サクランボは食べてみるまで、甘いか、硬いか、酸っぱいかが分かりにくい果物です。硬さや糖度、酸味、色、ビタミンCといった品質は、切ったり搾ったりする従来の検査でしか正確に測れませんでした。そこで注目されているのが、果物に光を当てるだけで内部の状態を推定できる可視・近赤外（Vis-NIR）分光法です。ただしこれまでの手法には弱点があり、複雑な下処理や、予測に使う波長を人手で選ぶ作業が必要で、しかも硬さ用・糖度用というように形質ごとに別々のモデルを作らねばなりませんでした。河北農業大学（中国）などの研究グループは、この面倒を一つのAIモデルで解決できないかを検証しました。

光のデータから複数の品質を一度に読み取る仕組み

研究チームが開発したのは、WOA-MHA-MCNNと名付けられた深層学習の枠組みです。これは、複数の予測タスクを同時にこなす畳み込みニューラルネットワーク（マルチタスクCNN）をベースに、クジラの群れの採餌行動を模したアルゴリズムであるホエール最適化アルゴリズム（WOA）でモデルの調整を最適化し、さらにマルチヘッドアテンション（MHA）という仕組みを組み合わせて、スペクトルの中でも予測に重要な部分に注目できるようにしたものです。この一つのモデルに、硬さ（Firmness）、可溶性固形分含量（SSC、糖度の指標）、色を表すL*・a*・b*値、滴定酸度（TA）、ビタミンCという、サクランボの成熟度に関わる複数の形質をまとめて学習させ、Vis-NIRスペクトルから同時に予測させています。加えて、AIがどの波長を根拠に判断したのかを人間が確認できるよう、SHAP（シャープレイ加法的説明）という手法で、各形質の予測に効いている光の波長帯を可視化しています。

予測精度と、波長ごとの「効き方」の違い

この枠組みを用いた予測性能は、決定係数R²が0.954から0.975の範囲、予測の相対的な確からしさを示すRPDという指標では5.09から6.59の範囲であったと報告されています。論文の著者らは、これを複数の内部品質パラメータについて優れた予測性能が得られたものと位置づけています。さらにSHAPによる解析からは、硬さやSSCといった形質ごとに、予測を左右している主要なスペクトル領域が異なることが示され、どの波長がどの品質特性と結びついているのかをある程度読み解けることが確認されています。これにより、モデルが単なる「ブラックボックス」ではなく、判断の根拠がある程度説明可能な形で示された点が、この研究のポイントの一つです。

この研究の位置づけと読むうえでの注意

この研究は、Vis-NIR分光法とAIを組み合わせてサクランボの複数の品質形質を効率よく評価する一つの技術的な試みであり、特定のサクランボ品種や産地における検証結果を報告したものです。研究は河北農業大学食品科学技術学院、北京市農林科学院傘下の中国質量標準検測技術研究院の研究者らによって行われました。今回提示された数値はあくまで論文中で報告された実験条件下での結果であり、実際の流通現場や異なる品種・栽培条件でも同様の精度が再現されるかどうかは、今後のさらなる検証が必要な点として留意すべきでしょう。また、この記事で紹介した情報は要旨に基づくものであり、実験に用いたサクランボの品種数やサンプル数など、より詳細な条件については触れられていません。

まとめ

この研究では、可視・近赤外分光法で得た光のデータから、サクランボの硬さや糖度、色、酸度、ビタミンCといった複数の品質指標を一つのAIモデルでまとめて予測できる可能性が示唆されました。あわせて、AIの判断根拠となる波長帯をSHAPで可視化することで、予測の透明性を高める工夫も加えられています。非破壊での果物の品質評価技術がどこまで実用化に近づくかは、今後の研究の積み重ねを待つ必要があります。

※本記事は原著論文の翻訳ではなく、研究内容を独自に解説したものです。参考文献：Yuxuan Wang, Jin-Ke Sun, 贾文珅, et al. Explainable Multi-task Convolutional Neural Network Framework-Assisted Simultaneous Prediction of Cherry Maturity-related Traits Using Vis-NIR Spectroscopy. ジャーナル・オブ・フューチャー・フーズ (2026). DOI: 10.1016/j.jfutfo.2026.08.015. 原著ライセンス: cc-by-nc-nd.