著者の所属・活動拠点の国は、トルコです。

掲載誌：Foods

ライセンス: CC BY 4.0　対象: 公開論文　確認元: 論文PDF

研究の目的

魚は丸ごとだけでなく、切り身としても多く売られています。画像を使った深層学習（大量の画像からコンピューターに特徴を学習させる人工知能の手法）による鮮度判定は、これまで主に丸ごとの魚を対象にしてきました。手がかりは、目の様子やえらの色、皮のつやなどです。切り身にはこうした手がかりがありません。鮮度の変化は表面の色や水分、身の質感のわずかな違いとしてしか現れないため、見た目からの判定がより難しくなります。

研究チームは以前、丸ごとの魚を複数の角度から撮影した画像を使い、鮮度や購入に適するかどうかを予測できることを示していました。今回はこの手法を、ヨーロッパスズキ（学名 Dicentrarchus labrax）の切り身に広げました。ヨーロッパスズキは、地中海地域で養殖魚として価値の高い魚です。目的は、一定の照明のもとで撮影した通常のカラー（RGB）画像から、二つのことができるかを調べることでした。一つは鮮度に関わる官能評価項目を分類すること、もう一つは色の数値を推定することです。

何を、どのように調べたか

研究チームは、地元の市場で切り身として購入したヨーロッパスズキ10尾分を冷蔵で保存しました。保存は、傷んだと判断された時点からさらに4〜5日後まで続けました。その間、毎日品質を評価し、画像を撮影しました。個体ごとのばらつきを抑えるため、各切り身に番号を付けました。そして同じ切り身を、毎日同じ順番、同じ撮影条件で撮りました。

官能評価は、25〜55歳の男女10人からなる訓練済みのパネルが行いました。評価したのは次の7項目です。ドリップ（水分の流出）、身の質感、におい、色、身の崩れ、それらの点数を合計した総合点、そして傷んでいて食べるのに適さないかどうかを示す「購入可否」です。購入可否は、総合点とは別に独立して判定されました。色については6項目を対象にしました。明るさを表すL*、赤みと緑みの軸であるa*、黄みと青みの軸であるb*、そして彩度、色相、白さです。

モデルには、画像認識でよく使われる5種類の既存のネットワーク（DenseNet121、InceptionV3、MobileNet、VGG16、VGG19）を用いました。いずれも、大規模な一般画像データであらかじめ学習させた部分はそのまま使い、出力に近い部分だけを今回の課題に合わせて学習させています。比べたモデルは合わせて65個です。内訳は、官能評価の項目を当てる分類モデルが35個、色の数値を推定する回帰モデルが30個でした。

評価では、同じ切り身の画像が学習用とテスト用の両方に入らないようにしました。切り身1枚分を順番にテスト用として取り分け、これを10回繰り返しています。分類の性能は正解率で、回帰の性能は平均絶対誤差（予測値と実測値の差の平均）で表しました。さらに、Grad-CAMという手法で、モデルが画像のどの部分を手がかりにしたかを可視化し、判断の根拠を確かめました。撮影条件の変化を模擬した画像を使い、性能がどの程度保たれるかも調べました。模擬した変化は、明るさの変化、回転、結露やぼやけ、反射などです。

主な報告結果

研究チームは、購入可否を実用上の鮮度を示す主な指標と位置づけました。この購入可否の分類では、DenseNet121の正解率が92.6%で、すべての組み合わせの中で最も高い値でした。DenseNet121は、ドリップ（90.2%）、身の崩れ（87.7%）、色（77.4%）、におい（75.6%）でも最も高い正解率を示しました。身の質感では、MobileNetの81.2%が最も高い値でした。一方、最も分類が難しかったのは総合点で、最も成績の良かったMobileNetでも正解率は57.7%にとどまりました。VGG16とVGG19は、全体としてDenseNet121やMobileNetより低い性能でした。

色の数値の推定について、論文はL*、a*、b*の3項目を比べ、a*（赤み）がb*やL*より推定しやすかったと報告しています。a*ではDenseNet121の平均絶対誤差が0.680で、あらかじめ定めた許容範囲に収まった予測は50.70%でした。b*とL*では、許容範囲に収まった割合は最も高いモデルでもそれぞれ29.77%と26.05%でした。色の6項目全体で平均絶対誤差の平均を比べると、DenseNet121が1.454で最も小さく、MobileNetの1.519が続きました。

分類と回帰を合わせた13項目の順位では、DenseNet121が9項目で1位になり、4位以下になった項目はありませんでした。MobileNetは4項目で1位、8項目で2位でした。

Grad-CAMによる可視化では、性能の良いモデルは画像全体ではなく、主に魚の身の上やその周辺に注目していました。ただし、分類が難しい区分では注目する範囲が散らばっていました。身の輪郭や背景の情報が判断に影響している可能性も示されました。

撮影条件の変化を模擬した試験は、代表として選んだ一部の画像だけを使って行われました。結露やぼやけを模擬した条件では、L*の推定誤差が1.860から10.907へと大きく増え、白さでも同様に誤差が大きくなりました。これに対し、身の崩れの分類は、どの条件でも正解率が変わりませんでした。

この報告が示すこと

研究チームの結論は、一定の撮影条件のもとであれば、深層学習と通常のカラー画像を使って、ヨーロッパスズキの切り身の鮮度や品質に関わる一部の指標を、身を傷つけずに推定できる見込みがあるというものです。すべての項目で最良となるモデルはありませんでした。その中でDenseNet121が最も安定しており、MobileNetは計算負担の小さい有力な代替候補と位置づけられています。

一方で著者らは、限界も述べています。明るさや黄みの推定はまだ十分な精度に達していません。そのため、今回の回帰モデルは測色計による測定の代わりではなく、あくまで非破壊の推定手段と考えるべきだとしています。また、Grad-CAMの結果は、モデルが腐敗に伴う特定の化学変化を捉えたことを直接示すものではないとしています。今回の試料は、地元の市場で購入した10尾分の切り身でした。産業現場で使う前には、より大きく多様なデータでの検証が必要だと著者らは指摘しています。そのデータとは、生産ロット、魚の大きさ、保存条件、季節、撮影機器、照明環境などが異なるものです。

原著論文の著者・所属：Nermin Deliçay（Department of Seafood Processing Technology, Cukurova University, 01330 Adana, Türkiye）、Yesim Ozogul（Department of Seafood Processing Technology, Cukurova University, 01330 Adana, Türkiye）、Sakhi Mohammad Hamidy（Department of Industrial Engineering, Istanbul Arel University, 34537 Istanbul, Türkiye）、Fethiye Takadaş（Department of Chemical Technology, Vocational School, University of Alanya, 07400 Antalya, Türkiye）、Yusuf Kuvvetli（Department of Industrial Engineering, Cukurova University, 01330 Adana, Türkiye）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Nermin Deliçay, Yesim Ozogul, Sakhi Mohammad Hamidy, et al. Deep Learning-Based Assessment of European Seabass (Dicentrarchus labrax) Fillet Freshness and Quality Using Image Data. Foods（出版社：Multidisciplinary Digital Publishing Institute） 2026-09-23. DOI: 10.3390/foods15193385. 原著ライセンス：CC BY.