知財求人 - 知財ポータルサイト「IP Force」
特開2025-41535食感予測モデル生成方法、食感予測方法、食感予測モデル生成システム、食感予測システム、及びプログラム
(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】P2025041535
(43)【公開日】2025-03-26
(54)【発明の名称】食感予測モデル生成方法、食感予測方法、食感予測モデル生成システム、食感予測システム、及びプログラム
(51)【国際特許分類】
G01N 3/40 20060101AFI20250318BHJP
G01N 19/00 20060101ALI20250318BHJP
G01N 3/00 20060101ALI20250318BHJP
G01N 3/08 20060101ALI20250318BHJP
G01N 33/02 20060101ALI20250318BHJP
【ＦＩ】
G01N3/40 A
G01N19/00 E
G01N3/00 K
G01N3/08
G01N33/02
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2024139187
(22)【出願日】2024-08-20
(31)【優先権主張番号】P 2023148028
(32)【優先日】2023-09-13
(33)【優先権主張国・地域又は機関】JP
【新規性喪失の例外の表示】新規性喪失の例外適用申請有り
(71)【出願人】
【識別番号】000175283
【氏名又は名称】三栄源エフ・エフ・アイ株式会社
(74)【代理人】
【識別番号】110000729
【氏名又は名称】弁理士法人ユニアス国際特許事務所
(72)【発明者】
【氏名】中馬 誠
(72)【発明者】
【氏名】石原 清香
【テーマコード（参考）】
2G061
【Ｆターム（参考）】
2G061AA02
2G061AB01
2G061BA19
2G061CA20
2G061CB03
2G061DA12
2G061EA01
2G061EB03
2G061EC04
(57)【要約】
【課題】簡素な測定方法で実現可能な食感予測技術を提供する。
【解決手段】食感予測モデル生成方法は、食品の押圧時に食品から受ける力の変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得するステップと、教師データＤ１を用いて機械学習することにより、食感評価値［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成するステップと、を含む。
【選択図】図１
【解決手段】食感予測モデル生成方法は、食品の押圧時に食品から受ける力の変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得するステップと、教師データＤ１を用いて機械学習することにより、食感評価値［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成するステップと、を含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
食品の押圧時に前記食品から受ける力の変化を示す複数の測定値を入力とし、食感評価値を出力とする教師データを取得するステップと、
前記教師データを用いて機械学習することにより、食感評価値を出力する食感予測モデルを生成するステップと、
を含む、食感予測モデル生成方法。
前記教師データを用いて機械学習することにより、食感評価値を出力する食感予測モデルを生成するステップと、
を含む、食感予測モデル生成方法。
【請求項2】
前記複数の測定値は、前記食品が所定歪変形する度の力の大きさを示す値である、請求項１に記載の食感予測モデル生成方法。
【請求項3】
前記複数の測定値は、所定時間経過する度の力の大きさを示す値である、請求項１に記載の食感予測モデル生成方法。
【請求項4】
前記複数の測定値は、１つの測定点における力の変化を示す値である、請求項１に記載の食感予測モデル生成方法。
【請求項5】
前記複数の測定値は、押圧子が食品を押圧する動作の際に測定される値と、前記押圧後に前記押圧子を前記食品の押圧から戻す動作の際に測定される値と、を含む、請求項１～３のいずれかに記載の食感予測モデル生成方法。
【請求項6】
食品の押圧時に前記食品から受ける力の変化を示す複数の測定値を取得するステップと、
複数の測定値を入力として食感評価値を出力するように機械学習された食感予測モデルに対して、前記取得した複数の測定値を入力して、前記食感評価値を出力するステップと、
を含む、食感予測方法。
複数の測定値を入力として食感評価値を出力するように機械学習された食感予測モデルに対して、前記取得した複数の測定値を入力して、前記食感評価値を出力するステップと、
を含む、食感予測方法。
【請求項7】
前記複数の測定値は、前記食品が所定歪変形する度の力の大きさを示す値である、請求項６に記載の食感予測方法。
【請求項8】
前記複数の測定値は、所定時間経過する度の力の大きさを示す値である、請求項６に記載の食感予測方法。
【請求項9】
前記複数の測定値は、１つの測定点における力の変化を示す値である、請求項６に記載の食感予測方法。
【請求項10】
前記複数の測定値は、押圧子が食品を押圧する動作の際に測定される値と、前記押圧後に前記押圧子を前記食品の押圧から戻す動作の際に測定される値と、を含む、請求項６～８のいずれかに記載の食感予測方法。
【請求項11】
食品の押圧時に前記食品から受ける力の変化を示す複数の測定値を入力とし、食感評価値を出力とする教師データを取得する教師データ取得部と、
前記教師データを用いて機械学習することにより、食感評価値を出力する食感予測モデルを生成する学習部と、
を備える、食感予測モデル生成システム。
前記教師データを用いて機械学習することにより、食感評価値を出力する食感予測モデルを生成する学習部と、
を備える、食感予測モデル生成システム。
【請求項12】
食品の押圧時に前記食品から受ける力の変化を示す複数の測定値を取得する予測対象測定値取得部と、
複数の測定値を入力として食感評価値を出力するように機械学習された食感予測モデルに対して、前記取得した複数の測定値を入力して、前記食感評価値を出力する予測部と、
を備える、食感予測システム。
複数の測定値を入力として食感評価値を出力するように機械学習された食感予測モデルに対して、前記取得した複数の測定値を入力して、前記食感評価値を出力する予測部と、
を備える、食感予測システム。
【請求項13】
請求項１又は６に記載の方法を１又は複数のプロセッサに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、機械学習を用いた食品の食感予測技術に関する。
【背景技術】
【0002】
食感はヒトの感覚特性に基づく官能評価によって定義される。官能評価は、ヒトの感覚がそのまま数値化されるというメリットがあるが、再現性の高い評価のためには、訓練された評価者（パネル）を数多く養成する必要があり、コストと時間がかかる。
【0003】
これに対し、機器を用いた物理測定によって食感を評価する研究・開発が行われている。特許文献１には、食品の押圧時の１軸反力の測定ではヒトの食感を評価することが原理的に難しいと考えられることが開示されている。また、特許文献１には、測定装置による食品の押圧時に食品から受ける圧力分布を示す圧力分布画像を取得し、取得した圧力分布画像に基づいて食感評価値を出力する畳み込みニューラルネットワークを学習させることが開示されている。また、非特許文献１には、破断を伴う食品について計測した力を用いて機械学習技術により食品を判別することについての言及がある。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１９－２０７１２３号公報
【非特許文献】
【0005】
【非特許文献1】Shunsuke Yoshida, Makoto Takemasa: Food texture analysis based on machine learning: The 34th Annual Conference of the Japanese Society for Artificial Intelligence, 2020
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、特許文献１に記載の手法では、食品の押圧時に食品から受ける圧力分布を測定する必要があり、より簡素な測定方法により食感予測が可能な技術が求められる。
【0007】
本開示は、簡素な測定方法で実現可能な食感予測技術を提供する。
【課題を解決するための手段】
【0008】
本開示の食感予測モデルの生成方法は、食品の押圧時に前記食品から受ける力の変化を示す複数の測定値を入力とし、食感評価値を出力とする教師データを取得するステップと、前記教師データを用いて機械学習することにより、食感評価値を出力する食感予測モデルを生成するステップと、を含む。
【図面の簡単な説明】
【0009】
【図1】第１実施形態の食感予測モデル生成システム１、及び食感予測システム２を示すブロック図である。
【図2】測定装置３の構成を示す模式的な説明図である。
【図3】第１実施形態で用いる８５種類の食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］に関する説明図である。８５種類の中から一部を抜粋して示している。
【図4】食感予測モデル生成システム１が実行する処理を示すフローチャートである。
【図5】食感予測システム２が実行する処理を示すフローチャートである。
【図6】食感予測モデル２０の生成に利用した複数の食品のうちの一部の食品（豆腐）について、測定装置３で測定した複数の荷重値［Ｆ１、Ｆ２、…、Ｆ７８０］をプロットした図である。
【図7】４食品における官能評価値の上位５位と食感予測モデル２０で得られた食感評価値（推定値）とを対比して示す図である。
【図8】上記４食品の食感評価値の予測に用いた荷重値の時系列の波形を示す図である。
【図9】上記４食品の食感評価値の予測に用いた荷重値の歪系列の波形を示す図である。
【図10】４食品における上位５位の官能評価値と、荷重値の歪系列の波形データを用いた食感予測モデル２０で得られた食感評価値（推定値）とを対比して示す図である。
【図11】力の歪系列の波形データに基づいて食感予測モデル２０で得られた食感評価値（推定値）と３６食品における官能評価値との決定係数、および、力の時系列の波形データに基づいて食感予測モデル２０で得られた食感評価値（推定値）と３６食品における官能評価値との決定計数を示す図である。
【発明を実施するための形態】
【0010】
［第１実施形態］
以下、本開示の第１実施形態を、図面を参照して説明する。図１は、第１実施形態の食感予測モデル生成システム１、及び食感予測システム２を示すブロック図である。図２は、測定装置３の構成を示す模式的な説明図である。
以下、本開示の第１実施形態を、図面を参照して説明する。図１は、第１実施形態の食感予測モデル生成システム１、及び食感予測システム２を示すブロック図である。図２は、測定装置３の構成を示す模式的な説明図である。
【0011】
＜食感予測モデル生成システム１、食感予測システム２＞
図１に示すように、食感予測モデル生成システム１は、教師データＤ１を用いて食感予測モデル２０を機械学習で構築する。食感予測システム２は、予測対象の食品の一軸押圧時に測定される力の変化データＧ１（詳細は後述する。力の波形データとも呼称する場合がある）に基づいて食感評価値（推定値）を予測する。食感予測システム２は、食感予測モデル生成システム１によって予め機械学習により生成された食感予測モデル２０を用いる。
図１に示すように、食感予測モデル生成システム１は、教師データＤ１を用いて食感予測モデル２０を機械学習で構築する。食感予測システム２は、予測対象の食品の一軸押圧時に測定される力の変化データＧ１（詳細は後述する。力の波形データとも呼称する場合がある）に基づいて食感評価値（推定値）を予測する。食感予測システム２は、食感予測モデル生成システム１によって予め機械学習により生成された食感予測モデル２０を用いる。
【0012】
食感予測システム２は、予測対象測定値取得部２１と、予測部２２と、を有する。食感予測モデル生成システム１は、教師データ取得部１０と、教師データＤ１と、学習部１１と、を有する。教師データＤ１はメモリ１ａに記憶される。教師データ取得部１０及び学習部１１は、プロセッサ１ｂで実現される。予測対象測定値取得部２１及び予測部２２はプロセッサ２ｂにより実現される。本実施形態では、１つの装置におけるプロセッサ１ｂ、２ｂが各部を実現しているが、これに限定されない。例えば、ネットワークを用いて各処理を分散させ、複数のプロセッサ１ｂ、２ｂが各部の処理を実行するように構成してもよい。すなわち、１又は複数のプロセッサ１ｂ、２ｂが処理を実行する。
【0013】
予測対象測定値取得部２１は、予測対象の食品の一軸押圧時に測定される力の変化データＧ１を取得する。力の変化データＧ１は、図２に模式的に示すセンサ３０及び押圧子３１を有する測定装置３によって得ることが可能である。押圧子３１は、食品Ｓを圧縮する方向ＵＤ１（押圧方向、下方）に移動する押圧動作が可能であると共に、所定距離圧縮した後に食品Ｓの押圧から戻す方向ＵＤ２（押圧方向の逆方向、上方）に移動する復帰動作が可能に構成されている。押圧子３１には、ロードセル等のセンサ３０が関連付けてあり、押圧子３１の押圧動作及び復帰動作の際に押圧子３１が食品Ｓから受ける力（荷重値［Ｎ］もしくは圧力値［Ｐａ］）を検出可能である。よって、センサ３０で測定される力の変化データＧ１は、食品Ｓの押圧時に食品Ｓから受ける力の変化を示す複数の測定値で構成されている。本実施形態では、複数の測定値は、１つの測定点における力の変化を示す。１つの測定点とは、食品Ｓから受ける力を測定するセンサが一つであってもよいし、複数のセンサそれぞれの測定値を、平均等の統計処理により１つの測定値にすることも含まれる。本実施形態では、複数の測定値は、所定時間経過する度に測定された値であり、所定時間経過する度の力の大きさを示す値である。
なお、後述する教師データＤ１に含まれる複数の測定値は、上記予測対象測定値取得部２１が取得する力の変化データＧ１と同様の方法でデータを取得可能である。
なお、後述する教師データＤ１に含まれる複数の測定値は、上記予測対象測定値取得部２１が取得する力の変化データＧ１と同様の方法でデータを取得可能である。
【0014】
図６は、食感予測モデル２０の生成に利用した複数の食品のうちの一部の食品（豆腐）について、測定装置３で測定した複数の荷重値［Ｆ１、Ｆ２、…、Ｆ７８０］をプロットした図である。横軸が経過時間を示し、縦軸が荷重値を示している。荷重値の正値は、押圧子３１が食品Ｓを押圧する動作の際に測定される値であり、荷重値の負値は、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値である。本実施形態における複数の測定値（荷重値もしくは圧力値）は、押圧子３１を食品の押圧から戻す動作の際に測定される値が含まれているが、押圧子３１が食品Ｓを押圧する動作の際に測定される値が含まれていれば、これに限定されない。なお、測定値の正負は、センサ３０の検出方向によって入替可能であるので、押圧子３１が食品Ｓを押圧する動作の際に測定される値を負値とし、押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値を正値としてもよい。
【0015】
図６は、同一食品について５回計測した際の荷重値の時系列変化を示す波形が表れている。同一食品であっても計測する度に波形データが毎回異なっているが、各食品の特徴が波形として現れていると考える。
【0016】
図１に示すように、予測部２２を構成する食感予測モデル２０は、食品Ｓの一軸圧縮により１つの測定点で測定された複数の測定値［Ｆ１、Ｆ２、…、Ｆ７８０］と、あらかじめ官能評価によって得点化された食品Ｓの食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］とを関連付けた教師データＤ１を用いて、複数の測定値Ｆｉを説明変数として入力し、食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］を目的変数として出力するように機械学習で構築されたモデルである。図３は、本実施形態で用いる８５種類の食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］に関する説明図である。本実施形態において、食感評価値は、図３に示すように８５項目あり、各々の値は食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］で表現可能である。Ｘｊ（ｊ＝１～Ｍ、Ｍ＝８５）とも表記できる。１つの食感評価値に対して１つのモデルが必要となるため、本実施形態における食感予測モデル２０は、評価したい食感評価項目の数に等しい数の８５個のモデルを含んでいる。すなわち、１つのモデルに対して７８０個の測定値が入力され、１つの食感評価値が出力される。本実施形態では、１つの力の波形データに基づいて、複数の食感評価値を推定できる。本実施形態ではモデルには、knimeのGradient Boosted Decision Tree（勾配ブースティング決定木）を用いているが、教師有りの機械学習モデルであれば、これに限定されない。例えば、線形回帰、回帰木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワーク、アンサンブル等の種々のモデルを利用可能である。
【0017】
食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］は、図３に示すように、８５個である。食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］は官能評価に基づき、食感を表す各項目に対する評価値として求められる。食感を表す項目として、オノマトペ用語を用いることが好ましい。オノマトペ用語は擬音語や擬態語であり、食感を表現するのに使われる用語から、例えば「ぷるぷる」、「ぷるん」、「ぷるっ」といった２音の繰り返しや２音に「ん、り、っ」などの補助的な音が付属した用語を抽出することで選択できる。また上記評価に用いる食感を表す項目は、類似したものをまとめることにより、集約することもできる。食感評価値は例えば０～５までの６段階で得点化する（「０」が感じない、「５」が非常に強く感じる、とする）。食感評価値は複数の被験者の得点の平均値であってもよいが、被験者（パネル）による個人差が生じるおそれがあるため、各々の食品の複数人の食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］に対してノーマライズ処理（平均値及び分散を統一する標準化処理）を実行して、Ｚスコアにすることが好ましい。これにより、複数人の食感評価値を比較可能になり、個人差を低減又は無くして、好ましい教師データＤ１を生成して取得することが可能になる。
【0018】
教師データ取得部１０は、食品の圧縮試験で測定される複数の測定値［Ｆ１、Ｆ２、…、Ｆ７８０］を取得すると共に、その食品の食感評価値［Ｘ１、Ｘ２、…、Ｘ８５］を取得し、両者を関連付けた教師データＤ１を取得し、メモリ１ａに記憶する。本実施形態では、教師データ取得部１０は、教師データＤ１を生成して取得しているが、教師データ取得部１０が教師データＤ１を生成せずに、既に外部で生成された教師データＤ１を取得してもよい。学習部１１は、教師データＤ１を用いて食感予測モデル２０を学習させる。
【0019】
＜食感予測モデル生成方法＞
図４は、食感予測モデル生成システム１が実行する処理を示すフローチャートである。図４に示すように、ステップＳＴ１において、教師データ取得部１０は、食品の押圧時に食品から受ける力の変化を示す複数の測定値を入力とし食感評価値を出力とする教師データＤ１を取得する。ステップＳＴ２において、学習部１１は、教師データＤ１を用いて機械学習することにより、食感評価値を出力する食感予測モデル２０を生成する。
図４は、食感予測モデル生成システム１が実行する処理を示すフローチャートである。図４に示すように、ステップＳＴ１において、教師データ取得部１０は、食品の押圧時に食品から受ける力の変化を示す複数の測定値を入力とし食感評価値を出力とする教師データＤ１を取得する。ステップＳＴ２において、学習部１１は、教師データＤ１を用いて機械学習することにより、食感評価値を出力する食感予測モデル２０を生成する。
【0020】
＜食感予測方法＞
図５は、食感予測システム２が実行する処理を示すフローチャートである。図５に示すように、ステップＳＴ１０１において、予測対象測定値取得部２１は、予測対象の食品の押圧時に食品から受ける力の変化を示す複数の測定値を取得する。ステップＳＴ１０２において、予測部２２は、食感予測モデル２０に対して、取得した複数の測定値を入力して、食感評価値（推定値）を出力する。
図５は、食感予測システム２が実行する処理を示すフローチャートである。図５に示すように、ステップＳＴ１０１において、予測対象測定値取得部２１は、予測対象の食品の押圧時に食品から受ける力の変化を示す複数の測定値を取得する。ステップＳＴ１０２において、予測部２２は、食感予測モデル２０に対して、取得した複数の測定値を入力して、食感評価値（推定値）を出力する。
【0021】
［本開示の効果］
実施例１
上記の本開示の効果を示すために、実施例１を下記に示す。試料として市販の２１種類のゲル状食品を用いている。各々の食品について一軸押圧による力の変化（力の時系列変化）の測定（所定時間経過する度の荷重値の測定）を５回行った。また、官能評価を行い、８５種類の食感評価値［Ｘ１～Ｘ８５］を求めた。官能評価では、８名の被験者（男性６名、女性２名、平均年齢３６±８．５歳）により、図３に示す８５種類のオノマトペ用語（評価項目）で示される食感の感覚強度の８名の平均値を食感評価値として設定した（「０」が感じない、「５」が非常に強く感じる）。食品の試料は５℃に調温し、後述する押圧試験と同サイズで約５ｃｍ３となるようにカットした。１回～４回目の力の変化データと８５種類の食感評価値［Ｘ１～Ｘ８５］とを含む教師データＤ１を用いた機械学習により食感予測モデル２０を生成した。生成した食感予測モデル２０に対して５回目の力の変化データを予測対象測定値として入力し、２１種類の食品についてそれぞれ８５項目の食感評価値（推定値）を予測した。
実施例１
上記の本開示の効果を示すために、実施例１を下記に示す。試料として市販の２１種類のゲル状食品を用いている。各々の食品について一軸押圧による力の変化（力の時系列変化）の測定（所定時間経過する度の荷重値の測定）を５回行った。また、官能評価を行い、８５種類の食感評価値［Ｘ１～Ｘ８５］を求めた。官能評価では、８名の被験者（男性６名、女性２名、平均年齢３６±８．５歳）により、図３に示す８５種類のオノマトペ用語（評価項目）で示される食感の感覚強度の８名の平均値を食感評価値として設定した（「０」が感じない、「５」が非常に強く感じる）。食品の試料は５℃に調温し、後述する押圧試験と同サイズで約５ｃｍ３となるようにカットした。１回～４回目の力の変化データと８５種類の食感評価値［Ｘ１～Ｘ８５］とを含む教師データＤ１を用いた機械学習により食感予測モデル２０を生成した。生成した食感予測モデル２０に対して５回目の力の変化データを予測対象測定値として入力し、２１種類の食品についてそれぞれ８５項目の食感評価値（推定値）を予測した。
【0022】
力の測定について、具体的には、０．００５秒ごとに測定した７８０個の力の測定値［Ｆ１、Ｆ２、…、Ｆ７８０］である。力の測定値Ｆｉ（ｉ＝１～Ｎ、Ｎ＝７８０）で表現可能である。測定時間は０．００５秒×７８０＝約３．９秒である。測定装置３として、Stable Microsystems社製のテクスチャーアナライザTA-XT2iを用いた。食品の試料温度は５℃に調温している。食品のサイズは、後述する官能評価試験と同一サイズであり、直径２３ｍｍで高さ１２ｍｍの円柱状としている。押圧子３１は直径３ｍｍのステンレス製の円柱形状である。圧縮速度は１０ｍｍ／ｓとしている。クリアランスは１ｍｍとした。押圧子３１の押圧面は、食品よりも小さい。クリアランスは、最も食品の試料を圧縮している状態の押圧子３１の先端と、食品の試料を載置している試料台との距離である。
【0023】
図７は、４食品における上位５位の官能評価値と食感予測モデル２０で得られた食感評価値（推定値）とを対比して示す図である。図８は、上記４食品の食感評価値の予測に用いた荷重値の時系列の波形を示す図である。図７及び図８では、４食品のみを示しているが、２１種類の食品について各々の食品の上位５位の官能評価値と、食感予測モデル２０で得られた食感評価値（推定値）とを比較した。決定係数（Ｒ２）が０．９６８であり、ＲＭＳＥ（二乗平均平方根誤差）が０．１２１である。上位５位の官能評価値について、対応する食感評価値を荷重値の波形データに基づいて良好に予測できていると考える。
【0024】
上記の結果より、マトリックス状に配置される複数の計測点における圧力分布画像ではなく、１つの計測点における力の変化データＧ１（力の波形データ、複数の測定値）により、食感評価値の予測は可能であることが理解できる。
【0025】
［第２実施形態］
本開示の第２実施形態について説明する。第２実施形態と第１実施形態の相違は、力の変化データＧ１である。すなわち、第１実施形態では、所定時間経過する度の力の大きさを測定値としている力の時系列データであるのに対し、第２実施形態では、食品が所定歪変形する度の力の大きさを測定値としている力の歪系列データである。歪は、プランジャ（押圧子３１）の移動距離を食品Ｓの高さ（移動方向に沿った寸法）で除した値である。速度と時間を乗算することで押圧子３１の移動距離を算出可能であるので、一定速度で移動する押圧子３１の移動時間や移動距離は、歪に変換可能である。
力の値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
本開示の第２実施形態について説明する。第２実施形態と第１実施形態の相違は、力の変化データＧ１である。すなわち、第１実施形態では、所定時間経過する度の力の大きさを測定値としている力の時系列データであるのに対し、第２実施形態では、食品が所定歪変形する度の力の大きさを測定値としている力の歪系列データである。歪は、プランジャ（押圧子３１）の移動距離を食品Ｓの高さ（移動方向に沿った寸法）で除した値である。速度と時間を乗算することで押圧子３１の移動距離を算出可能であるので、一定速度で移動する押圧子３１の移動時間や移動距離は、歪に変換可能である。
力の値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
【0026】
実施例２
上記の本開示の効果を示すために、実施例２を下記に示す。試料として市販の２１種類のゲル状食品を用いている。各々の食品について一軸押圧による力の変化の測定を１０回以上行い、力の時系列変化を力の歪変化に換算して用いた。官能評価は実施例１と同様に上記段落［００２１］に記載の方法と同様に行った。
上記の本開示の効果を示すために、実施例２を下記に示す。試料として市販の２１種類のゲル状食品を用いている。各々の食品について一軸押圧による力の変化の測定を１０回以上行い、力の時系列変化を力の歪変化に換算して用いた。官能評価は実施例１と同様に上記段落［００２１］に記載の方法と同様に行った。
【0027】
具体的には、押圧子３１は直径５ｍｍのステンレス製の円柱形状である。圧縮速度は１０ｍｍ／ｓとしている。トリガー荷重を０．００５Ｎに設定し（０．００５Ｎの荷重を検出した時点を、押圧子３１が試料表面に触れた初期位置としてデータの取り込みを開始し）、初期位置を歪０％として、食品Ｓの高さを１００％とした場合に、初期位置の歪０％から歪９０％まで押し込んだのち、同じ速度で引き上げる（すなわち、クリアランスは１０％となる）。歪１％ごとの計１８０点の測定値を説明変数として用いた。測定は繰り返し１０回以上行った。具体的な一例としては、０．００５秒ごとに測定した多数の力の測定値を、歪１％毎の対応する代表値に換算している。例えば、歪１％の測定値は、食品Ｓが歪１％変形するために必要な時間内に測定された複数の値の統計値（例えば平均値）とすることが挙げられる。
【0028】
図１０は、４食品における上位５位の官能評価値と、荷重値の歪系列の波形データを用いた食感予測モデル２０で得られた食感評価値（推定値）とを対比して示す図である。図９は、上記４食品の食感評価値の予測に用いた荷重値の歪系列の波形を示す図である。具体的に、図９は、４食品（豆腐１、豆腐 ２、ゼリー １、ゼリー ２）について、測定装置３で測定した複数の荷重値［Ｆ１、Ｆ２、…、Ｆ１８０］をプロットした図である。横軸が歪を示し、縦軸が荷重値を示している。荷重値の正値は、押圧子３１が食品Ｓを押圧する動作の際（図９では「押込」と表記）に測定される値であり、荷重値の負値は、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際（図９では「引上」と表記）に測定される値である。図９及び図１０では、４食品のみを示しているが、２１種類の食品について各々の食品の上位５位の官能評価値と、食感予測モデル２０で得られた食感評価値（推定値）とを比較した。決定係数（Ｒ２）が０．９６７であり、ＲＭＳＥ（二乗平均平方根誤差）が０．１２０である。上位５位の官能評価値について、対応する食感評価値を荷重値の歪系列の波形データに基づいて良好に予測できていると考える。
【0029】
図１１は、さらに食品数を３６に増やし、力の歪系列の波形データに基づいて食感予測モデル２０で得られた食感評価値（推定値）と３６食品における官能評価値との決定係数、および、力の時系列の波形データに基づいて食感予測モデル２０で得られた食感評価値（推定値）と３６食品における官能評価値との決定計数を示す図である。３６食品のうち、ランダムに６食品を選抜して未知試料とし、残りの３０食品を訓練データとして食感予測モデル２０を作成し、上記６食品の力の変化データ（荷重値の歪系列の波形データ）から、食感評価値（推定値）を求める。これを６回繰り返すクロスバリデーションにより、３６食品すべてについて、機器測定の繰り返し回数分だけ食感評価値（推定値）が得られ、官能評価値と食感評価値（推定値）との決定係数を求めることができる。
力の歪変化を説明変数とした場合にも、食感評価値を荷重値の歪系列の波形データに基づいて良好に予測できていると考える。
また、図１１によれば、力の時系列データに基づく決定係数よりも力の歪系列データに基づく決定係数の方が相対的に大きいことが看取でき、力の時系列データよりも力の歪系列データを用いた方が予測精度が高まっていると理解できる。
力の歪変化を説明変数とした場合にも、食感評価値を荷重値の歪系列の波形データに基づいて良好に予測できていると考える。
また、図１１によれば、力の時系列データに基づく決定係数よりも力の歪系列データに基づく決定係数の方が相対的に大きいことが看取でき、力の時系列データよりも力の歪系列データを用いた方が予測精度が高まっていると理解できる。
【0030】
［１］
以上、本実施形態のように、食感予測モデル生成方法は、食品Ｓの押圧時に食品Ｓから受ける力の変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得するステップと、教師データＤ１を用いて機械学習することにより、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成するステップと、を含む、としてもよい。
このように、力の変化データＧ１（複数の測定値）により、食感評価値の予測は可能となる。よって、簡素な測定方法で実現可能な食感予測技術を提供可能となる。
以上、本実施形態のように、食感予測モデル生成方法は、食品Ｓの押圧時に食品Ｓから受ける力の変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得するステップと、教師データＤ１を用いて機械学習することにより、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成するステップと、を含む、としてもよい。
このように、力の変化データＧ１（複数の測定値）により、食感評価値の予測は可能となる。よって、簡素な測定方法で実現可能な食感予測技術を提供可能となる。
【0031】
［２］
上記［１］に記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ１８０］は、食品Ｓが所定歪変形する度の力の大きさを示す値である、としてもよい。
第２実施形態に対応する。第２実施形態のように、測定値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
上記［１］に記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ１８０］は、食品Ｓが所定歪変形する度の力の大きさを示す値である、としてもよい。
第２実施形態に対応する。第２実施形態のように、測定値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
【0032】
［３］
上記［１］に記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］は、所定時間経過する度の力の大きさを示す値である、としてもよい。第１実施形態に対応する。
上記［１］に記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］は、所定時間経過する度の力の大きさを示す値である、としてもよい。第１実施形態に対応する。
【0033】
［４］
上記［１］～［３］のいずれかに記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、１つの測定点における力の時系列変化を示す値である、としてもよい。
マトリックス状に配置される複数の計測点における圧力分布画像ではなく、１つの計測点における力の変化データＧ１（圧力値の波形データ、複数の測定値）により、食感評価値の予測は可能であることが理解できる。
上記［１］～［３］のいずれかに記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、１つの測定点における力の時系列変化を示す値である、としてもよい。
マトリックス状に配置される複数の計測点における圧力分布画像ではなく、１つの計測点における力の変化データＧ１（圧力値の波形データ、複数の測定値）により、食感評価値の予測は可能であることが理解できる。
【0034】
［５］
上記［１］～［４］のいずれかに記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、押圧子３１が食品Ｓを押圧する動作の際に測定される値と、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値と、を含む、としてもよい。
押圧子３１が食品Ｓを押圧する動作の際に測定される値は、弾力や硬さ、丈夫さに関する食感評価値に関連する情報であり、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値は、付着性に関する食感評価値に関連する情報であると考えられるので、種々の食感評価値を予測可能になると考えられる。特に付着性を有するゲル状の食品の評価に好ましい。
上記［１］～［４］のいずれかに記載の食感予測モデル生成方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、押圧子３１が食品Ｓを押圧する動作の際に測定される値と、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値と、を含む、としてもよい。
押圧子３１が食品Ｓを押圧する動作の際に測定される値は、弾力や硬さ、丈夫さに関する食感評価値に関連する情報であり、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値は、付着性に関する食感評価値に関連する情報であると考えられるので、種々の食感評価値を予測可能になると考えられる。特に付着性を有するゲル状の食品の評価に好ましい。
【0035】
［６］
本実施形態のように、食感予測方法は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を取得するステップと、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力として食感評価値［Ｘ１～Ｘ８５］を出力するように機械学習された食感予測モデル２０に対して、取得した複数の測定値［Ｆ１、…、Ｆ７８０］を入力して、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力するステップと、を含む、としてもよい。
このように、力の変化データＧ１（複数の測定値）により、食感評価値の予測は可能となる。よって、簡素な測定方法で実現可能な食感予測技術を提供可能となる。
本実施形態のように、食感予測方法は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を取得するステップと、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力として食感評価値［Ｘ１～Ｘ８５］を出力するように機械学習された食感予測モデル２０に対して、取得した複数の測定値［Ｆ１、…、Ｆ７８０］を入力して、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力するステップと、を含む、としてもよい。
このように、力の変化データＧ１（複数の測定値）により、食感評価値の予測は可能となる。よって、簡素な測定方法で実現可能な食感予測技術を提供可能となる。
【0036】
［７］
上記［６］に記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ１８０］は、食品Ｓが所定歪変形する度の力の大きさを示す値である、としてもよい。
第２実施形態に対応する。第２実施形態のように、測定値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
上記［６］に記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ１８０］は、食品Ｓが所定歪変形する度の力の大きさを示す値である、としてもよい。
第２実施形態に対応する。第２実施形態のように、測定値を食品が所定歪変形する度の値にすることで、食品のサイズを同一形状にしなければならない等の制限がなくなる。そのため、容器に入った食品や容器から取り出した食品を測定可能となる。また、容器に入れた状態で測定可能となるので、保形できない食品の食感を予測可能となる。
【0037】
［８］
上記［６］に記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］は、所定時間経過する度の力の大きさを示す値である、としてもよい。第１実施形態に対応する。
上記［６］に記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］は、所定時間経過する度の力の大きさを示す値である、としてもよい。第１実施形態に対応する。
【0038】
［９］
上記［６］～［８］のいずれかに記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、１つの測定点における力の変化を示す値である、としてもよい。
マトリックス状に配置される複数の計測点における圧力分布画像ではなく、１つの計測点における圧力値の変化データＧ１（圧力値の波形データ、複数の測定値）により、食感評価値の予測は可能であることが理解できる。
上記［６］～［８］のいずれかに記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、１つの測定点における力の変化を示す値である、としてもよい。
マトリックス状に配置される複数の計測点における圧力分布画像ではなく、１つの計測点における圧力値の変化データＧ１（圧力値の波形データ、複数の測定値）により、食感評価値の予測は可能であることが理解できる。
【0039】
［１０］
上記［６］～［９］のいずれかに記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、押圧子３１が食品Ｓを押圧する動作の際に測定される値と、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値と、を含む、としてもよい。
押圧子３１が食品Ｓを押圧する動作の際に測定される値は、弾力や硬さ、丈夫さに関する食感評価値に関連する情報であり、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値は、付着性に関する食感評価値に関連する情報であると考えられるので、種々の食感評価値を予測可能になると考えられる。特に付着性を有するゲル状の食品の評価に好ましい。
上記［６］～［９］のいずれかに記載の食感予測方法であって、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）は、押圧子３１が食品Ｓを押圧する動作の際に測定される値と、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値と、を含む、としてもよい。
押圧子３１が食品Ｓを押圧する動作の際に測定される値は、弾力や硬さ、丈夫さに関する食感評価値に関連する情報であり、押圧後に押圧子３１を食品Ｓの押圧から戻す動作の際に測定される値は、付着性に関する食感評価値に関連する情報であると考えられるので、種々の食感評価値を予測可能になると考えられる。特に付着性を有するゲル状の食品の評価に好ましい。
【0040】
［１１］
本実施形態のように、食感予測モデル生成システム１は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得する教師データ取得部１０と、教師データＤ１を用いて機械学習することにより、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成する学習部１１と、を備える、としてもよい。
本実施形態のように、食感予測モデル生成システム１は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力とし、食感評価値［Ｘ１～Ｘ８５］を出力とする教師データＤ１を取得する教師データ取得部１０と、教師データＤ１を用いて機械学習することにより、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する食感予測モデル２０を生成する学習部１１と、を備える、としてもよい。
【0041】
［１２］
本実施形態のように、食感予測システム２は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を取得する予測対象測定値取得部２１と、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力として食感評価値［Ｘ１～Ｘ８５］を出力するように機械学習された食感予測モデル２０に対して、取得した複数の測定値［Ｆ１、…、Ｆ７８０］を入力して、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する予測部２２と、を備える、としてもよい。
本実施形態のように、食感予測システム２は、食品Ｓの押圧時に食品Ｓから受ける力の時系列変化を示す複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を取得する予測対象測定値取得部２１と、複数の測定値［Ｆ１、…、Ｆ７８０］（またはＦ１、…、Ｆ１８０）を入力として食感評価値［Ｘ１～Ｘ８５］を出力するように機械学習された食感予測モデル２０に対して、取得した複数の測定値［Ｆ１、…、Ｆ７８０］を入力して、食感評価値（推定値）［Ｘ１～Ｘ８５］を出力する予測部２２と、を備える、としてもよい。
【0042】
［１３］
本実施形態のように、プログラムは、上記［１］～［１０］のいずれかに記載の方法を１又は複数のプロセッサ１ｂ、２ｂに実行させる、としてもよい。
本実施形態のように、プログラムは、上記［１］～［１０］のいずれかに記載の方法を１又は複数のプロセッサ１ｂ、２ｂに実行させる、としてもよい。
【0043】
本実施形態に係るコンピュータに読み取り可能な一時記録媒体は、上記プログラムを記憶している。
【0044】
以上、本開示の実施形態について図面に基づいて説明したが、具体的な構成は、これらの実施形態に限定されるものでないと考えられるべきである。本開示の範囲は、上記した実施形態の説明だけではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれる。
【0045】
上記の各実施形態で採用している構造を他の任意の実施形態に採用することは可能である。各部の具体的な構成は、上述した実施形態のみに限定されるものではなく、本開示の趣旨を逸脱しない範囲で種々変形が可能である。
【0046】
（Ａ）例えば、上記第１実施形態において、圧力値の数が７８０個であるが、測定時間の長さやサンプリング周波数を異ならせることができ、種々変更可能である。
【0047】
（Ｂ）第１実施形態において、食感評価値の種類数が８５個であるが、これに限定されない。１つの種類の食感評価値で足りるのであれば、食感評価値の種類数が１つであってもよく、また、食感評価値の種類数も種々変更可能である。
【0048】
（Ｃ）第１実施形態において、食感予測モデル２０の生成に、２１種類の食品について４つの力の波形データ（複数の測定値）を用いているが、これに限定されない。食品の種類及び力の波形データの数は変更可能である。食品の種類及び力の波形データの数は、いずれも多い方が、予測精度の向上という観点で好ましい。
【0049】
（Ｄ）上記測定装置３による測定において、押圧子３１の形状やサイズ、押圧子３１の移動速度、食品の試料のサイズ、試料の温度などは、上記に限定されず、適宜変更可能である。
また、食感評価値の官能評価の手法については、上記に限定されない。例えば、評価値の段階数（６段階）に限定されず、段階数を変更してもよい。また、評価者の人数などの適宜変更可能である。
また、食感評価値の官能評価の手法については、上記に限定されない。例えば、評価値の段階数（６段階）に限定されず、段階数を変更してもよい。また、評価者の人数などの適宜変更可能である。
【0050】
（Ｆ）上記実施形態においてゲル状食品を一例に挙げているが、本開示の食感推定技術は、ゲル状食品に限定されず、幅広い食品に適用可能である。
【符号の説明】
【0051】
１ ：食感予測モデル生成システム
１ｂ、２ｂ ：プロセッサ
２ ：食感予測システム
１０ ：教師データ取得部
１１ ：学習部
２０ ：食感予測モデル
２１ ：予測対象測定値取得部
２２ ：予測部
３１ ：押圧子
Ｄ１ ：教師データ
Ｆ１～Ｆ７８０ ：測定値（荷重値の時間系列の変化データ）
Ｆ１～Ｆ１８０ ：測定値（荷重値の歪系列の変化データ）
Ｓ ：食品
Ｘ１～Ｘ８５ ：食感評価値
１ｂ、２ｂ ：プロセッサ
２ ：食感予測システム
１０ ：教師データ取得部
１１ ：学習部
２０ ：食感予測モデル
２１ ：予測対象測定値取得部
２２ ：予測部
３１ ：押圧子
Ｄ１ ：教師データ
Ｆ１～Ｆ７８０ ：測定値（荷重値の時間系列の変化データ）
Ｆ１～Ｆ１８０ ：測定値（荷重値の歪系列の変化データ）
Ｓ ：食品
Ｘ１～Ｘ８５ ：食感評価値
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
