飽和アルコール、不飽和アルコール、飽和ケトン、不飽和ケトン、硫黄化合物、飽和エステル、不飽和エステル、飽和炭化水素、不飽和炭化水素の１０種類の族に集約している。

【0060】

【表2】

【0061】

この例では、表２に列挙された族のうち、０日、０℃・５日、０℃・１１日、３０℃・１日のいずれの場合においても、アルデヒド、飽和アルコール、不飽和アルコールおよび飽和ケトンの４つの濃度比の合計が７０％以上となっている。従って、模擬鮮度指標ガス生成手段３０は、アルデヒド、飽和アルコール、不飽和アルコールおよび飽和ケトンの４つを、主要な族として選択する。

【0062】

次に模擬鮮度指標ガス生成手段３０は、選択した４つの主要な族、すなわちアルデヒド、飽和アルコール、不飽和アルコールおよび飽和ケトンの各族を構成する成分の中から、１つ以上の代表的成分を抽出する。表３は、模擬鮮度指標ガス生成手段３０が抽出した代表的成分を示す。表３に示されるように、模擬鮮度指標ガス生成手段３０は、アルデヒド族の代表的成分としてヘキサナール、飽和アルコール族の代表的成分として１－ペンタノール、不飽和アルコール族の代表的成分としてｃｉｓ－２－ペンテン－１－オール、飽和ケトン族の代表的成分としてアセトンを抽出している。

【0063】

【表3】

【0064】

最後に模擬鮮度指標ガス生成手段３０は、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する。この例では、模擬鮮度指標ガス生成手段３０は、０日、０℃・５日、０℃・１１日、３０℃・１日のそれぞれ場合の模擬鮮度指標ガスを、表３に示す濃度比で混合することにより生成する。

【0065】

以上説明したように、本実施の形態によれば、模擬鮮度指標ガスに対してセンサが出力するシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行うことにより、魚肉のニオイを用いて、当該魚肉の鮮度を評価することができる。

【0066】

［第２の実施の形態］
第２の実施の形態は、図１の魚肉鮮度評価装置１００である。魚肉鮮度評価装置１００は、センサ１０と、模擬鮮度指標ガスに対してセンサ１０から得られるシグナルと、魚肉の鮮度と、を学習データおよびテストデータとして機械学習を行う学習部４０と、を備える。模擬鮮度指標ガスは、分析機器を用いて魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップと、検出した成分を、共通の官能基を持つ複数の族に集約するステップと、複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を主要な族として選択し、選択した各族を構成する成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成するステップと、を含む方法により生成される。

【0067】

［第３の実施の形態］
図２に、第３の実施の形態に係る魚肉鮮度評価方法の処理フローを示す。この方法は、機械学習を実行するステップＳ４０を含む。この方法のステップＳ４０の前段階として、ステップＳ１０と、ステップＳ２０と、ステップＳ３０と、が実行される。

【0068】

ステップＳ１０では、分析機器、好適にはＧＣ／ＭＳを用いて、魚肉が発するニオイを含むガスの成分と、各成分の濃度比と、を検出する。

【0069】

ステップＳ２０では、ステップＳ１０で検出された成分を、共通の官能基を持つ複数の族に集約する。

【0070】

ステップＳ３０では、ステップＳ２０で集約された複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を選択し、選択した各族に含まれる成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する。

【0071】

ステップＳ４０で本方法は、ステップＳ３０で生成された模擬鮮度指標ガスに対してセンサが出力するシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う。

【0072】

本実施の形態によれば、魚肉のニオイを用いて、当該魚肉の鮮度を評価する方法を提供することができる。

【0073】

［第４の実施の形態］
第４の実施の形態は、魚肉鮮度評価方法をコンピュータに実行させるための魚肉鮮度評価プログラムである。このプログラムは、機械学習を実行するステップＳ４０を含む。このプログラムのステップＳ４０の前段階として、ステップＳ１０と、ステップＳ２０と、ステップＳ３０と、が実行される。

【0074】

ステップＳ１０では、分析機器、好適にはＧＣ／ＭＳを用いて、魚肉が発するニオイを含むガスの成分と、各成分の濃度比と、を検出する。

【0075】

ステップＳ２０では、ステップＳ１０で検出された成分を、共通の官能基を持つ複数の族に集約する。

【0076】

ステップＳ３０では、ステップＳ２０で集約された複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を選択し、選択した各族に含まれる成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する。

【0077】

ステップＳ４０で本プログラムは、ステップＳ３０で生成された模擬鮮度指標ガスに対してセンサが出力するシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う。

【0078】

本実施の形態によれば、魚肉のニオイを用いて、当該魚肉の鮮度を評価する処理を実行するプログラムをソフトウェアに実装することができる。

【0079】

［第５の実施の形態］
第５実施の形態は、魚肉鮮度評価方法をコンピュータに実行させる魚肉鮮度評価プログラムを記録した記録媒体である。この記録媒体に記録されたプログラムは、機械学習を実行するステップＳ４０を含む。このプログラムのステップＳ４０の前段階として、ステップＳ１０と、ステップＳ２０と、ステップＳ３０と、が実行される。

【0080】

ステップＳ１０では、分析機器、好適にはＧＣ／ＭＳを用いて、魚肉が発するニオイを含むガスの成分と、各成分の濃度比と、を検出する。

【0081】

ステップＳ２０では、ステップＳ１０で検出された成分を、共通の官能基を持つ複数の族に集約する。

【0082】

ステップＳ３０では、ステップＳ２０で集約された複数の族の中から濃度比の合計が所定の値以上となる２つ以上の族を選択し、選択した各族に含まれる成分の中から１つ以上の代表的成分を抽出し、抽出した各代表的成分を元の族の濃度比で混合したガスを模擬鮮度指標ガスとして生成する。

【0083】

ステップＳ４０で本記録媒体に記録されたプログラムは、ステップＳ３０で生成された模擬鮮度指標ガスに対してセンサが出力するシグナルと魚肉の鮮度とを学習データおよびテストデータとして機械学習を行う。

【0084】

本実施の形態によれば、魚肉のニオイを用いて、当該魚肉の鮮度を評価する処理を実行するプログラムを実装したソフトウェアを記録媒体に記録することができる。

【0085】

［検証実験］
本技術による効果を検証するために、本発明者らは以下の８つの実験を行った。

【0086】

［実験１］
先ず、水揚げ２日目の新鮮な養殖ブリのフィレー（以下、「魚肉」という）を１０Ｌのフレックスサンプラーフィルムによるガスバッグに入れ、空気１０Ｌと水０．１ｍＬを封入した。これを２０℃（室温）で２時間保管してガスバッグ中の空気に魚肉のニオイを充満させた後、ガスバッグから魚肉のニオイを採取した。吸着剤が封入された吸着管（以下、ＴＤ管」という）をガスバッグのガス採取口に接続し、吸引ポンプで毎分２００ｍＬの吸引速度で５分間、計１ＬをＴＤ管を通じて吸引し、ニオイ成分をＴＤ管に捕集させた。その後、魚肉をバンジュウに入れ、乾燥しないようにラップをして０℃で保管した。以下、この試料、計測データ、計測データから作製した模擬ガス等を「０日」または「０ｄａｙｓ」と表記する。

【0087】

５日後、同じ手順で魚肉のニオイを捕集し、その後同じ手順で保管した。以下、この試料、計測データ、計測データから作製した模擬ガス等を「０℃・５日」または「０℃、５ｄａｙｓ」と表記する。

【0088】

１１日後、同じ手順で魚肉のニオイを捕集した。以下、この試料、計測データ、計測データから作製した模擬ガス等を「０℃・１１日」または「０℃、１１ｄａｙｓ」と表記する。

【0089】

上記とは別に、魚肉をバンジュウに入れ、乾燥しないようにラップをして３０℃で保管した。１日後、同じ手順で魚肉のニオイを捕集した。以下、この試料、計測データ、計測データから作製した模擬ガス等を「３０℃・１日」または「３０℃、１ｄａｙ」と表記する。

【0090】

魚肉のニオイを捕集したＴＤ管は、ＧＣ／ＭＳでニオイを脱離させて分析した。濃度は検出された各成分のピーク面積から算出した。すべての成分に対して、同じ成分の濃度が既知の校正ガスをあらかじめ用意し、これを計測して得られたピーク面積から魚肉のニオイに含まれる各成分の濃度を算出するのが理想的である。しかし、魚肉のニオイに含まれる数１０件もの成分に対してすべて行うのは物理的に不可能である。そこで、魚肉のニオイの主要な成分であるヘキサノールおよび１－ペンテン－３－オール対して校正ガスを作製し、これを基準にした換算濃度とした。

【0091】

表１に、ＧＣ／ＭＳによる分析結果を示す。２７種類の成分が検出された。表２に、これらの成分が持つ官能基で族別に分類して集計したものを示す。これらの族のうち、「アルデヒド」「飽和アルコール」「不飽和アルコール」「飽和ケトン」が主要な族である。これらの主要な族の濃度の合計が占める割合は、「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」のいずれに場合においても７０％以上である。

【0092】

「アルデヒド」はヘキサナール、「飽和アルコール」は１－ペンタノール、「不飽和アルコール」はｃｉｓ－２－ペンテン－１－オール、「飽和ケトン」はアセトンを、それぞれ代表的成分として、表３に示す混合ガスを生成しガスバッグに充填した。これらを模擬鮮度指標ガスとした。ベースガスは、６０％の相対湿度を含む合成空気（以下、単に「合成空気」という）である。模擬鮮度指標ガスは、パーミエーターを用いて各成分の溶媒をガス化しすることにより生成した。上記４種の族の代表的成分の成分比、「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」間の合計濃度比は、パーミエーターで製造可能な濃度を踏まえてＧＣ／ＭＳの結果に極力近づけるようにした。一般に魚肉のニオイの違いは、成分比および合計濃度比に左右される。合計濃度そのものは計測方法に左右されるため、濃度値を合わせるのではなく、成分比と合計濃度比を合わせるようにした。

【0093】

ガスセンサ群には、櫛形電極付きのアルミナ基板に半導体微粒子から成る厚膜を作製したセンサ素子を用いた。センサ素子は８個あり、半導体微粒子から成る厚膜は、ＺｎＯ、１０％ＺｒをドープしたＣｅＯ_２（以下、「ＣｅＺｒ１０」という）、ＣｅＺｒ１０にＡｌ_２Ｏ_３を積層し更に３ｗｔ％Ｐｔを添加したＣｅＺｒ１０を積層したもの（以下、「ＣｅＺｒ１０＋Ｍ」という）、Ｐｔ,Ｐｄ,Ａｕを各１ｗｔ％添加したＺｎＯ（以下、「ＺｎＯ＋Ｍ」という）、Ｐｔ,Ｐｄ,Ａｕを各１ｗｔ％添加したＳｎＯ_２（以下、「ＳｎＯ_２＋Ｍ」という、２個使用）、ＬａＦｅＯ_３（以下。「ＬａＦｅＯ」という）、Ｐｔ,Ｐｄ,Ａｕを各１ｗｔ％添加したＬａＦｅＯ（以下、「ＬａＦｅＯ＋Ｍ」という）である。

【0094】

図３は、「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」の模擬鮮度指標ガスに暴露させた１回分の計測結果の一例であり、各センサ素子の抵抗値の変化を示したものである。各センサ素子の抵抗値は５秒毎に取得した。模擬鮮度指標ガスに２０分暴露し、一旦合成空気に切り替えた後、次の模擬鮮度指標ガスに２０分暴露、という手順で計測した。ｐ型半導体に相当するＬａＦｅＯ、ＬａＦｅＯ＋Ｍは、模擬鮮度指標ガス暴露により抵抗値が上昇した。それ以外のｎ型半導体（バルク応答型も含む）に相当するセンサ素子は、模擬鮮度指標ガス暴露により抵抗値が減少した。

【0095】

本実験では、図３に示すデータを機械学習の訓練データとした。さらに、同様の測定を５回行い、機械学習のこれらをテストデータとした。テストデータの５回のうち、４回は表３に示される濃度の模擬鮮度指標ガス（テストデータ１～４）で行い、１回は表３の１／２の濃度に相当する模擬鮮度指標ガスで行った（テストデータ５）。

【0096】

図４に、８個のセンサのうち１個のセンサの抵抗変化のみを示し、かつ、模擬鮮度指標ガスに暴露させた２０分の区間の１つを拡大した模式図を示す。本実験では、模擬鮮度指標ガスに暴露させた２０分とその直後に合成空気に暴露させた３０分を対象とし、前後１分を除いた４８分間のデータを用いた。模擬鮮度指標ガスに暴露させた直後の合成空気暴露中の区間も対象のデータとしたのは、対象のガス成分が供給されなくなった後にセンサ抵抗値が復元する過程がガス種によって異なることが知られており、この区間の情報も判定に用いるためである。前述の通り、各センサ素子の抵抗値は５秒毎に取得しているため１分当たり１２点である。センサ１個の４８分間の抵抗値データ点数は４８×１２＝５７６点だが、８個のセンサを用いたので、５７６×８の２次元データとみなすことができる。本実験では、機械学習に畳み込みニューラルネットワーク（以下、「ＣＮＮ」という）を用いた。一定量の学習データ数が必要になるため、５７６×８の２次元データから１分おきにデータをピックアップすることを繰り返して、４８×８の二次元データとして１２個に分割した。この１２個のデータには、いずれも、模擬鮮度指標ガスに暴露させたところから合成空気に暴露させて抵抗値が変動する区間の４８分間のデータが含まれていることになる。

【0097】

図３の通り、１回分の測定で模擬鮮度指標ガスは４種類あるため、４８×８の２次元データは１２×４＝４８個となる。よって、訓練データに用いるデータは４８個である。訓練データは、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ（図４参照）、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換する前処理を行った。

【0098】

学習データからＣＮＮによる分類器を作成した。入力層は４８×８の２次元データとし、畳み込み層とプーリング層を２回繰り返し、全結合層２層を経て出力層とした。出力層は「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」を分類する。

【0099】

図５に、この分類器を示す。この分類器の特徴は、以下の通りである。
・入力層（Ｉｎｐｕｔ ｌａｙｅｒ）から畳み込み層（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｌａｙｅｒ）１への変換は、フィルターを３×３の３２種とし、ストライド（１,１）、パディングなし、活性化関数ＲｅＬＵとした。
・畳み込み層１からプーリング層（Ｐｏｏｌｉｎｇ ｌａｙｅｒ）１への変換は、フィルターを２×２とし、ストライド（１,１）、パディングなしとした。
・プーリング層１から畳み込み層２への変換は、フィルターを２×２の６４種とし、ストライド（１,１）、パディングなし、活性化関数ＲｅＬＵとした。
・畳み込み層２からプーリング層２への変換は、フィルターを２×２とし、ストライド（１,１）、パディングなしとした。
・プーリング層２から全結合層１への変換は、１１×１×６４のテンソルを７０４のノードを持つベクトルに並び替えた。
・全結合層（Ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）１から全結合層２への変換は、活性化関数ＲｅＬＵとして６４のノードに変換した。
・全結合層２から出力層（Ｏｕｔｐｕｔ ｌａｙｅｒ）への変換は、活性化関数とした４のノードに変換した。４個のノードはそれぞれ「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」に相当する。４個のノードは、合計が１となる最も大きい値に分類される。

【0100】

テストデータも訓練データと同様に、測定１回当たり４８×８の２次元データ４８個に変換し、さらに同様の前処理を行った。５回測定を行ったので、テストデータは２４０個となる。学習させたＣＮＮの分類器の入力層にテストデータを入力し、出力層から出力された結果が正しいかどうか評価した。

【0101】

表４に、テストデータの判定結果を混同行列で示す。混同行列では、正解ラベルと予測ラベルが一致するものが正解である。すなわち、表の左上から右下の対角線上の数値の合計が正解数である。

【0102】

【表4】

【0103】

表４はテストデータ１～５をすべてまとめて表記したものであるが、テストデータ１～４はすべて正解しており、不正解であったのは１／２の濃度に相当する模擬ガスで行ったテストデータ５のうち、「３０℃、１日」のガスに対してのみであった。全テストデータの正答率は２２９／２４０＝０．９５４で、高い正答率を示した。テストデータ１～４の模擬鮮度指標ガスは、訓練データの模擬鮮度指標ガスと同じ濃度で生成している。従って、訓練データと同一条件で計測させすれば正しく判定できることが示された。

【0104】

実験１は、以下の実験２の人工ニューラルネットワーク（以下、「ＡＮＮ」という）と比べ、正答率が非常に高い。ＡＮＮでは模擬鮮度指標ガスに暴露中のセンサ抵抗値しか使っていないのに対し、本実施例では模擬鮮度指標ガスに暴露中だけでなく暴露後のセンサ抵抗値を使っている。このように、暴露後のセンサ抵抗値変化の時間軸もデータに含めることで、精度が飛躍的に向上したことが示唆される。

【0105】

［実験２］
実験２では、実験１と同じ訓練データとテストデータを用いた。ただし機械学習に、ＣＮＮではなく、ＡＮＮを用いた点が実験１と異なる。

【0106】

図６に、８個のセンサのうち１つのセンサの抵抗変化のみを示し、かつ、模擬鮮度指標ガスに暴露させた２０分の区間の１つを拡大した模式図を示す。実験２では、模擬鮮度指標ガスに暴露させた２０分の後半１分間のデータを用いた。前述の通り、各センサ素子の抵抗値は５秒毎に取得しているため、センサ１個の１分間の抵抗値データ点数は１２点である。８個のセンサを用いたので、１２×８の２次元データとなるが、これを１２分割するため、擬鮮度指標ガス暴露１回当たり各センサ１点計８点のデータ１２個となる。模擬鮮度指標ガスは４種類あるため、訓練データは４８個となる。この訓練データは、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換する前処理を行った。

【0107】

学習データからＡＮＮによる分類器を作成した。図７に、この分類器を示す。図７に示される通り、入力層のノードは８、中間層は２層で各層ノードは６４で活性化関数はＲｅＬＵ、出力層はノード４とした。出力層は「０日」「０℃・５日」「０℃・１１日」「３０℃・１日」を分類する。

【0108】

テストデータも訓練データと同様に、測定１回当たり４８個に変換し、さらに同様の前処理を行った。その後、学習させたＡＮＮの分類器の入力層にテストデータを入力し、出力層から出力された結果が正しいかどうか評価した。

【0109】

表５に、テストデータの判定結果を混同行列で示す。全テストデータの正答率は１４４／２４０＝０．６００であり、実施例１のＣＮＮを用いたときより誤判定が目立つ結果となった。

【0110】

【表5】

【0111】

［実験３］
実験３では、訓練データについて、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換した後、標準化を行う前処理を行った。また、テストデータも同様の前処理を行った。それ以外の条件は実験１と同じである。

【0112】

表６に、テストデータの判定結果を混同行列で示す。実験１と同じく、テストデータ１～４に由来するはすべて正解し、不正解であったのは、１／２の濃度に相当する模擬ガスで行ったテストデータ５のうち、「３０℃、１日」のガスに対してのみであった。全テストデータの正答率は２２８／２４０＝０．９５０で高い正答率を示した。

【0113】

【表6】

【0114】

［実験４］
実験４では、訓練データについて、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換した後、標準化を行う前処理を行った。また、テストデータも同様の前処理を行った。それ以外の条件は実験２と同じである。

【0115】

表７に、テストデータの判定結果を混同行列で示す。全テストデータの正答率は１１２／２４０＝０．４６７であり、実験２と同じく、実験１および３のＣＮＮを用いたときより誤判定が目立つ結果となった。

【0116】

【表7】

【0117】

［実験５］
実験５では、実験１と同様にＣＮＮを用いた。

【0118】

図３に示した実験１のデータと同様の測定５回を合わせて６回分のデータと、さらに、表３に示す混合ガス成分のうち１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスによって、同様の測定を２回行ったデータを合わせ、合計８回分の測定データを用いた。

【0119】

実験５では、後者の測定データ２回のうち１回分をテストデータに、その他の７回分のデータを訓練データとして、テストデータの判定を行った。実施例１で示した通り、１回分の測定で４８×８の２次元データ４８個に相当するため、訓練データ３３６個、テストデータ４８個になる。さらに、後者の測定データを入れ替えてもう一方をテストデータに、その他の７回分のデータを訓練データにして、同じくテストデータの判定を行った。同じく、訓練データ３３６個、テストデータ４８個になる。よって、１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスに対する計測結果からの９６個のテストデータの判定を行った。

【0120】

表８に、テストデータの判定結果を混同行列で示す。これは、１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスに対する計測結果をテストデータにして解析したものであるが、全て正解した。

【表8】

【0121】

［実験６］
実験６では、実験２のＡＮＮを用い、実験５と同じ測定データを用いた。

【0122】

即ち、図３に示した実験１のデータと同様の測定５回を合わせて６回分のデータと、さらに、表３に示す混合ガス成分のうち１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスによって、同様の測定を２回行ったデータを合わせ、合計８回分の測定データを用いた。

【0123】

実験６では、実験５と同様に、後者の測定データ２回のうち１回分をテストデータに、その他の７回分のデータを訓練データとして、テストデータの判定を行った。実験２で示した通り、１回分の測定で８個のセンサからの８点のデータ１２個に相当するため、訓練データ３３６個、テストデータ４８個になる。さらに、後者の測定データを入れ替えてもう一方をテストデータに、その他の７回分のデータを訓練データにして、同じくテストデータの判定を行った。同じく、訓練データ３３６個、テストデータ４８個になる。よって、１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスに対する計測結果からの９６個のテストデータの判定を行った。

【0124】

表９に、テストデータの判定結果を混同行列でまとめた。全テストデータの正答率は７１／９６＝０．７４０であり、ＣＮＮを用いた実験５より判定精度が低い結果となった。

【0125】

【表9】

【0126】

[実験７]
実験７では、訓練データについて、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換した後、標準化を行う前処理を行った。また、テストデータも同様の前処理を行った。それ以外の条件は実験５と同じである。

【0127】

表１０に、テストデータの判定結果を混同行列で示す。実験５と同じく、１－ペンタノールを１－ブタノールに置き換えて生成した混合ガスに対する計測結果をテストデータにして解析したものであるが、全て正解した。

【0128】

【表10】

【0129】

[実験８]
実験８では、訓練データについて、センサ毎に、模擬鮮度指標ガス導入前の抵抗値をＲａ、各抵抗値をＲｇとしたとき、Ｓ＝Ｒａ／Ｒｇで表すことのできる応答値Ｓに変換した後、標準化を行う前処理を行った。また、テストデータも同様の前処理を行った。それ以外の条件は実験６と同じである。

【0130】

表１１に、テストデータの判定結果を混同行列で示す。全テストデータの正答率は８４／９６＝０．８７５であり、ＣＮＮを用いた実験７より判定精度が低い結果となった。

【0131】

【表11】

【0132】

以上、本発明の実施例を基に説明した。これらの実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

【産業上の利用可能性】

【0133】

本発明は、漁業、魚肉を用いた食品製造・加工の分野の他、ニオイの識別にニーズのある分野、例えば、呼気計測による疾患スクリーニング、ニオイ計測による食品の鮮度評価、室内空気質評価、などに利用可能である。

【符号の説明】

【0134】

５・・分析手段、
１０・・センサ、
２０・・集約手段、
３０・・模擬鮮度指標ガス生成手段、
４０・・学習部、
１００・・魚肉鮮度評価装置、
２００・・魚肉鮮度評価システム、
Ｓ１０・・魚肉が発するニオイを含むガスの成分と各成分の濃度比とを検出するステップ、
Ｓ２０・・検出された成分を、共通の官能基を持つ複数の族に集約するステップ、
Ｓ３０・・模擬鮮度指標ガスを生成するステップ、
Ｓ４０・・機械学習を実行するステップ。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】