人工ニューラルネットワーク (ANN) は、人間の脳の神経構造を基準にしたキャリブレーションモデルです。 ANN キャリブレーションモデルは、計算能力の進歩に伴い膨大なデータセットのキャリブレーションが可能となりはじめた1990年代初頭から開発されてきました。
データセットには、多様な原材料、種類の異なる製品、複数の成分など多くの変数情報が含まれています。 乳製品アプリケーションで使用される１つの ANN キャリブレーションは、製品種別内のすべての製品をカバーできます。 たとえば、FOSS フードスキャン チーズキャリブレーションは、ハードとセミハードチーズ、ソフト、クリーム、プロセスチーズ、および脂肪、水分/全固形分、乾燥物中の脂肪、塩分およびタンパク質など、幅広いパラメータに対応します。
キャリブレーションには、数千点にもなるサンプルデータが含まれているものもあります。 別の例を挙げると、FOSS ANN ミート キャリブレーションは、脂肪、水分、タンパク質、コラーゲンのパラメータを扱います。これは、1989年以降、世界中に設置された1.000以上のFOSS専用ミート アナライザーから収集された約20,000のスペクトルを使用して開発されました。 膨大な数のスペクトルデータを用いることによって、キャリブレーションを堅牢で汎用性の高いものにします。
ANN キャリブレーションはいつ使用しますか？
他の統計解析方法により開発されたキャリブレーションモデルと比較した場合、 ANN の主なメリットは、数種類ものキャリブレーションを切り替えることなく、幅広いパラメータに対応できることです。 たとえば、肉を検査するとき、オペレータは脂肪範囲や製品がことなっても同じキャリブレーションを使い続けることができます。別のキャリブレーションに切り替えて、測定できるかどうかをその都度判断する手間がなくなります。
使用される場所に関わらず、ANN キャリブレーションは、時間を節約し、オペレータの操作を容易にすると同時に、オペレータエラーのリスクを低減します。
ANN を使用すると、検証するキャリブレーションが少なくなり、検証時間とコストが最小限に抑えられます。 製品とパラメータが多い場合、別のキャリブレーション方法を使用する場合に比べて大幅なコスト削減になります。
マシンラーニングと ANN
最近では、複雑なタスクを機械（分析機器を含む）で処理するためのプログラム技術が進歩しています。
このビデオを説明しているように、この研究は、ANN キャリブレーションを用いて長年にわたり、食品と農産物分析に関連して行われてきました。 この技術は、肉や乳製品業界で検査する必要がある幅広い肉やチーズなどのサンプルを処理する場合に特に価値があります。
