著者の所属・活動拠点の国は、イラン、スペインです。

掲載誌：Discover Food

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的：煮えにくい豆の混入を機械で見抜く

ピントビーン（うずら豆の一種）は、食物繊維やたんぱく質が豊富で保存性も高く、イランやアメリカ大陸などで広く食べられています。市場価値を大きく左右するのが調理時間です。短時間で柔らかくなる豆は高く評価されます。一方、古くなったり保管状態が悪かったりした豆は「ハード・トゥ・クック（HTC）」と呼ばれる煮えにくい状態になり、低品質とみなされます。

著者らによると、品質の判定は豆の明るさや表面のなめらかさといった見た目に頼ることが多く、人の判断に左右されやすいといいます。そのため、煮えにくい低品質の豆を上質な豆のロットに混ぜて売る偽装が起こりやすくなります。

近赤外分光法は、豆に光を当てて反射光を測る方法で、豆を壊さずに中身の化学的な特徴を読み取れます。これを機械学習と組み合わせると、品質を判別できる可能性があります。ただし実際の選別ラインには、センサーの雑音や環境の変化があります。また、高性能なGPUではなく一般的なCPUしか使えないことが多いという制約もあります。研究チームは、こうした条件でどの分類モデルを選ぶべきかを明らかにすることを目指しました。

何を調べたか：4種類のモデルに4種類の雑音

研究チームはイランの市場で購入した食用ピントビーン400試料を集めました。専門家が外見上の特徴をもとに試料を分類しました。種皮の黒ずみやしわはHTCの目印として知られており、これらが見られる豆を「煮えにくい豆」、明るくなめらかな豆を「煮えやすい豆」とし、各200試料としました。そのうえで、携帯型の分光器を用いて、900〜1700ナノメートルの波長範囲で反射スペクトルを測定しました。

比較したのは、CPUで動かせる4種類の分類モデルです。分光分析で標準的に使われる手法のPLS-DA、多数の決定木を組み合わせるBaggingとCatBoost、そして小型のニューラルネットワーク（MLP）です。それぞれについて、初期設定のまま使う場合と、事前に設定値（ハイパーパラメータ）を探索して調整する場合の2通りを試しました。調整の計算に時間をかけられる現場と、かけられない現場の両方を想定するためです。

さらに、実際の測定で起こりうる乱れを模した4種類の雑音を、学習用データだけに人工的に加えました。波長ごとにばらばらに入る雑音、試料ごとに全体の強さがずれる散乱、ゆるやかなベースラインの変動、波長によって大きさが変わる雑音の4つで、強さはそれぞれ6段階としています。モデルの評価には雑音を加えていないテストデータを使いました。つまり、質の悪いデータで学習しても性能をどれだけ保てるかを測る設計です。データの分け方を変えて100回繰り返し、結果を平均しました。

加えて、SHAPと呼ばれる説明手法で、各モデルがスペクトルのどの波長域を判断の手がかりにしているかを調べました。化学的に意味のある特徴に基づいて判断しているかを確かめるためです。

主な結果：条件によって最適なモデルが変わる

論文によると、どのモデルが最適かは運用条件によって異なりました。事前に設定値を調整できる場合は、調整済みのPLS-DAが雑音の影響を最も受けにくいモデルでした。一方、調整にかける計算資源が限られる場合は、初期設定のままのMLPが望ましいと報告されています。

波長によって大きさが変わる雑音を加えた場合、性能低下の傾向は、平均の強さが同じ一様な雑音とおおむね同じでした。この条件でも調整済みPLS-DAが優位を保ちました。ただし、精度のばらつきは著しく大きくなったといいます。

SHAPによる分析では、調整によって増えたモデルの表現力が、とくに1400〜1500ナノメートル付近の波長域に向けられていることが分かりました。この波長域は水に関係する吸収が現れる領域です。著者らは、HTCの特徴である吸水の速さと最も直接に結びつく領域だとしています。

研究の意味

この研究は、ピントビーンの品質偽装を近赤外分光で見抜く際に、どの分類モデルを選ぶべきかを示しています。その指針は、調整に計算時間を割けるかどうかという現場の事情に応じたものです。あわせて、モデルが豆の吸水性に関わる化学的に妥当な波長域を手がかりにしていることも示されました。これは、機械による判定の根拠を理解するうえでの手がかりとなる成果です。

原著論文の著者・所属：Raziyeh Pourdarbani（Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, 56199-11367, Islamic Republic of Iran）、Sajad Sabzi（Department of Biosystems Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Islamic Republic of Iran）、Dorrin Sotoudeh（Independent Researcher, Tehran, Islamic Republic of Iran）、Mohammadreza Ahmaditeshnizi（Independent Researcher, Tehran, Islamic Republic of Iran）、Nadia Saadati（Department of Biosystems Engineering, University of Mohaghegh Ardabili, Ardabil, 56199-11367, Islamic Republic of Iran）、Ruben Fernandez-Beltran（Department of Computer Science and Systems, University of Murcia, 30100, Murcia, Spain）、Ginés García-Mateos（Department of Computer Science and Systems, University of Murcia, 30100, Murcia, Spain）、Juan Ignacio Arribas（Castilla-León Neuroscience Institute, University of Salamanca, 37007, Salamanca, Spain; Department of Electrical Engineering, University of Valladolid, 47011, Valladolid, Spain）

※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）：Raziyeh Pourdarbani, Sajad Sabzi, Dorrin Sotoudeh, et al. Training noise sensitivity analysis of default and tuned classifiers for NIR spectroscopic detection of pinto bean adulteration. Discover Food 2026-07-30. DOI: 10.1007/s44187-026-01178-3. 原著ライセンス：CC BY.