シャワー認識型デュアルストリーム・ボクセルネットワーク：宇宙線ミュオントモグラフィにおける構造欠陥検出のための手法

arXiv cs.CV / 2026/4/7

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

提案手法SA-DSVNは、宇宙線ミュオントモグラフィで鉄筋コンクリート構造の欠陥をボクセル単位でセグメンテーションするための3D畳み込みネットワークで、散乱だけでなく二次電磁シャワーの情報も同時に扱います。
具体的には、9チャネルの散乱運動学と40チャネルのシャワー多重度を独立エンコーダで処理し、クロスアテンションで融合するデュアルストリーム構成になっています。
Geant4ベースのVegaで450万件のミュオン事象を生成し、欠陥4種類（ハニカム、せん断破壊、腐食ボイド、剥離）を含む900ボリュームで学習・評価しています。
アブレーションの結果、シャワー多重度ストリーム単独でも大きな識別性能を持ち、欠陥平均Diceが「散乱のみ」0.535から「シャワーのみ」0.685へ改善したと報告されています。
60件の独立検証では、ボクセル精度96.3%、欠陥別Dice 0.59〜0.81、推論10ms/ボリュームで、欠陥のボリュームレベル検出感度100%を達成し、二次シャワー多重度が有効な未活用特徴であることを示しています。

Abstract

本論文では、宇宙線ミューオンを用いたトモグラフィーにより、鉄筋コンクリート中の構造欠陥をボクセルレベルでセグメンテーションするための3D畳み込みアーキテクチャSA-DSVNを提案する。ミューオン散乱角のみを用いる従来の再構成手法（POCA、MLSD）とは異なり、本手法では散乱運動学（9チャネル）と二次電磁シャワーの多重度（40チャネル）を、独立したエンコーダーストリームで並列に処理し、クロスアテンションで融合する。学習データは、クラウドネイティブなGeant4シミュレーション基盤Vegaを用いて生成し、4種類の欠陥（ハニカム状欠陥、せん断破壊、腐食ボイド、はく離）を密な7×7の鉄筋ケージ内に埋め込んだ900体のボリュームに対して、合計450万件のミューオンイベントを作成した。5種類のバリエーションによるアブレーション研究により、シャワー多重度ストリーム単独でも識別に寄与する大部分の性能を説明できることが示され、欠陥平均Diceは、散乱のみの0.535からシャワーのみの0.685へと向上する。60個の独立にシミュレーションした検証ボリュームにおいて、モデルはボクセル精度96.3%を達成し、欠陥ごとのDiceスコアは0.59〜0.81、さらに1ボリュームあたり10 msの推論で、ボリュームレベル検出感度は100%である。これらの結果は、二次シャワー多重度が、これまで活用されてこなかったが非常に有効な特徴であることを、学習型ミューオントモグラフィー再構成に対して示すものである。