JP7534116B2 - 保管容器、冷蔵庫及び熟成度推定装置 - Google Patents

Description

本発明の実施形態は、保管容器、冷蔵庫及び熟成度推定装置に関する。

収納物である食品を熟成させるための装置（冷蔵庫）が知られている。熟成によって旨味が増す食品がある。

特開２０１８－９６７１２号公報

ところで、収納物を熟成させる際に、収納物の熟成度をより正確に検出できることが望まれるが、その熟成度を正確に検出できないことがあった。

本発明が解決しようとする課題は、収納物の熟成度をより正確に検出することができる保管容器、冷蔵庫及び熟成度推定装置を提供することである。

実施形態の保管容器は、保管容器本体と、検知ユニットと、情報処理ユニットとを持つ。前記保管容器本体は、収納物を収納空間に収納する。前記検知ユニットは、前記収納空間内の収納物の状態の検知結果を出力する。前記情報処理ユニットは、前記検知ユニットから前記検知結果を取得して、前記収納物の熟成度を３段階以上に区分するように、前記検知結果に基づいて推定部に推定させる。前記検知ユニットは、ドーパントとして無機酸、有機酸、及びイオン性液体の少なくとも１つを含む物質吸着膜を含む。前記物質吸着膜は、少なくとも前記収納物の熟成の進行により増加する旨味成分に起因する物質である揮発性アミノ酸と、前記収納物の腐敗の進行に応じてガスの濃度が高くなる物質であるヒスタミンとを吸着する。

第１の実施形態の冷蔵庫の構成図。 実施形態の保管容器の断面図。 実施形態の保管容器の構成図。 実施形態の熟成に関する処理のフローチャート。 実施形態の状態判定処理のフローチャート。 図４示す状態判定処理の評価項目について説明するための図。 果物が発する香気成分について説明するための図。 実施形態のバナナの画像の画像処理を説明するための図。 実施形態の食肉の画像の画像処理を説明するための図。 ＣＮＮにより構成された第１学習モデルを模式的に示す構成図。 第１学習モデルに用いられるニューラルネットワークの一部を模式的に示す構成図。 実施形態の判定処理部を模式的に示す構成図。 実施形態の熟成度推定処理部を模式的に示す構成図。 実施形態の熟成度推定処理部を模式的に示す構成図。 実施形態の表面状態検出部と熟成度推定処理部の構成図。 第２の実施形態の保管装置と冷蔵庫の概略構成図。

以下、実施形態の保管容器、冷蔵庫及び熟成度推定装置を、図面を参照して説明する。以下の説明では、実施形態の「食品」とは、保管容器に保管され、熟成対象の「収納物」のことである。同一又は類似の機能を有する構成に同一の符号を付す。そして、それら構成の重複する説明は省略する場合がある。本明細書で「ＸＸに基づく」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含む。また「ＸＸに基づく」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含む。「ＸＸ」は、任意の要素（例えば任意の情報）である。本明細書で「ＹＹ１又はＹＹ２」とは、「ＹＹ１」のみが存在する場合、又は「ＹＹ２」のみが存在する場合に限定されず、「ＹＹ１」及び「ＹＹ２」の両方が存在する場合も含む。これは、「又は」で繋がれる要素が３つ以上の場合も同様である。本明細書で「ＺＺ１とＺＺ２とのうち少なくとも一方」とは、「ＺＺ１」及び「ＺＺ２」の両方が前提として存在する場合に限定されず、「ＺＺ１」のみしか存在しない場合、又は「ＺＺ２」のみしか存在しない場合も含む。「ＸＸ」、「ＹＹ１」、「ＹＹ２」、「ＺＺ１」、及び「ＺＺ２」は、それぞれ、任意の要素（例えば任意の情報、機能、または構成）である。本明細書で「熟成度」とは、「熟成」の度合いのことであり、段階的な値でその程度を示す。

（第１の実施形態）
［１．保管容器及び冷蔵庫の全体構成］
図１から図１３を参照し、実施形態の保管容器１及び冷蔵庫２について説明する。

最初に、冷蔵庫２について説明する。図１は、冷蔵庫２の構成図である。
冷蔵庫２は、例えば、筐体２０、図示されない扉、制御基板２１と、温度センサ２２と、冷却部２６と、操作パネル２７とを備えている。

筐体２０は、例えば、図示しない内箱、外箱、及び断熱部を有する。内箱は、筐体２０の内面を形成する部材である。外箱は、筐体２０の外面を形成する部材である。内箱と外箱との間には、発泡ウレタンのような発泡断熱材を含む断熱部が設けられている。筐体２０の内部には、貯蔵室２０Ｓ（貯蔵部）が設けられている。筐体２０は、例えば、貯蔵室２０Ｓの前面側に、貯蔵室２０Ｓに対して食材の出し入れを可能にする開口を有する。開口は、図示されない扉によって開閉可能に閉じられる。扉は、例えば断熱構造を有している。扉の一部を断熱構造の合わせガラス又は透過性樹脂で構成することで、扉を開けずに貯蔵室２０Ｓ内を確認することができる。例えば、貯蔵室２０Ｓは、１又は複数の保管容器１を収納可能に構成されている。

貯蔵室２０Ｓには、貯蔵室２０Ｓの冷気の温度を検出する温度センサ２２が設けられている。温度センサ２２の出力は、後述の制御基板２１に接続されている。

冷却部２６は、貯蔵室２０Ｓ内を冷却する。冷却部２６は、例えば、圧縮機２６１と、ファン２６２と、冷凍サイクル装置（不図示）とを含む。冷凍サイクル装置は、例えば冷媒ガスを用いた冷凍機を形成する。例えば、冷凍サイクル装置の冷媒循環管路には、圧縮機２６１と、図示しない凝縮器と、ドライヤと、キャピラリーチューブと、冷却器とがそれぞれ設けられている。

圧縮機２６１（温度調整ユニット）は、例えば、冷蔵庫２の底部の機械室に設けられ、貯蔵室２０Ｓの冷却に用いられる冷媒ガスを圧縮する。冷媒ガスは、圧縮機２６１を起点に、凝縮器、ドライヤ、キャピラリーチューブ、冷却器の順に循環させられる。冷却器は、例えば、図示しないダクトに配置されている。冷却器は、圧縮機２６１により循環される冷媒ガスが供給され、ダクト空間を流れる冷気を冷却する。

ファン２６２（ファンユニット）は、例えば、上記のダクト空間を通じて貯蔵室２０Ｓの冷気を循環させる。ダクト空間の冷気が冷却器によって冷却されて貯蔵室２０Ｓに供給されることにより、貯蔵室２０Ｓ内の食品ＯＢＪが冷却される。例えば、ファン２６２は、貯蔵室２０Ｓ内の冷気が対流するような風量を供給するように作動してもよい。

なお本明細書で「冷却する」とは、冷却器に圧縮機２６１から冷媒が供給されている状態を意味する。ただし、本明細書で「冷却する」とは、ファン２６２が駆動される場合に限定されない。例えば、「冷却する」とは、ファン２６２の駆動が停止された状態で圧縮機２６１から冷却器に冷媒が送られ、冷却器と貯蔵室２０Ｓとの間の伝熱により貯蔵室２０Ｓの温度が低下する場合なども含む。

制御基板２１は、例えば、通信ユニット２３と、貯蔵庫制御部２４と、貯蔵庫記憶部２５とを備える。

通信ユニット２３は、例えば、無線で通信可能に構成されていて、無線通信によって接続される通信相手先と貯蔵庫制御部２４との間を中継する。通信相手先には、例えば、保管容器１、ユーザが利用する携帯端末などが含まれる。通信ユニット２３は、保管容器１又は携帯端末と直接通信してもよく、冷蔵庫２が配置された位置に設けられた無線アクセスポイントなどを中継して通信してもよい。

貯蔵庫記憶部２５は、例えば、半導体メモリ、磁気記録装置などを含む。貯蔵庫記憶部２５には、例えば、貯蔵庫制御部２４による冷蔵庫２の制御に必要とされる各種情報、プログラムなどの記憶領域が割り当てられている。

貯蔵庫制御部２４は、後述する保管容器１と通信して、保管容器１が検出した状態に関する情報を収集する。貯蔵庫制御部２４は、貯蔵室２０Ｓ内の冷気の温度が所望の温度になるように、また、貯蔵室２０Ｓ内の冷気の湿度が所望の湿度になるように、冷却部２６を制御して貯蔵室２０Ｓ内の冷気の温度と湿度を調整する。

例えば、貯蔵庫制御部２４は、温度センサ２２によって検出された温度に基づいて、冷却部２６を制御して貯蔵室２０Ｓ内の冷気の温度を調整する。上記の貯蔵室２０Ｓ内の冷気の温度制御は、予め定められた上限温度と下限温度により規定される温度範囲が定められていて、その温度範囲内の温度になるように行われる。貯蔵庫制御部２４は、後述する湿度センサ３６によって検出された湿度に基づいて、冷却部２６を制御して貯蔵室２０Ｓ内の冷気の湿度を調整する。上記の貯蔵室２０Ｓ内の冷気の湿度制御は、予め定められた上限湿度と下限湿度により規定される湿度範囲が定められていて、その湿度範囲内の所望の湿度になるように行われる。

操作パネル２７は、例えば、液晶型表示ユニットなどの表示ユニットを備える。操作パネル２７は、貯蔵庫制御部２４に接続され、貯蔵庫制御部２４の制御によって表示部に各種情報を出力させる。操作パネル２７は、表示部の表示目に設けられたタッチパネルによってユーザの操作を検出し、検出結果を貯蔵庫制御部２４に出力する。

次に、保管容器１について説明する。図２Ａは、実施形態の保管容器１の断面図である。図２Ｂは、実施形態の保管容器１の構成図である。
保管容器１は、例えば、保管容器本体１０と、検知ユニット３と、情報処理ユニット４と、出力処理ユニット５と、記憶部６と、排気部７とを備える。

保管容器本体１０は、食品ＯＢＪを収納可能な容器であり、内側に収納空間１０Ｓを有する。例えば、保管容器本体１０は、樹脂で形成されている。保管容器本体１０は、略方形の底１１と、底１１の周囲（辺）からそれぞれ立ち上がる側面１２ａから１２ｄを有している。側面１２ａから１２ｄの上端は、収納空間１０Ｓへの食品ＯＢＪの出し入れが可能な大きさの開口部を形成している。側面１２ａから１２ｄの上端によって形成される開口部には、開口部を塞ぐ蓋１３が設けられていてもよく、設けられていなくてもよい。蓋１３は、閉じられた状態で、収納空間１０Ｓと、保管容器本体１０の外部との間で通気性を有していてもよく、密閉するように形成されていてもよい。例えば、蓋１３には、収納空間１０Ｓと、保管容器本体１０の外部とをつなぐ開孔１３ｈがあり、開孔１３ｈには、排気部７が設けられている。

排気部７は、保管容器本体１０の収納空間１０Ｓ内の空気を入れ替えるための排気機構を含む。例えば、排気部７は、保管容器本体１０又は蓋１３に設けられたファンである。排気部７を所定時間作動させることにより、収納空間１０Ｓ内の空気を、その外部の空気と入れ替えることができる。排気部７は、後述する検知ユニット３のリフレッシュ処理に用いられる。リフレッシュ処理について後述する。

「食品ＯＢＪを収納可能」とは、保管容器本体１０の収納空間１０Ｓ内に対象の食品ＯＢＪが収まることにかぎらず、例えば、保管容器本体１０の蓋１３を閉めた状態で対象の食品ＯＢＪが蓋１３にあたらないこと、保管容器本体１０の収納空間１０Ｓ内に配置された食品ＯＢＪが後述する検知ユニット３と干渉しないこと、保管容器本体１０の収納空間１０Ｓ内に配置された食品ＯＢＪの状態を検知ユニット３が検知するために必要とされる空間が、食品ＯＢＪの周りに確保されていることなどを総称する。

保管容器１に収納する食品ＯＢＪは、例えば、食肉、野菜又は果物などの食品（食材）を含む。保管容器１に収納された食品は、熟成するまでの所定の期間保管される。以下の説明では、食品ＯＢＪのことを単に「食品」と呼ぶ。

検知ユニット３は、例えば、保管容器本体１０の収納空間１０Ｓ内の状態を検出するように設けられ、収納空間１０Ｓに配置された食品の状態に応じて変化する物理量を検出する。例えば、検知ユニット３は、各種の物理量をそれぞれ検出するための複数種類のセンサ本体と、その物理量をデータに変換して出力する変換ユニットとを含む。検知ユニット３は、検出した物理量に応じた各種データを、後段の情報処理ユニット４に出力する。

例えば、検知ユニット３は、カメラ３１と、赤外分光ユニット３２と、ガスセンサ３３と、重量センサ３４と、接触センサ３５（不図示）と、湿度センサ３６とを備える。このうち、検知ユニット３は、上記の各センサの内、食品の種類に応じて一部又は全部を備えてもよい。各センサの種類と測定対象の食品との対応関係については後述する。

検知ユニット３の各センサの出力端子は、情報処理ユニット４の入力端子（不図示）に、電気的に接続されている。これに代わり、検知ユニット３の各センサが無線通信ユニットを有していて、情報処理ユニット４に無線通信を用いて通知してもよい。

以下、検知ユニット３の各センサについて順に説明する。
カメラ３１は、可視光領域に感度を有する撮像素子を含み、食品の像などを含むカラー画像のデータを生成する。例えば、カメラ３１は、可視光領域に感度を有する光センサを含み、食品の反射光を特定の波長領域を透過する光学フィルタによって波長を選別して、透過した波長の光の強度に基づいて食品の色を検出してもよい。なお、カメラ３１は、食品の色を検出する光センサであってもよい。この場合、検出する色に対応する光センサを複数設けるとよい。

赤外分光ユニット３２は、赤外線を食品に照射して、食品の表面からの赤外線を検出し、赤外分光法によって赤外線スペクトル（ＩＲスペクトル）を検出する。赤外分光ユニット３２は、そのＩＲスペクトルに関する測定データを出力する。一般的に、有機分子は、遠赤外領域の赤外線が照射されると、赤外線のエネルギーがその分子の回転エネルギーに変換されて、多数の線スペクトルを生成する。赤外分光法では、これを利用して、その反射光に含まれるスペクトル（ＩＲスペクトル）を検出して、その吸収域の波長（波長帯）に対応する分子構造が、食品の表面の測定範囲に存在することを検出する。赤外分光ユニット３２は、非接触式センサの一例である。赤外分光ユニット３２は、検出対象の食品に赤外光を照射して反射光を検出可能な位置に設けられている、例えば、蓋１３の食品側の面は、その一例である。

ガスセンサ３３は、収納空間１０Ｓ内の所望のガスを検出するための１又は複数種類の検出部（不図示）を備える。ガスセンサ３３は、各検出部が検出したガスの測定データを出力する。ガスセンサ３３は、においセンサと呼ばれることがある。ガスセンサの例は後述する。

重量センサ３４は、例えば保管容器本体１０の底１１の外側に、保管容器本体１０の重量を受けるように保管容器本体１０の底に設けられた圧力センサであり、保管容器本体１０と食品の合計の重量又は食品の重量に対応する測定データを出力する。

接触センサ３５は、食品に接触した状態で、食品の成分を検出し、検出した成分の含有量（成分量）を示す測定データを出力する。接触センサ３５が検出可能な食品の成分は、その種類により異なる。接触センサ３５は、保管容器本体１０の内側、又は保管容器本体１０の開口部側に配置される。ユーザが接触センサ３５を食品に接触させるように配置してもよく、蓋１３の食品側の面に係止された接触センサ３５が、蓋１３を閉じた状態になると降下して食品に接触するように形成されていてもよい。

湿度センサ３６は、抵抗変化型又は容量変化型の電子式のセンサ本体（不図示）を含み、収納空間１０Ｓ内の空気の湿度を検出し、検出した湿度の測定データを出力する。

情報処理ユニット４は、検知ユニット３による検知結果のデータを受け、検知結果のデータが示す状態に基づいて、食品の熟成度を識別する。情報処理ユニット４は、食品の熟成度の識別結果を、未熟成段階、熟成初期段階、熟成後期段階、過熟成段階（廃棄段階）などの複数の段階に分けて熟成度を段階的に示してもよい。熟成初期段階、熟成後期段階、及び過熟成段階（廃棄段階）と、未熟成段階、熟成初期段階、及び熟成後期段階とは、３段階の区分の一例であり、これらの組み合わせに制限されない。情報処理ユニット４による処理の詳細は、後述する。

出力処理ユニット５は、情報処理ユニット４による識別の結果（結果情報）を、所定の出力部に出力させる。出力処理ユニット５は、例えば、液晶型表示ユニット又は有機ＥＬ型表示ユニットの表示ユニット（不図示）を備えていてもよい。この場合、出力処理ユニット５は、情報処理ユニット４による識別の結果（結果情報）を表示ユニットに出力させる。

出力処理ユニット５は、例えば、無線で通信可能な無線通信部（不図示）を含み、無線通信によって接続される通信相手先と情報処理ユニット４との間を中継する。通信相手先には、例えば、冷蔵庫２の貯蔵庫制御部２４、ユーザが利用する携帯端末などが含まれる。出力処理ユニット５は、冷蔵庫２の通信ユニット２３を経由して貯蔵庫制御部２４と通信してもよく、さらに携帯端末などの外部装置と直接通信してもよく、冷蔵庫２が配置された位置に設けられた無線アクセスポイントなどを中継して通信してもよい。

記憶部６は、例えば、半導体メモリなどを含む。記憶部６には、保管容器１の各部の制御に必要とされる各種情報、プログラムなどの記憶領域が割り当てられている。記憶部６に格納される各種情報には、検知ユニット３によって検出する項目を規定する評価項目テーブルと、検知ユニット３によって検出された各種測定データと画像データとが含まれる。

以下、実施形態の情報処理ユニット４の一例について説明する。
情報処理ユニット４は、例えば、画像データ取得部４１と、食品種別判定部４２と、表面状態検出部４３と、データ取得部４４と、熟成度推定処理部４５と、測定制御部４６とを備える。

画像データ取得部４１は、検知ユニット３のカメラ３１から画像データを取得して、記憶部６に、時刻情報が付与された時系列の画像データとして格納する。画像データ取得部４１は、後述の食品種別判定部４２に画像データを供給する。

食品種別判定部４２は、カメラ３１によって撮影された画像に基づいて食品の種別を検出し、その結果を、表面状態検出部４３、熟成度推定処理部４５及び測定制御部４６に供給する。

表面状態検出部４３は、カメラ３１によって撮影された食品の画像ＩＭから食品の表面の状態を検出する。例えば、表面状態検出部４３は、カメラ３１によって撮影された画像を記憶部６から読み出して用いる。表面状態検出部４３は、食品種別判定部４２による食品の種別の検出結果を用いて、食品の表面の状態を検出する際の識別条件などを変更してもよい。表面状態検出部４３は、食品の表面の状態の検出の結果を熟成度推定処理部４５に供給する。

データ取得部４４は、検知ユニット３におけるカメラ３１以外のセンサから、各種データを取得して、記憶部６に時系列の測定データとして格納する。

熟成度推定処理部４５は、記憶部６に格納された時系列の画像データと測定データと、食品種別判定部４２による食品の種別の検出結果と、表面状態検出部４３による食品の表面の検出結果とに基づいて、食品の熟成度を検出する。熟成度推定処理部４５のより具体的な処理を後述する。

測定制御部４６は、検知ユニット３からの画像データ又は各センサによる測定データを所定の周期で取得するように、検知ユニット３と情報処理ユニット４の各部を制御する。測定制御部４６は、例えば、食品種別判定部４２によって識別された食品の種別に基づいて、検知ユニット３による検知項目を選択する。検知ユニット３による検知項目を選択することにより、必要とされる最小限の測定データに基づいて判定することができ、関連性が低いデータのノイズを除くことができる。また、後述する判定処理の演算負荷を軽減できる。

さらに、測定制御部４６は、保管容器１が配置された周囲の環境が所望の環境になるように、各センサによる測定データを貯蔵庫制御部２４に送り、貯蔵庫制御部２４の制御に利用させる。例えば、測定制御部４６は、貯蔵庫制御部２４に対して、湿度の測定値に関する測定データを供給して、湿度の制御に利用させる。貯蔵庫制御部２４による制御の項目には、保管容器１が配置された周囲の通風量、湿度などが含まれる。

（食品の熟成の概要）
保管容器１は、収納空間１０Ｓに配置された食品（食材）を保管する。ここでいう食品（食材）とは、食肉、野菜、果物などであり、加熱加工を施す前のものである。食肉が熟成された状態の肉を熟成肉と呼ぶ。野菜と果物が「熟れる」ことと、食肉が熟成されることとを、纏めて「熟成」と呼ぶことがある。保管容器１は、食品を収納空間Ｓ内に保管している間に熟成させる。

例えば、生肉（食肉）を熟成させる方法として、ドライエイジングと、ウエットエイジングの２通りの方法が知られている。ドライエイジングとは、例えば、保管容器１内の温度を１℃前後に維持し、湿度を70から80％の範囲内に維持して、生肉に風を当てて乾燥させながら熟成させる方法である。ドライエイジングによって生肉を熟成させると、肉の水分が蒸発して肉に含まれる水分量が少なくなるため、単位体積（単位重量）あたりのアミノ酸（旨み成分を含む）の密度（重量比率）が高くなる。また、熟成の過程でたんぱく質が分解して肉質がやわらかくなり、これに伴ってアミノ酸量が増加する。これに対し、ウエットエイジングとは、生肉（食肉）を密閉した状態にして、その状態を保ちながら熟成させる方法である。そのため、ウエットエイジングでは、食肉の水分を保持させながら熟成できるため、よりやわらかい肉質にすることができる。保管容器１は、上記のドライエイジングと、ウエットエイジングの２通りに適用可能である。ウエットエイジングの場合には、密閉性を有する蓋１３を利用する。

野菜と果物には、熟成させると、糖度が増加し、旨味成分が増加するものがある。保管容器１は、野菜と果物の熟成にも適用可能である。

（熟成度を検出する処理の基本的な手順）
図３は、実施形態の熟成度を検出処理のフローチャートである。

まず、ユーザは、食品を、保管容器１の収納空間Ｓ内に配置して、例えば、蓋１３を閉じた状態で食品を保管容器１に保管する。例えばユーザは、食品が保管された保管容器１を、冷蔵庫２の貯蔵室２０Ｓ内に収納する。

保管容器１の情報処理ユニット４は、食品が収納空間Ｓ内に保管されたことを検出する。情報処理ユニット４は、これに応じて、食品の種類と、保管したときとを決定する（ステップＳ１０）。例えば、情報処理ユニット４の食品種別判定部４２は、カメラ３１が生成した画像のデータを利用して、食品の種類と、保管したとき（タイミング）とを識別するとよい。測定制御部４６は、例えば、保管容器１の食品を入れ替えたときにこのステップの処理を実施する。保管容器１の食品を入れ替えないときには、このステップを省略する。

情報処理ユニット４の測定制御部４６は、検知ユニット３の状態、及び保管容器１内の状態を初期化するためのリフレッシュ処理を実施する（ステップＳ１２）。

測定制御部４６は、ステップＳ１２のリフレッシュ処理から所定時間経過した後に、食品の種類に対応する検知ユニット３の各センサユニットを起動させる（ステップＳ１４）。

画像データ取得部４１とデータ取得部４４は、検知ユニット３からそれぞれデータを取得する（ステップＳ１６）。例えば、画像データ取得部４１は、カメラ３１から画像データを取得して、取得した画像データを記憶部６に追加する。データ取得部４４は、検知ユニット３から各種測定データを取得して、取得した測定データを記憶部６に追加する。

情報処理ユニット４は、上記のステップＳ１６において取得したデータに基づいて、食品の状態が、収納した段階から変化しているか否かを検出する（ステップＳ１８）。

例えば、情報処理ユニット４は、検知ユニット３に含まれる１又は複数種類のセンサを用いて、食品の熟成度に応じて変化する因子を所定の周期で検知する。食品の状態が、収納した段階から変化していない場合には、このフローチャートに関する一連の処理を終える。例えば、上記の場合、情報処理ユニット４は、食品が熟成初期の段階まで至っていないと判定する。食品の熟成度に関する情報を外部に出力させることが必要とされない場合には、測定制御部４６は、食品の熟成度に関する情報を外部に出力させない。

食品の状態が、収納した段階から変化している場合には、測定制御部４６は、食品の状態を判定する処理（状態判定処理）を熟成度推定処理部４５に実施させて（ステップＳ２０）、その処理の結果の熟成度に関する情報を、出力処理ユニット５から外部に出力させる（例えば、外部の表示部に表示させる）（ステップＳ３０）。情報処理ユニット４は、上記の処理を終えると、このフローチャートに関する一連の処理を終える。このフローチャートの処理は、予め定められた周期で実行される。例えば、その周期は、１日に数回から数１０回実行するように規定する。より具体的には、周期を１時間にしてもよい。

図４を参照して、図３のフローチャートにおけるステップＳ２０の処理に関するより具体的な例について説明する。図４は、実施形態の状態判定処理のフローチャートである。図４のフローチャートにおいて、図３のフローチャートと同じ符号が付された処理は、図３のフローチャートの各ステップの処理と同じである。前述の通り、すでに、食品の種類は、カメラ３１の画像データに基づいて識別されている。この識別結果に基づいて、食品の種類の識別に適した検知ユニット３内のセンサが選択される。選択されたセンサの測定データ又は画像データを利用して、以下の処理が行われる。

ここでは、ステップＳ１８の判定において、肯定的な結果が得られて、食品の状態が収納段階から変化していると判定された場合について説明する。

熟成度推定処理部４５は、食品の状態が第１条件を満たしているか否かを判定する（ステップＳ２１）。例えば熟成後期の段階にあるか否かを識別する第１閾値が予め定められている。この第１閾値を用いた判定により上記の判定の結果が肯定的になるときに、食品の状態が第１条件を満たしているものとする。換言すれば、このステップＳ２１の処理によって、熟成度推定処理部４５は、食品の状態が熟成後期の段階に入っているか否かを判定する。

食品の状態が第１条件を満たしていない場合には、熟成度推定処理部４５は、食品の状態が熟成初期の段階にあると判定して（ステップＳ２２）、処理をステップＳ３０に進める。

食品の状態が第１条件を満たしている場合には、熟成度推定処理部４５は、食品の状態が第２条件を満たしているか否かを判定する（ステップＳ２３）。例えば腐敗状態の段階にあるか否かを識別する第２閾値が予め定められている。この第２閾値を用いた判定により上記の判定の結果が肯定的になるときに、食品の状態が第２条件を満たしているものとする。換言すれば、このステップＳ２３の処理によって、熟成度推定処理部４５は、食品の状態が腐敗状態の段階にあるか否かを判定する。

食品の状態が第２条件を満たしていない場合には、熟成度推定処理部４５は、食品の状態が、まだ熟成後期の段階にあると判定して（ステップＳ２４）、処理をステップＳ３０に進める。食品の状態が第２条件を満たしている場合には、熟成度推定処理部４５は、食品の状態が腐敗状態の段階にあると判定して（ステップＳ２５）、処理をステップＳ３０に進める。

熟成度推定処理部４５は、上記のステップＳ２１からＳ２５の処理により、食品の状態を、熟成初期の段階と、熟成後期の段階と、腐敗状態の段階とに区分することができる。

上記の処理に用いる第１条件に係る第１閾値と、第２条件に係る第２閾値とについて、のより具体的な事例を示して説明する。

図５は、図４示す状態判定処理の評価項目について説明するための図である。
図５に示す評価項目テーブルには、食品の種類、識別番号（Ｎｏ）、カメラ、ガス、重量、湿度、物質、重みの項目が含まれる。食品の種類は、熟成させる対象の食品の種類のデータが格納される。識別番号（Ｎｏ）には、評価項目を特定する測定条件を識別可能な識別情報が格納される。カメラ、ガス、重量、湿度、及び物質の各項目は、検知ユニット３を利用して取得する各種測定データの種類を示す。上記の項目に「〇」印がつけられた欄の測定データを評価項目とすることが示される。
物質の欄には、接触と非接触の２つの欄が設けられている。接触の欄は、接触センサ３５を用いた測定を示し、非接触の欄は、赤外分光ユニット３２を用いた測定を示す。

「重み」の項目は、評価項目を特定するものではないが、各種測定データを利用した解析に用いられる重み係数を識別するための識別情報が格納されている。これについては、後述する。

（食品が発するガスの量から熟成度を検出する処理）
食品が発するガスの量から熟成度を検出する処理について説明する。
熟成度によって発生するガスの量が変化する食品として、果物が挙げられる。果物は、種別に固有の香気成分を発することが知られている。そのような果物は、熟成が進むほどその発生量が多くなる傾向がある。香気成分には、例えば、エステル系のガスなどが含まれる。

図６は、果物が発する香気成分について説明するための図である。
図６に示すように、レモンが発する香気成分には、シトラールが含まれる。
バナナが発する香気成分には、酢酸イソペンチル（酢酸3-メチルブチル）が含まれる。
リンゴが発する香気成分には、吉草酸イソペンチル（ペンタン酸3-メチルブチル）とエチレンが含まれる。
メロンが発する香気成分には、cis-6-ノネナールが含まれる。
カシスが発する香気成分には、4-メトキシ-2-メチルブタン-2-チオールが含まれる。
ブドウが発する香気成分には、アントラニル酸メチル（2-アミノ安息香酸メチル）が含まれる。
チャリーが発する香気成分には、ベンズアルデヒドが含まれる。
イチゴが発する香気成分には、2、5－ジメチル－4－ヒドロキシ－3(2H)－フラノンが含まれる。

上記の香気成分は、代表的な一例を示すものである。上記の香気成分は、果物の種類によって異なる。また、上記の果物は、上記の香気成分以外のガスを発することがある。

次に、リンゴの熟成度を示す因子としてエチレン（エチレンガス）を利用する事例について説明する。情報処理ユニット４は、熟成度の検出対象をリンゴに定め、検知ユニット３に保管容器１内の空気中のエチレンの濃度を測定させて、１時間ごとの測定の結果を取得する。エチレンが保管容器１内で検出されなかった場合には、情報処理ユニット４は、リンゴが保管容器１に入っていない、又は熟成度を詳細に判定する段階のリンゴが保管容器１に入っていないと判定する。未熟成のリンゴは、熟成度を詳細に判定する段階にないとする。

所定の濃度以上のエチレンが検出されていて、その濃度が１ｐｐｍ未満の場合には、情報処理ユニット４は、そのリンゴが熟成初期の段階にあると判定する。エチレンの濃度が１ｐｐｍ以上１０ｐｐｍ未満の場合には、情報処理ユニット４は、そのリンゴが熟成後期の段階にあると判定する。エチレンの濃度が１０ｐｐｍ以上の場合には、情報処理ユニット４は、そのリンゴが腐敗しているか又は食べることができない状態にあると判定する。

上記のリンゴの場合において、前述の図４に示した処理の中の第１条件が満たされることとは、例えばエチレンの濃度が１ｐｐｍ以上存在することであり、同様に第２条件が満たされることとは、エチレンの濃度が１０ｐｐｍ以上存在することである。このように第１条件と第２条件を定めることにより、前述の図４に示した処理を適用できる。具体的な数値は一例であり、これを変更することに制限はない。

なお、リンゴを熟成させるには、その水分量が保たれるように湿度が管理された環境で、比較的低温で保存するとよい。例えば、リンゴを保管容器１の収納空間Ｓ内に配置して、保管容器１の開口部を蓋１３で塞いで保管容器１を密閉状態にして、その中でリンゴを保管するとよい。

なお、前述の図６に示した揮発性甘味物質（香気成分）の空気中の濃度を用いて、同様の処理により、他の果物の熟成度を検知することができる。

果物を例示して説明したが、食肉などの場合には、熟成の進行により増加する旨味成分に起因する物質（揮発性アミノ酸）と、腐敗の進行に応じてガスの濃度が高くなる物質（アンモニアガス又はヒスタミン）とが生じることがある。これらのガスの濃度を利用して熟成度を判定する場合に、前述の図４に示した処理の中の第１条件が満たされることを、熟成の進行により増加する旨味成分に起因する物質が所定値以上存在することにしてよく、同様に第２条件が満たされることを、腐敗の進行に応じてガスの濃度が高くなる物質が所定値以上存在することにするとよい。

ガスセンサ３３のより具体的な一例について説明する。
ガスセンサ３３は、ガスセンサ本体と、ガスセンサ本体の表面を覆う物質吸着膜とを含む。例えば、物質吸着膜は、π電子共有高分子膜を有する薄膜である。π電子共有高分子膜は、例えば、ドーパントとして無機酸、有機酸、及びイオン性液体のうち少なくとも１種類を含む。この物質吸着膜に所定の物質が吸着すると、これによる物理的、化学的又は電気的特性の変化が生じる。ガスセンサ３３は、この変化を検出することで、所定の物質の吸着状況を検出する。

ガスセンサ３３のπ電子共有高分子膜の種類を代えることにより、吸着する物質が代わる。互いに種類が異なるπ電子共有高分子膜を有する複数のガスセンサ３３を、共通の基板上に配置して、測定対象の空気にさらすことで、π電子共有高分子膜の種類に応じた物質がそれぞれの膜に吸着される。その吸着状況から、存在する物質の種類を検出することができる。

上記の測定原理の素子を用いたガスセンサ３３は、検出結果を電気的な信号にして出力する。

なお、ガスセンサ３３の検出精度を高めるには、ガスセンサ３３の周辺の空気の流れを止めて検出するとよい、このために、気体を撹拌するファンを止めた状態で測定することにより、安定した状態で検出することができる。さらに、測定を開始する前に、ファンを所定期間作動させて、ガスセンサ３３のπ電子共有高分子膜に吸着した物質（分子）を離脱させることで、π電子共有高分子膜に残留する物質の量を軽減させることができる。π電子共有高分子膜から吸着した物質を離脱させるには、温度が高いほど有効な場合がある。

上記のように測定精度を高めるためには、食品を保管する温度（平均温度）よりも比較的高い温度の空気を、所定期間に亘ってガスセンサ３３に送って、ガスセンサ３３をリフレッシュさせるとよい。

なお、上記のファンは、例えば、冷蔵庫２の冷却部２６に設けられたファン２６２であってもよく、保管容器１の排気部７のファンであってもよい。冷蔵庫２の貯蔵庫制御部２４と、保管容器１の測定制御部４６は、互いに連携して、冷却制御の冷却部２６の作動状態における冷却期間と、検知ユニット３による検知を実施させる期間とが重ならないように、時間を整合させるとよい。

（食品の色から熟成度を検出する画像処理）
食品の色から熟成度を検出する処理について説明する。
保管容器１に保管されているバナナは、熟成すると、その皮の色が、緑色から黄色、さらに茶色と徐々に変化する。カメラ３１は、食品のバナナが配置された領域を撮像し、１時間ごとの画像から、例えばバナナの色を検知する。検出開始時から各画像におけるバナナの色が変化しない場合は、バナナの熟成が進んでいないと判定する。バナナの色が緑色から黄色になった場合には、熟成初期と判定する。バナナの色が茶色くなった場合には、熟成後期と判定する。それ以上茶色く（黒く）変化した場合には、腐敗もしくは食べられる状態でないと判定する。

葉物野菜の場合には、緑色が淡くなり、黄色くなる。そのためバナナと同様の検知方法（画像処理を用いた検知手段）で、熟成度を判定できる。

食肉の場合には、熟成が進むと食肉の表面がカビに覆われることがあるため、食肉の赤色系の表面に白色又は緑色が検出されるようになったり、その白色又は緑色の範囲が増加したりするため、白色又は緑色が検出された範囲の変化に基づいて判定することができる。

なお、この色の変化の検出では、必ずしも画像内の食品の位置又は範囲を特定しなくてもよい。例えば、画像の全部が食品の像で覆われていてもよく、食品の背景が画像の一部に映っていてもよい。その背景が画像に含まれる場合には、色の検出に対する影響を低減するために、背景部分の色が、無彩色であるか又は検出対象の食品の色とは異なる色相であることが望ましい。上記は、食肉の熟成の推定に適した検知手段の一例である。

本実施形態の表面状態検出部４３は、例えば、色差空間変換処理部４３１（図１１）と、判定処理部４３２（図１１）とを備える。色差空間変換処理部４３１は、後段の判定処理部４３２の識別が容易になるように、カラー画像の表色系を変換するなどの処理を実施する。判定処理部４３２は、色差空間変換処理部４３１によって変換された情報に基づいて判定する。以下、これらの処理の一例について説明する。

図７と図８を参照して、色の変化を検出する画像処理の一例を示す。最初に、バナナの事例について説明する。図７は、実施形態のバナナの画像の画像処理を説明するための図である。

図７（ａ１）から（ａ３）に示されたＩＭ１１、・・・、ＩＭ１５、・・・、ＩＭ１８、・・・の各画像は、カメラ３１によって連続して検出されたバナナの画像の一例である。ＩＭ１１、・・・、ＩＭ１５、・・・、ＩＭ１８、・・・の各画像は、連続して検出された画像の中から、所定の周期に対応する画像を抽出したものであり、撮影した時刻ｔ１１、ｔ１５、ｔ１８に対応する識別情報が各画像に関連付けられている。ＩＭ１１、・・・、ＩＭ１５、・・・、ＩＭ１８、・・・の各画像を纏めて示す場合には、単にＩＭと呼ぶ。時刻ｔ１１、ｔ１５、ｔ１８に対応するバナナの像の色は、それぞれ緑色、黄色、茶色であるとする。

色差空間変換処理部４３１は、各画像の中に複数の抽出ポイントを定め、各抽出ポイントの位置の色又は各抽出ポイントの位置を基準にした所定の範囲の色を検出し、検出した色を抽出ポイントの色として決定する。例えば、色差空間変換処理部４３１は、１つの画像の中に１００個の抽出ポイントを、等しい間隔で格子状に配置する。この場合、色差空間変換処理部４３１によって、時刻ｔ１１の画像ＩＭ１１のバナナの像にあたった抽出ポイントの色は緑色と識別される。同様に、画像ＩＭ１５のバナナの像にあたった抽出ポイントの色は黄色と識別され、時刻ｔ１８の画像ＩＭ１５のバナナの像にあたった抽出ポイントの色は茶色と識別される。

画像の色を識別する手法として、様々な表色系が知られている。ＲＧＢ表色系、マンセル表色系などは、その一例である。また、放送用に用いられている色差信号直交座標系が知られている。ここでは、図７（ｂ１）と（ｃ１）とを参照して、後者の一例である色差信号直交座標系の信号ＹＣｂＣｒについて説明する。信号ＹＣｂＣｒは、輝度の情報（Ｙ）と色差の情報（ＣｂとＣｒ）とを用いて色を識別する。

この図７（ｂ１）に示すグラフのＣｂ（横軸）とＣｒ（縦軸）にとる座標系上には、基準の色（赤Ｒ、緑Ｇ、青Ｂ、シアンＣ、マゼンタＭ、黄Ｙ）の点が配置される。基準の色は、それぞれ１点に集約されるが、自然の色の場合には、ある点の周辺に分散する。この座標系の原点は、白、グレー、黒などの無彩色が対応付けられる。原点から遠くなるほど濃い色が対応付けられる。この図７（ｃ１）に示すグラフは、輝度の情報（Ｙ）に対する分布（縦軸）が示されている。この座標系の原点が黒になり、横軸が大きくなるほど輝度（Ｙ）が高い白になる。

例えば、図７（ｂ１）にバナナの初期段階の色の分布を示すと、基準の色（緑Ｇ）の点に近いＧｒ－Ｇの範囲に、バナナに対応する各抽出ポイントの色を示す点が分布する。

なお、画像ＩＭには、食品（バナナ）の背景が含まれることがある。色差空間変換処理部４３１は、食品の背景を、画像処理により、背景の色を無彩色化したり、背景側に位置すると識別された抽出ポイントのデータを無効化したり」してもよい。例えば、上記の画像処理には、食品が配置されていないときの画像との差を利用する背景差分の手法、又は保管容器１の内側の色を、食品の色とは異なる特定の色にしておいてクロマキーなどの手法を適用してよい。以下の説明では、背景にあたる抽出ポイントの色を示す点の分布を省略して説明する。

バナナの熟成が進み緑色から黄色に変わる過程では、その中間の色が検出される。さらに熟成が進むと、各抽出ポイントの色の分布が、緑色に対応する領域Ｇｒ－Ｇから黄色に対応する領域Ｇｒ－Ｙになった状態を図７（ｂ２）に示す。この図７（ｂ２）に示す段階になると、緑色であったバナナが黄色くなった状態にある。

上記のように各抽出ポイントの色の分布が移動する。色差空間変換処理部４３１は、各抽出ポイントの色を示す点の座標上の位置情報を用いた統計的な処理により、各画像を撮像した時点ｋのバナナの色を（ＹＣｂＣｒ）ｋとして数値化する。例えば、統計的な処理とは、所定の個数又は所定の範囲内の抽出ポイントの色を選択して、それらの点の分布の重心（ＣｂｗとＣｒｗ）、座標軸ごとの平均値、座標軸ごとの中心値、座標軸ごとの最大値と最小値、座標軸ごとの分布、座標軸ごとの分布範囲の幅（最大値－最小値に相当）などを、その画像が撮像された時点の食品の色の特徴量としてもよい。図７（ｂ１）から（ｂ３）では、各点の分布の重心を模式化して示している。

バナナの熟成を検出する場合に、前述の図４に示した処理の中の第１条件が満たされることとは、バナナの色が緑色から黄色に変わることであり、同様に第２条件が満たされることとは、バナナの色が黄色から茶色に代わることである。これを数値化した表現で換言すると、例えば、第１条件が満たされることとは、各抽出ポイントの色の分布が、緑色に対応する領域Ｇｒ－Ｇから黄色に対応する領域Ｇｒ－Ｙになったことであり、同様に第２条件が満たされることとは、黄色に対応する領域Ｇｒ－Ｙから茶色に対応する領域Ｇｒ－Ｂｒになったことである。より具体的には、第１条件が満たされることは、抽出ポイントの分布の重心の値Ｃｒｗが、色差の情報Ｃｒの第１閾値（例えば、０）を超えて正になることであり、第２条件が満たされることとは、抽出ポイントの分布の重心の値Ｃｒｗが、色差の色差の情報（ＣｂとＣｒ）によって示される茶色の領域内に入ることである。判定処理部４３２は、上記のように定められた第１条件と第２条件を、前述の図４に示した処理を適用してよい。上記の具体的な数値は一例であり、これを変更することに制限はない。

次に、図８を参照して、食肉の事例について説明する。図８は、実施形態の食肉の画像の画像処理を説明するための図である。

図８（ａ１）から（ａ３）に示されたＩＭ２１、・・・、ＩＭ２５、・・・、ＩＭ２８、・・・の各画像は、カメラ３１によって連続して検出された食肉の画像の一例である。上記の各画像は時刻ｔ２１、ｔ２５、ｔ２８に撮像されたものとする。上記の各画像を纏めて示す場合には、単にＩＭと呼ぶ。時刻ｔ２１、ｔ２５、ｔ２８に対応する食肉の色は、それぞれ生肉の赤、乾燥が進んで黒ずんだ赤、表面がカビに覆われて白又は緑に変化する。

色差信号直交座標系を用いて、食肉の色（Ｃｂ，Ｃｒ）の分布を図８（ｂ１）から図８（ｂ３）に示し、食肉の輝度（Ｙ）の分布を図８（ｃ１）から図８（ｃ３）に示す。なお、図８（ｂ１）から図８（ｂ３）内で向かって右側に、色差Ｃｒの分布（横軸）を示すグラフを追加している。

図８（ｂ１）から図８（ｂ３）と、図８（ｃ１）から図８（ｃ３）とに示すように、食肉の表面の色、明るさが変化することにより、各図に示す点の分布が変化する。前述のバナナの場合と同様に、この座標系を用いることで、色差空間変換処理部４３１は、食肉の表面の色の変化を数値化することができ、判定処理部４３２は、その変化を識別することが可能になる。

本実施形態の表面状態検出部４３は、上記のような表色系を用いた色空間に、画像から抽出した色に対応する点を配置して、各点の座標空間内の位置情報を数値解析することで、その画像内の食物の色から食物の状態の変化を識別する。上記の色差信号直交座標系は、一例であり、これに制限されることなく他の表色系を用いてもよい。表面状態検出部４３のより具体的な事例については後述する。

上記のように、カメラによって得られた１枚の画像に基づいて、食品の状態を大別することができる。ただし、食品の種類により、カメラによって得られた１枚の画像の情報だけでは、食品の状態を詳細に判定することは難しい場合がある。例えば、食肉の熟成度を詳細に検出することは、表面状態検出部４３の検出結果を用いた判定が難しい場合の一例である。上記の場合、複数の検知方法によって得られた測定データを組み合わせて複合的に熟成度を判定するとよい。

（食品の重量の変化から熟成度を検出する処理）
食品の重量の変化から熟成度を検出する処理について説明する。
保管容器１に保管されている牛肉は熟成すると含有している水分が蒸発し、牛肉の重量が軽くなる。熟成度推定処理部４５は、重量センサ３４が例えば１時間ごとに検知した牛肉（食肉）の重量のデータを用いて、その熟成度を検出する。検出開始時から重量の測定値が変化しない場合は、熟成度推定処理部４５は、熟成が進んでいないと判定する。測定値による重量が１０％以上軽くなった場合には、熟成度推定処理部４５は、熟成初期になったと判定する。牛肉の重量が１０％以上軽くなるような段階では、牛肉の表面がカビや皮膜で覆われるため、水分の蒸発は抑制される。熟成度推定処理部４５は、水分の蒸発がなくなった時点から所定期間（１０日間ほど）が経過した時点で、熟成が進んだ熟成後期にあると判定してよい。熟成度推定処理部４５は、それ以上の日数が経過した場合には腐敗と判定するとよい。

この場合に、前述の図４に示した処理の中の第１条件が満たされることとは、食品の重量が第１閾値（10%）以上軽くなることであり、同様に第２条件が満たされることとは、食品の重量の変化（変化量又は変化率）が第２閾値未満になってから所定期間が経過することである。例えば、上記の所定期間には、数日程度必要とされるときがある。

（食品の周囲の空気の湿度の変化から熟成度を検出する処理）
食品の周囲の空気の湿度の変化から熟成度を検出する処理について説明する。
上記の「食品の重量の変化から熟成度を検出する」場合にも関連するが、食肉（食品）
の表面の状態又は食肉に含有される水分量が変化すると食肉からの水分の蒸発は抑制される。そのため、食肉からの水分の蒸発量によって、食肉の周囲の空気の湿度が変化する。湿度センサ３６が、食肉の周囲の空気の湿度を定期的に検出して、熟成度推定処理部４５は、この湿度の変化から間接的に食品の水分量の変化を検出する。食肉の場合には、熟成度推定処理部４５は、上記の「食品の重量の変化から熟成度を検出する」処理に準じて判定を行うとよい。

（食品に含有される成分の量から熟成度を検出する処理）
食品に含有される成分の量から熟成度を検出する処理について説明する。
熟成するとグルタミン酸やイノシン酸の含有量が変化する食品がある。グルタミン酸とイノシン酸は、旨味成分の一種である。

そこで、検知部として、例えばアミノ酸（グルタミン酸）の検知が可能なセンサを用いて、１時間ごとの食品のアミノ酸の量を検知する。

例えば、検知部によって検出されたアミノ酸の量が、収納初期の量に比べ5%増加したときに熟成初期、10%増加したときに熟成後期、15%以上増加したときに腐敗と判定するように判定基準を定める。

牛肉を例に挙げて、より具体的な一例を示す。牛肉の熟成が進むと表面のたんぱく質がアミノ酸に変化する、さらに時間が進むと表面にカビが発生する。そのため、牛肉の表面の化学成分を検出することで、牛肉の熟成度を検出することができる。牛肉の質量に対するグルタミン酸の量が収納初期に30 mg/100 gであったとする。熟成度推定処理部４５は、この収納初期の検出値を基準値にして、基準値の5%増の31.5 mg/100 gまでグルタミン酸が増加した場合に熟成初期と判定し、その後、基準値の10%増の33 mg/100 gまでグルタミン酸が増加したときに、熟成後期と判定する。

イノシン酸についても同様に、予め定められた１又は複数の閾値を用いて、食品の質量に対する含有量に基づいて熟成初期、熟成後期、腐敗を識別するとよい。グルタミン酸の場合と同様に、熟成度推定処理部４５は、牛肉の質量に対するイノシン酸の量を、食品の熟成の判定に利用するとよい。

また、食品の熟成が進むと、同時にヒスタミン、アンモニアなどの最終代謝産物も、食品内に蓄積していく。例えば、ヒスタミンの量が多くなった食品は、食に適さない。そこで、熟成度推定処理部４５は、検知部にヒスタミンの検知が可能なセンサを用いて、１時間ごとに食品のヒスタミンの量を検知する。食品の重量に対するヒスタミンの量が規定の値を超えた場合には、食に適さない状態にあるため食品が腐敗したと判定する。

この場合に、前述の図４に示した処理の中の第１条件が満たされることとは、検出されたアミノ酸（グルタミン酸）の量が、収納初期の量に比べ第１変化量（10%）以上増加することであり、同様に第２条件が満たされることとは、第１に、検出されたアミノ酸（グルタミン酸）の量が、収納初期の量に比べ第２変化量（15%）以上増加することであり、第２に、食品の重量に対するヒスタミンの量が規定の値を超えることである。安全性の観点から、第２条件におけるアミノ酸（グルタミン酸）の変化量の条件と、ヒスタミンの量の条件の何れかが満たされたときに、熟成度推定処理部４５は、上記の第２条件が満たされたとするとよい。

牛肉の他にも熟成させると旨味成分が増加する食品がある。例えば、鶏肉の場合、グルタミン酸の量が増加する。例えば、鶏肉のグルタミン酸の量が収納初期に30 mg/100 gであったとする。熟成度推定処理部４５は、72時間後のグルタミン酸の量が60 mg/100 gになっているときには、その量が100%増になり、予め定められた規定値(15%）を超えていて過度に熟成された状態にあることから、この鶏肉を腐敗と判定する。

熟成度推定処理部４５は、鶏肉についても同様に、ヒスタミンの量に基づいて腐敗を判定してもよい。鶏肉のヒスタミンの量が初期0 mg/100 gであり、72時間後のヒスタミンの量が30 mg/100 gであれば、熟成度推定処理部４５は、ヒスタミンの量が規定値を超えたために腐敗であると判定する。この規定値は、例えば、食品の安全性を確保するように予め定められた値である。

熟成度推定処理部４５は、食品の旨味成分に基づく判定処理に、グルタミン酸の量に基づく判定とイノシン酸の量に基づく判定の何れか一方を用いてもよく、その両方を用いてもよい。上記の旨味成分に基づく判定と、ヒスタミンの量に基づく判定とを適宜組み合わせてもよいことは言うまでもない。

上記の食品に含有される成分の量から熟成度を検出する処理に用いる検知部には、例えば、接触式の接触センサ３５、又は非接触式の赤外分光ユニット３２を用いるとよい。

例えば、接触センサ３５は、接触して測定するため測定時に電極膜に物質が付着する。物質がついたままの状態で測定を行うと、接触センサ３５は、物質があるものと誤検知することがある。そのため、接触センサ３５の接触面をクリーンに保つことが必要であり、適宜リフレッシュして測定を行う。

赤外分光ユニット３２は、食品の成分を識別可能なＩＲスペクトル分析の結果を出力する。例えば、赤外分光ユニット３２は、赤外線を食品に照射して、食品からの反射光に基づいた赤外線の波長領域のスペクトル（ＩＲスペクトル）を検出する。

情報処理ユニット４は、例えば、食品の反射光のスペクトルの変化に係る情報に基づいて食品の熟成度を熟成度推定処理部４５に推定させる。

＜食品の種別の識別＞
保管容器１は、例えば、予め食品の種類を識別する。食品の種類は、大分類で肉類、果物、野菜などに分類され、中分類で大分類に属する食品の種別が分類され、小分類で中分類に特定される食品の種別の部位、種類などが分類される。この識別を細分化するほど、熟成度の判定精度を高めることができる。

食品の種別の識別方法には、カメラ３１の画像ＩＭを用いた画像認識処理を用いてもよい。カメラ３１の画像ＩＭを用いた画像認識処理には、認識対象の食品の種類の画像を用いて学習させた学習済みモデルを用いた画像認識の手法を適用してよい。

ここでは、食品種別判定部４２は、画像認識によって、例えば、牛肉、鶏肉などの食肉と、リンゴ、バナナなどの果実と、葉物野菜とを分類する。

次に、食品種別判定部４２について説明する。食品種別判定部４２は、予め学習された第１学習モデル４２０を用いて、カメラ３１により撮影された画像ＩＭに基づき食品の種別を判定する。詳しく述べると、第１学習モデル４２０は、カメラ３１により撮影された画像ＩＭから、その画像ＩＭに写っている食品の種類の識別結果を出力するように学習されたニューラルネットワークである。第１学習モデル４２０は、熟成度の識別対象にする食品が写った画像ＩＭと、その画像ＩＭに対応する正解情報（食品の種別）とが対応付けられたデータセットを教師データとして学習されている。本実施形態では、第１学習モデル４２０がコンボリューションネットワーク（ＣＮＮ）により構築される例について説明する。

図９は、ＣＮＮにより構成された第１学習モデル４２０を模式的に示す構成図である。第１学習モデル４２０は、入力層４２１、複数の隠れ層４２２、及び出力層４２３を含む。複数の隠れ層４２２は、畳み込み層４２２Ａ、プーリング層４２２Ｂ、不図示のＲｅＬＵ（Rectified Linear Unit）層などを含む。畳み込み層４２２Ａは、画像に対する畳み込み演算（画像に対するフィルタ処理）を行う。プーリング層４２２Ｂは、画像を縮小する処理を行う。ＲｅＬＵ層は、演算結果の負の値を０にする処理を行う。畳み込み層４２２Ａ、プーリング層４２２Ｂ、及びＲｅＬＵ層により１つの中間層が形成されており、この中間層が何層にも重ねられている。隠れ層４２２の最終段には、全結合層４２２Ｃが設けられている。入力層４２１に対する入力データとして１枚の画像ＩＭが与えられる。

図１０は、第１学習モデル４２０に用いられるニューラルネットワークの一部を模式的に示す構成図である。ｘは、各層のユニット（ノード）の値を示す。例えば、第１学習モデル４２０に画像ＩＭが入力される場合、入力層４２１におけるｘは、画素値に相当する値になる。各ユニットの値は、１つ前の層のユニットの出力に重みｗを乗算して加算した値を所定の関数ｆで計算したものである。これらを式で表すと次のようになる。

ここで、ｂは、バイアス項である。関数ｆとしては、ＲｅＬＵやシグモイド関数などが用いられる。上記式（１）の計算を入力層４２１から出力層４２３まで繰り返すことで、第１学習モデル４２０による判定結果が求まる。「学習」とは、重みｗ及びバイアス項ｂなどを適切な値に調整することを意味する。学習は、確率的勾配降下法、誤差逆伝搬法などを用いて行われる。すなわち、各層の重みｗ及びバイアス項ｂにランダムな値を与え、教師データとなるデータセットを入力層４２１に与える。

なお、学習段階では、各種食品の画像を用いることで、特定の食品の種類の正解データは、他の食品の種類の不正解データになる。このように各種食品の画像を用いれば、正解データだけでなく、不正解データも与えることができる。識別処理の前処理として画像を加工してもよい。例えば、ランダムな領域のクリッピングや左右反転、回転、輝度の変更、コントラストの変更、白色化などがその一例である。

（表面状態検出処理）
次に、表面状態検出部４３について説明する。
表面状態検出部４３に判定処理部４３２は、予め学習された第２学習モデルを含む。判定処理部４３２は、その第２学習モデルを用いて、カメラ３１により撮影された画像ＩＭに基づき食品の表面の状態を検出する。詳しく述べると、第２学習モデルは、カメラ３１により撮影された画像ＩＭから、その画像ＩＭに写っている食品の表面の状態から食品の熟成度の識別結果を出力するように学習されたニューラルネットワークである。第２学習モデルとして、フィードフォワード型多層ニューラルネットワーク（ＤＮＮ）を用いて構築する事例について説明する。

図１１は、実施形態の判定処理部４３２を模式的に示す構成図である。
ＤＮＮ内のニューロンは、前述の図１０の構成例を適用する。判定処理部４３２は、画像ＩＭに基づいた輝度の情報（Ｙ）と色差の情報（ＣｂとＣｒ）とに基づいて、第２学習モデルを用いて３段階にクラス分けする。第２学習モデルの第１隠れ層ＬＨ１のノード数は６つであり、第２隠れ層ＬＨ２のノード数は３つである。各層間は、全結合層で形成されている。第２隠れ層ＬＨ２は、第１隠れ層ＬＨ１の演算結果を用いて、例えば３つの状態値を生成する。出力層ＬＯは、第２隠れ層ＬＨ２によって生成された３つの状態値を用いてクラス分けの結果を得る。なお、各隠れ層のノード数を、必要とされる個数に変更してもよい。第１隠れ層ＬＨ１として、輝度の情報（Ｙ）と色差の情報（ＣｂとＣｒ）との種類ごとに２つのノードを対応付けて設けて、入力層ＬＩと第１隠れ層ＬＨ１との間の結合を制限して、共通する熟成度のノード同士を選択的に結合してもよい。

判定処理部４３２の第２学習モデルは、熟成度の識別対象にする食品が写った画像ＩＭと、その画像ＩＭに対応する正解情報（食品の種別ごとの熟成度）とが対応付けられたデータセットを教師データとして学習されている。

なお、第２学習モデルの構成を、図１１に太線で示したノードとノード間の結合まで縮退しても、前述の図７に示したバナナの判定の事例に適用可能である。ノード数と結合数を多くするほど、より細かな条件の判定が可能になる。

（熟成度推定処理）
次に、熟成度推定処理部４５について説明する。
図１２と図１３は、実施形態の熟成度推定処理部４５を模式的に示す構成図である。熟成度推定処理部４５は、予め学習された第３学習モデル４５１、４５２を用いて、各種測定データに基づいて食品の熟成度を検出する。詳しく述べると、第３学習モデル４５１、４５２は、各種測定データから食品の熟成度の識別結果を出力するように予め学習される。例えば、第３学習モデル４５１、４５２の学習には、各種測定データと、その各種測定データに対応する正解情報（食品の種別ごとの熟成度）とが対応付けられたデータセットを教師データとして用いる。本実施形態では、第３学習モデル４５１、４５２を、ＤＮＮを用いて構築する事例について説明する。最初に示すモデルの事例は、フィードフォワード型ＤＮＮの一例である。ＤＮＮ内のニューロンは、前述の図１０の構成例を適用する。

第３学習モデル４５１、４５２は、食品の種別ごとに設けられ、食品の種別に対応するように教師付き学習がなされたものである。例えば、その学習において、確率的勾配降下法、誤差逆伝搬法などを使用して、評価の誤差を低減し評価の精度を高めるように特性を最適化するとよい。なお比較的規模が小さい場合には、入力層ＬＩから出力層ＬＯに向かって、各層の特性を逐次最適化してもよい。

なお、第３学習モデル４５１、４５２の入力層ＬＩのノード数は、判定に用いる入力データの種別数により決定される。入力層ＬＩの各ノードには、カメラ３１以外の検知ユニット３の各センサによって検出された測定データがそれぞれ入力される。出力層ＬＯのノード数は１である。第３学習モデル４５１、４５２は、熟成度の判定結果を出力する。入力層ＬＩと出力層ＬＯの間に複数の隠れ層（例えば、隠れ層ＬＨ１、ＬＨ２）が設けられている。各隠れ層のノード数は、入力層ＬＩのノード数と出力層ＬＯのノード数よりも多い。

（第３学習モデル４５１の実施例）
図１２に示す第３学習モデル４５１は、１種類の測定データを用いて３段階にクラス分けした結果を得る場合に適用されるとよい。第３学習モデル４５１の入力層ＬＩのノード数は１つであり、第１隠れ層ＬＨ１のノード数は２つであり、第２隠れ層ＬＨ２のノード数は３つである。第３学習モデル４５１の第１隠れ層ＬＨ１は、互いに異なる条件を用いて測定データに対する演算を行い、第２隠れ層ＬＨ２は、第１隠れ層ＬＨ１の演算結果を用いて、３つの状態値を生成する。出力層ＬＯは、第２隠れ層ＬＨ２によって生成された３つの状態値を用いてクラス分けの結果を得る。この第３学習モデル４５１を用いることで、１種類の測定データを用いた前述の図４のステップＳ２１からＳ２５の処理と同等の結果を得ることができる。なお、図４の処理の中で判定に用いる第１条件と第２条件を、第３学習モデル４５１の第１隠れ層ＬＨ１の重みｗ及びバイアス項ｂの値を調整して規定することができる。

（第３学習モデル４５２の第１実施例）
図１３に示す第３学習モデル４５２は、第１実施例として互いに独立した複数種類の測定データを用いて３段階にクラス分けした結果を得る場合に適用されるとよい。例えば、図１３に示す第３学習モデル４５２の第１隠れ層ＬＨ１のノード数は６つであり、第２隠れ層ＬＨ２のノード数は３つである。第２隠れ層ＬＨ２は、第１隠れ層ＬＨ１の演算結果を用いて、３つの状態値を生成する。出力層ＬＯは、第２隠れ層ＬＨ２によって生成された３つの状態値を用いてクラス分けの結果を得る。例えば、第３学習モデル４５２の各層のノードの間は、階層ごとに互いに結合された全結合層で形成されている。なお、各隠れ層のノード数を必要とされる個数に変更してもよく、各隠れ層の層数を必要とされる層数に変更してもよい。

第３学習モデル４５２を用いることで、互いに独立した複数種類の測定データを用いた前述の図４のステップＳ２１からＳ２５までの処理と同等の結果を得ることができる。この場合の測定データには、複数種類のセンサから得られた測定データを適用できる。例えば、食肉の熟成度を識別する際の測定データとして、アミノ酸の量と、ヒスタミンの量と、収納物（食品）の重量の変化の情報などを用いることができる。

また、第３学習モデル４５２であれば、図４の処理の中で判定に用いた第１条件と第２条件を規定する測定データの種類を変えたり、測定データの種類の組み合わせを変えたりすることができる。例えば、第１条件をアミノ酸の量に基づいて規定して、第２条件をアミノ酸の量と、ヒスタミンの量と、収納物の重量の変化の情報などを用いて規定することができる。

（第３学習モデル４５２の第２実施例）
前述の図１３を参照して第３学習モデル４５２の第２実施例について説明する。
第３学習モデル４５２は、第２実施例として、特定の種別の時系列の測定データを用いて、３段階にクラス分けした結果を得る場合に適用されるとよい。前述の第１実施例との違いは、時系列の測定データの数値を入力変数に追加した点にある。本実施例の入力層ＬＩのノード数は過去の測定データの個数に合わせて構成される。例えば、過去の測定データが１つの場合には、入力層ＬＩのノード数は２つであり、第１隠れ層ＬＨ１のノード数は任意の個数であり、第２隠れ層ＬＨ２のノード数は３つである。第３学習モデル４５１の第１隠れ層ＬＨ１の演算に、測定データの初期段階の数値と現時点の数値を変数に用いた演算が可能になる。演算に用いる重みｗの値により、測定データの初期段階の数値と現時点の数値の偏差又は平均値の情報が利用できる。

例えば、１０日分の測定データの変化を検出するために、１日１つの測定データを用いる場合には、入力層ＬＩのノード数は１０個になる。例えば、演算に用いる重みＷの規定の仕方で、１０日分の測定データの値に変化がない、測定データの偏差が所定値より小さい、又は偏差の大きさの変化の傾向などの情報が利用可能になる。

（第３学習モデルの他の実施例）
上記の第３学習モデル４５１、４５２として、フィードフォワード型多層ニューラルネットワークを例示したが、本実施形態にリカレントニューラルネットワーク（ＲＮＮ）により構築してもよい。ＲＮＮは、隠れ層の状態値を、前段の隠れ層のノードの入力変数として扱うノードを有する。これにより、後段の隠れ層の状態値に応じて演算を変えることが可能になる。例えば、前述の時系列の測定データを扱う場合に、ＲＮＮを用いて実現してもよい。

（情報処理ユニット４の実施例）
図１４を参照して、複数の測定データと画像ＩＭとを用いて、食品の熟成度を検出する事例について説明する。
図１４は、実施形態の表面状態検出部４３と熟成度推定処理部４５の構成図である。
表面状態検出部４３は、判定処理部４３２に代えて判定処理部４３２Ａを備える。判定処理部４３２Ａは、判定処理部４３２（第２学習モデル）の出力層ＬＯを除いたものである。

熟成度推定処理部４５は、第３学習モデル４５２Ａ－１、４５２Ａ－２と、第３隠れ層ＨＬ３と、出力層ＬＯとを備える。第３学習モデル４５２Ａ－１、４５２Ａ－２は、第３学習モデル４５２の出力層ＬＯを除いたものである。

第３学習モデル４５２Ａ－１は、成分に関する複数種類の測定データ（アミノ酸ｋ、ヒスタミンｋ、・・・。ｋは、現時点を示す。）を入力データに用いる。第３学習モデル４５２Ａ－２は、現在と過去の重量に関する測定データ（初期段階の重量０、・・・、現時点の重量ｋ）を入力データに用いる。

第３隠れ層ＬＨ３のノード数は３つである。第３隠れ層ＬＨ３は、判定処理部４３２の第２隠れ層ＬＨ２と、判定処理部４３２の第３学習モデル４５２Ａ－１、４５２Ａ－２の各第２隠れ層ＬＨ２の各演算結果を用いて、３つの状態値を生成する。例えば、第３隠れ層ＨＬ３の入力側は、判定処理部４３２の第２隠れ層ＬＨ２と、判定処理部４３２の第３学習モデル４５２Ａ－１、４５２Ａ－２の各第２隠れ層ＬＨ２とに対して、共通する熟成度のノード同士が選択的に接続される。出力層ＬＯは、第３隠れ層ＬＨ３によって生成された３つの状態値を用いてクラス分けの結果を得る。

上記は、食肉（牛肉）の熟成度の検出に適したの熟成度推定処理部４５を有する情報処理ユニット４の一実施例である。このような構成によれば、測定データの種類ごとに設けられたモデルをそれぞれ最適化して、各モデルのクラス分けの結果を組み合わせて判定することができる。比較的学習が容易な構成であるが、モデルが測定データの種類ごとに分かれているため、境界条件の設定の自由度に制限が生じる場合がある。なお、境界条件の設定の自由度を高めるためには、測定データの種類ごとにモデルを分けずに、ＤＮＮを構成するとよい。

（第２の実施形態）
第２の実施形態の冷蔵庫２の貯蔵庫制御部２４Ａは、保管容器１の情報処理ユニット４に代わり、食品の熟成度の解析に係る一部の処理を実施する。

図１５は、第２の実施形態の保管容器１Ａと冷蔵庫２Ａの概略構成図である。
保管容器１Ａの情報処理ユニット４Ａは、保管容器１の情報処理ユニット４に対して、例えば、食品種別判定部４２と、表面状態検出部４３と、データ取得部４４と、熟成度推定処理部４５とを備えていない。

冷蔵庫２Ａは、貯蔵庫制御部２４に代わる貯蔵庫制御部２４Ａと、貯蔵庫記憶部２５に代わる貯蔵庫記憶部２５Ａとを備える。
貯蔵庫制御部２４Ａは、前述の貯蔵庫制御部２４に対して、食品種別判定部４２と、表面状態検出部４３と、データ取得部４４と、熟成度推定処理部４５と、連携処理部２４１とを備える。
貯蔵庫記憶部２５Ａに格納される情報には、保管容器１Ａから取得した各種測定データと画像データとがさらに含まれる。

情報処理ユニット４Ａは、検知ユニット３から、各種測定データと画像データとを取得すると、上記の各種測定データと画像データを、出力処理ユニット５を介して冷蔵庫２Ａに対して転送する。これにより、情報処理ユニット４Ａは、食品の熟成度を３段階以上の区分に分けて、各種測定データと画像データとに基づいて冷蔵庫２Ａの貯蔵庫制御部２４Ａ（推定部）によって推定させる。

貯蔵庫制御部２４Ａの連携処理部２４１は、情報処理ユニット４Ａから送信された各種測定データと画像データとを取得する。連携処理部２４１は、取得した各種測定データと画像データとを貯蔵庫記憶部２５Ａに追加する。食品種別判定部４２と、表面状態検出部４３と、データ取得部４４と、熟成度推定処理部４５とは、貯蔵庫記憶部２５Ａに追加された各種測定データと画像データに基づいて、それぞれの処理を実施する。連携処理部２４１は、上記の各部の処理により食品の熟成度の推定結果を得て、その推定結果を操作パネル２７に表示させる。なお、連携処理部２４１は、冷蔵庫２の冷却制御のタイミングを避けるように、検知ユニット３の測定のタイミングを決定して保管容器１Ａにおける測定データの取得を制御するとよい。

これにより、冷蔵庫２Ａは、保管容器１Ａに保管されている食品の熟成度を、より正確に検出することができる。

（第２の実施形態の変形例）
第２の実施形態の冷蔵庫２Ａは、保管容器１Ａとは別体の装置（熟成度推定装置）である。冷蔵庫２Ａが食品の熟成度の解析に係る一部の処理を実施する事例を示したが、冷蔵庫２Ａは、ネットワークに接続された所謂サーバ（熟成度推定装置）として機能してもよい。また、これに代わり、ネットワークに接続された所謂サーバ（熟成度推定装置）が、食品の熟成度の解析に係る一部の処理を実施してもよい。サーバに関する図示を省略するが、サーバは、冷蔵庫２Ａから冷却部２６の制御を省略したものに相当する。
その際に、サーバと別体の冷蔵庫２Ａと、保管容器１Ａは、必要に応じて冷蔵庫２Ａの制御のタイミング又は測定タイミングを変更して、保管容器１Ａにおける熟成度の検出の精度を高めるとよい。

以上説明した少なくともひとつの実施形態によれば、保管容器１に係る情報処理ユニット４は、収納空間１０Ｓ内の食品の状態の検知結果を取得して、食品の熟成度を３段階以上に区分するように、上記の検知結果に基づいて食品の熟成度を推定部に推定させることで、食品の熟成度をより正確に検出することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

なお、出力処理ユニット５は、情報処理ユニット４による識別の結果（結果情報）を通信によって、例えば外部の端末装置又は他の制御ユニットに出力する。例えば、外部の端末装置は、ＰＣ又はスマートフォンなどであってよい。

１、１Ａ…保管容器、２、２Ａ…冷蔵庫、３…検知ユニット、４、４Ａ…情報処理ユニット、５…出力処理ユニット、６…記憶部、７…排気部、１０…保管容器本体、２０…筐体、２１…制御基板、２２…温度センサ、２３…通信ユニット、２４、２４Ａ…貯蔵庫制御部、２５、２５Ａ…貯蔵庫記憶部、２６…冷却部、２７…操作パネル、３１…カメラ、３２…赤外分光ユニット、３３…ガスセンサ、３４…重量センサ、３５…接触センサ、３６…湿度センサ、４１…画像データ取得部、４２…食品種別判定部、４３…表面状態検出部、４４…データ取得部、４５…熟成度推定処理部、４６…測定制御部。

Claims (8)

1. 収納物を収納空間に収納する保管容器本体と、
   前記収納空間内の収納物の状態の検知結果を出力する検知ユニットと、
   前記検知ユニットから前記検知結果を取得して、前記収納物の熟成度を３段階以上に区分するように、前記検知結果に基づいて推定部に推定させる情報処理ユニットと、
   を備え、
   前記検知ユニットは、
   ドーパントとして無機酸、有機酸、及びイオン性液体の少なくとも１つを含む物質吸着膜を含み、
   前記物質吸着膜は、
   少なくとも前記収納物の熟成の進行により増加する旨味成分に起因する物質である揮発性アミノ酸と、前記収納物の腐敗の進行に応じてガスの濃度が高くなる物質であるヒスタミンとを吸着する、
   保管容器。
2. 前記検知ユニットは、
   前記保管容器本体に設けられ、自保管容器または自保管容器を収容する冷蔵庫に設けられたファンを止めた状態における前記検知結果を出力する、
   請求項１に記載の保管容器。
3. 前記検知ユニットによる検知開始前に前記ファンを所定期間動作させる、
   請求項２に記載の保管容器。
4. 前記ファンは、前記所定期間の動作中に、前記収納物である食品を保管する平均温度よりも高い温度の空気を送る、
   請求項３に記載の保管容器。
5. 前記ファンは前記収納空間の内外を連通させる開口部に設けられている、
   請求項２に記載の保管容器。
6. 前記収納空間を満たす空気の温度を調整する温度調整ユニットと、
   前記収納空間を満たす空気を循環させるファンユニットと
   請求項２から請求項５の何れか１項に記載の保管容器に係る前記検知ユニットによって得られた画像に基づいて評価項目を決定し、前記評価項目の測定に適した環境になるように前記温度調整ユニット又は前記ファンユニットを制御する制御部と、
   を備え、
   前記検知ユニットは、前記収納物の画像を生成するカメラをさらに含む
   冷蔵庫。
7. 請求項２から請求項５の何れか１項に記載の保管容器を収納可能な貯蔵部を内部に形成する筐体と、
   前記保管容器の周囲を満たす空気の温度を調整する温度調整ユニットと、
   前記保管容器の周囲を満たす空気を循環させるファンユニットと、
   前記保管容器に係る前記検知ユニットによって得られた画像に基づいて評価項目を決定し、前記評価項目の測定に適した環境になるように前記温度調整ユニット又は前記ファンユニットを制御して、前記保管容器内の前記収納物の熟成度を推定する制御部と、
   を備え、
   前記検知ユニットは、前記収納物の画像を生成するカメラをさらに含む
   冷蔵庫。
8. 請求項２から請求項５の何れか１項に記載の保管容器と通信可能な通信ユニットと、
   前記保管容器に係る前記検知ユニットによって得られた画像に基づいて評価項目を決定し、前記保管容器内の前記収納物の熟成度を推定する推定部と、
   を備え、
   前記検知ユニットは、前記収納物の画像を生成するカメラをさらに含む
   熟成度推定装置。

Images