Food industry 4.0: Machine learning for new era of food safety

インダストリー4.0時代の食品産業における食品安全のための機械学習システム

            さあ、インダストリー4.0時代の食品産業と、食品産業における機械学習テクノロジー使用例について見ていきましょう。

Food industry 4.0とは（What is food industry 4.0）

            現在は、新種の伝染病、食品廃棄物問題、地球温暖化、人口の増加、そして技術の発展といった様々な事象に遭遇し、インダストリー4.0という産業革命が起こっています。食品産業もこの影響を受けていますので、適応を図っていかなければならないのは同様です。インダストリー4.0時代は、食品産業に、AIシステム、IoT、ブロックチェーン（ロボット、自動化システム、データ解析システムといった最新技術を導入するという時代です。それにより、食品の量や質を向上させ、食品産業における安全上の問題や廃棄物を低減し、環境影響を低め、持続可能性を高めていきます。私たちは変動の時代に存在しているということができ、旧式の食品産業は、新しい時代へと大きく変わっているのです。

            産業分野におけるこのような変化に伴い、政府でも消費者の新たなテクノロジーとイノベーションに対応するための業務実行計画を開発しなければならなくなっています。たとえば、アメリカ食品医薬品局（USFDA）では、新時代のより洗練された食品安全計画書（New era of smarter food safety blueprint）を作成しています。

機械学習（Machine Learning）とは？

            Machine Learning（ML）は、人工知能（Artificial Intelligence : AI）の中でもアルゴリズムの開発に焦点を当てたもので、インプットされたデータからシステムが学習し、訓練することで作業効率を向上させるというものです。たとえば、画像データのインプットにより、画像の内容を分類する訓練をして、明らかに異なる画像から求める画像だけを取り出せるように改善することなどがあります。

機械学習システムの食品産業への導入

            現在、機械学習システムを食品産業に導入するための多くの学術的研究がなされていますが、大変重要なアプリケーションの一つは、食品の安全性を高め、検査を容易にし、食品中の安全分析や消費者の安全保護のための決断（市場からのリコール等）にかかる時間を低減するための努力となります。また、食品サンプルを廃棄する必要のないインプット（画像、周波数分析、原産地情報、温度、揮発性物質、センサーからの環境情報等）による食品の品質・安全の予測も可能です。そこで、ここでは、食品安全のための興味深い機械学習の研究例を紹介していきます。

            Wang et al.（2021）(1) は、食品安全のための機械学習の用途を3種類、すなわち、危害検査、食品偽装の検査、及びトレーサビリティのための使用に分類しています。

            •危害（Food hazard）検査のための使用

            食品中の危害分析には、生物学的危害、化学的危害、又は物理的危害の分析があります。生物学的危害については、微生物や虫の種類の分類、原産地の分析、微生物の成長予測、及び、微生物の管理などが行われます。たとえば、2020年の研究報告 (2) によると、デンマークにおいてサルモネラ症（Salmonellosis。サルモネラ菌による食中毒）の発生源予測のための機械学習システムの開発が行われています。ここでは、人間、食品、及び動物からサンプル採取した微生物のゲノムを分析し、人間の病気の発生源（Source）を予測します。また、センサーからのデータインプット、画像分析、及び、分光法（Spectroscopy）による、食用の海藻における微生物の品質の予測に関する研究 (3)もあります。

            化学的危害については、殺虫剤、重金属、又は食品添加物等、食品中の有毒物質が中心となります。たとえば、飼料中のカビ毒（mycotoxin）アフラトキシンB₁（aflatoxin B₁）の汚染リスク予測・分析に関する研究 (4)では、飼料に関するデータ（種類、時間帯、国等）をインプットしています。また、食品サンプルを廃棄することなくトウモロコシ中のカビ毒の汚染を予測するためのハイパースペクトルイメージング（による学習・インプットにおいて機械学習を使用した研究もあります (5)。

            物理的危害は、製品の形状異常の学習や、屑、容器、埃、金属、プラスチック、木片といった異物の学習により検査することが可能です。たとえば、システムにマイクロ波イメージンぐ（Microwave imaging。サンプルを廃棄する必要なくサンプルの形状を表示することのできる、周波数の低いマイクロ波）を学習させ、ガラス瓶詰めヘーゼルナッツバター中の異物汚染を表示 (6) し、汚染のある製品をリアルタイムで分別できるようにしています。

            また、直接の危害を分析するだけでなく、製造上の衛生のため、人間の行動をシステムに学習させることも可能です。これには、カメラとAIによる分析を利用した、衛生基準に則した手洗い方法を評価させるための学習などがあります（動画を観る）。

            •食品偽装（Food Fraud）の検査

            機械学習は、汚染の検査だけでなく、食品偽装の検査にも導入することができます。これは、品質分析に使用することが可能です（たとえば、ロボットによるタッチシステムを用いたトマトの熟度判定等 (7)）。また、ガスクロマトグラフィー（Gas chromatography）で揮発性物質のグラフを分析し、ごま油に含まれる植物油の不純物を検査 (8)したり、センサーで測定したデータから果物ジュースに含まれるシロップの不純物を分析 (9)したりするなど、食品不純物混和（Food adulteration）の検査にも使用できます。

            •食品のトレーサビリティ（Food Traceability）

            原材料生産から消費者までの食品製造サプライチェーンにおいては、各種成分の様々な移動があり、ビッグデータになるということができます。これらのデータをシステムに学習させれば追跡・トレーサビリティが可能になりますが、ここでも機械学習が役に立ちます。たとえば、RFIDタグ移動の分析のための学習  (10) をさせ、製品追跡効率を向上させる等となります。

            インダストリー4.0対応のための組織開発や食品安全のための新テクノロジーの学習にご興味のある方は、こちらよりご希望をお知らせ下さい。基準やテクノロジー開発のご相談にも即時に対応させて頂きます。

References

1.Wang, X., Bouzembrak, Y., Lansink, A. O., & van der Fels‐Klerx, H. J. (2022). Application of machine learning to the monitoring and prediction of food safety: A review. Comprehensive Reviews in Food Science and Food Safety, 21(1), 416-434.

2.Munck, N., Njage, P. M. K., Leekitcharoenphon, P., Litrup, E., & Hald, T. (2020). Application of whole‐genome sequences and machine learning in source attribution of Salmonella Typhimurium. Risk Analysis, 40(9), 1693-1705.

3.Lytou, A. E., Tsakanikas, P., Lymperi, D., & Nychas, G. J. E. (2022). Rapid Assessment of Microbial Quality in Edible Seaweeds Using Sensor Techniques Based on Spectroscopy, Imaging Analysis and Sensors Mimicking Human Senses. Sensors, 22(18), 7018.

4.Wang, X., Bouzembrak, Y., Oude Lansink, A. G. J. M., & Van der Fels-Klerx, H. J. (2022). Designing a monitoring program for aflatoxin B1 in feed products using machine learning. npj Science of Food, 6(1), 40.

5.Chakraborty, S. K., Mahanti, N. K., Mansuri, S. M., Tripathi, M. K., Kotwaliwale, N., & Jayas, D. S. (2021). Non-destructive classification and prediction of aflatoxin-B1 concentration in maize kernels using Vis–NIR (400–1000 nm) hyperspectral imaging. Journal of Food Science and Technology, 58, 437-450.

6.Casu, M. R. (2019). Detection of food contaminants with Microwave Sensing and Machine Learning (Doctoral dissertation, Politecnico di Torino).

7.Bandyopadhyaya, I., Babu, D., Bhattacharjee, S., & Roychowdhury, J. (2014). Vegetable grading using tactile sensing and machine learning. In Advanced Computing, Networking and Informatics-Volume 1: Advanced Computing and Informatics Proceedings of the Second International Conference on Advanced Computing, Networking and Informatics (ICACNI-2014) (pp. 77-85). Springer International Publishing.

8.Peng, D., Bi, Y., Ren, X., Yang, G., Sun, S., & Wang, X. (2015). Detection and quantification of adulteration of sesame oils with vegetable oils using gas chromatography and multivariate data analysis. Food Chemistry, 188, 415-421.

9.Naskar, H., Nandeshwar, V., & Das, S. (2018, December). Adulteration detection of grape fruit juice using PCA and LDA pattern recognition technique. In 2018 IEEE Applied Signal Processing Conference (ASPCON) (pp. 83-86). IEEE.

10.Alfian, G., Syafrudin, M., Farooq, U., Ma’arif, M. R., Syaekhoni, M. A., Fitriyani, N. L., … & Rhee, J. (2020). Improving efficiency of RFID-based traceability system for perishable food by utilizing IoT sensors and machine learning model. Food Control, 110,