JP7372611B1

JP7372611B1 - 構造体観測装置、モデル構築方法及びモデル構築プログラム

Info

Publication number: JP7372611B1
Application number: JP2022144710A
Authority: JP
Inventors: 伸一宮本; 彰宣西尾; 卓巳中井
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2022-09-12
Filing date: 2022-09-12
Publication date: 2023-11-01
Anticipated expiration: 2042-09-12
Also published as: JP2024039945A

Abstract

【課題】環境変化の影響によって生じる観測対象の構造体の時間的に変化する特徴を観測する。【解決手段】検出器１１は、ミューオンフラックスを検出する。撮像処理部１２は、検出器１１が検出したミューオンフラックスに基づいてミュオグラフィ画像ＩＭＧ１を取得する。データ生成部１３は、ミュオグラフィ画像に映り込んだ構造体に対応する第１の画素のスペクトル情報と、第１の画素と構造体の上方領域において第１の画素の直上の第２の画素との相関を示す情報と、第１の画素において検出対象となる状態の変化を示す情報と、を含む学習用データＬＤを生成する。学習処理部１４は、学習用データＬＤを学習することで、第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルＬＭを構築する。【選択図】図４

Description

本開示は、構造体観測装置、モデル構築方法及びモデル構築プログラムに関する。

宇宙線ミューオンを利用したミュオグラフィによって、山体内部などの各種の構造体を観測する手法が知られている（特許文献１及び２）。これらの手法では、構造体を通過したミューオンをセンサで検出して２次元画像を構成することで、構造体の内部構造を観測することができる。

ミュオグラフィ技術においては、２次元画像を構成するにあたって、各種の画像処理技術が適用される（特許文献１～３）。

ミュオグラフィ技術によれば、例えば、山体内部において密度が大きく変化する空洞などの未知の構造を観測することができる。この場合、山体を通過したミューオンを検出して構成された２次元画像の各画素値から、予め用意したミューオン飛来数(以下、ミューオンフラックスと記述する)を予測するモデル(以下、ミューオンフラックスモデルと記述する)を構築する。そして、ミューオンフラックスモデルから、算出した未知の構造が無い場合の画素値を減算することで、山体内部の構造が反映された２次元画像を取得することができる。

特開２００７－１２１２０２号公報特開２０２１－３９０００号公報特開２０１３－５８４０号公報

構造体の内部構造は、一般に、例えば空洞などの物理的形状といった時間的に不変な特徴と、降雨などによる水の浸透による影響といった時間的に変化する特徴とが有ることが想定される。このうち、時間的に変化する特徴の観測の実現が望まれている。

上述の一般的な手法を時間的に変化する特徴の観測に用いる場合、ミューオンフラックスモデルから算出した未知の構造が無い場合の画素値を推定しなければならない。この場合、未知の構造が無い場合の画素値は、ミューオンが通過する経路の密度や温度などの環境の変化、例えば大気圧や気温の変化の影響を受けることが知られている。大気圧や気温の変化も時間的に変化する特徴であるため、これらの影響を除外してモデルを構築しなければ、観測対象である構造体の時間的に変化する特徴を捕捉することができなくなってしまう。

しかし、ミューオンフラックスモデルの構築にあたって、環境変化の影響を正確にモデルに組み込むことは、そもそも困難である。また、観測を行うタイミングによって大気圧や気温は変動するが、大気上層部を含むこれらの変数値を取得すること自体が難しい。そのため、仮にこれらの変数値を組み込んだミューオンフラックスモデルが構築できたとしても、時々刻々の正しいミューオンフラックスをモデル式から予測することはほぼ不可能である。

そこで、環境変化の影響を除外して観測対象の構造体の時間的に変化する特徴を観測する手法の確立が求められている。

本開示は、上記の事情に鑑みて成されたものであり、環境変化の影響によって生じる観測対象の構造体の時間的に変化する特徴を観測することを目的とする。

本開示の一態様であるモデル構築方法は、ミューオンフラックスを検出する検出器と、前記検出器が検出した前記ミューオンフラックスに基づいてミュオグラフィ画像を取得する撮像処理部と、前記ミュオグラフィ画像に映り込んだ構造体に対応する第１の画素のスペクトル情報と、前記第１の画素と前記構造体の上方領域において前記第１の画素の直上の第２の画素との相関を示す情報と、前記第１の画素において検出対象となる状態の変化を示す情報と、を含む学習用データを生成するデータ生成部と、前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築する学習処理部と、を備えるものである。

本開示の一態様である構造体観測装置は、ミューオンフラックスを検出し、検出した前記ミューオンフラックスに基づいてミュオグラフィ画像を取得し、前記ミュオグラフィ画像に映り込んだ構造体に対応する第１の画素のスペクトル情報と、前記第１の画素と前記構造体の上方領域において前記第１の画素の直上の第２の画素との相関を示す情報と、前記第１の画素において検出対象となる状態の変化を示す情報と、を含む学習用データを生成し、前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築するものである。

本開示の一態様であるモデル構築プログラムは、検出器が検出したミューオンフラックスに基づいてミュオグラフィ画像を取得する処理と、前記ミュオグラフィ画像に映り込んだ構造体に対応する第１の画素のスペクトル情報と、前記第１の画素と前記構造体の上方領域において前記第１の画素の直上の第２の画素との相関を示す情報と、前記第１の画素において検出対象となる状態の変化を示す情報と、を含む学習用データを生成する処理と、前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築する処理と、をコンピュータに実行させるものである。

本開示によれば、環境変化の影響によって生じる観測対象の構造体の時間的に変化する特徴を観測することができる。

実施の形態１にかかる構造体観測装置の使用態様を模式的に示す図である。実施の形態１にかかる構造体観測装置の構成を模式的に示す図である。山体内の画素とその直上の画素とを示す図である。実施の形態１にかかる構造体観測装置における学習処理に用いられる構成を示す図である。実施の形態１にかかる構造体観測装置における学習処理のフローチャートである。実施の形態１にかかるニューラルネットワークＮＮの構成を模式的に示す図である。実施の形態１にかかる構造体観測装置における学習処理に用いられる構成を示す図である。実施の形態１にかかる構造体観測装置における学習処理のフローチャートである。構造体観測装置を実現するためのコンピュータの構成例を示す図である。

以下、図面を参照して本発明の実施の形態について説明する。各図面においては、同一要素には同一の符号が付されており、必要に応じて重複説明は省略される。

実施の形態１
本実施の形態にかかる構造体観測装置は、ミュオグラフィによって観測対象の構造体の内部構造を観測するものとして構成される。ミュオグラフィは、天空から降り注ぐ宇宙線ミューオンを線源としており、ミューオンの高い透過性を利用することで、観察対象物の内部を非破壊で観察・可視化することができる技術である。

ミュオグラフィでは、観察対象物を通過したミューオンの数を、検出器を用いて測定する必要がある。検出器に入射するミューオンの経路は、検出器の天頂方向を基準軸とした場合の天頂角θと地平面における方位角φとを用いて表すことができる。

気温や気圧の影響を無視した場合、ミューオンフラックスモデルは方位角φには依存せず、以下のように天頂角θのみに依存する。ミューオンのエネルギーをＥ_μ、ミューオンの運動量をｐ_μとすると、ミューオンフラックスｆ（Ｅ_μ，θ）は、以下の式で表される。

但し、Ａは任意の定数である。また、式［１］における－ｇ（ｐ_μ，θ）は、以下の式で表される。

観察対象物を通過したミューオンは、その飛行経路に存在する物質の密度に応じてエネルギー損失量が変化する。エネルギー損失が大きくなると、エネルギーの小さなミューオンは観察対象物の原子核による散乱によって飛行経路が大きく変化し、検出器から外れた飛行経路を辿ることになる。これはミューオン数の減少として観測される。一方で、エネルギーの大きなミューオンについては、散乱による影響は受けるものの、観察対象物を通過して検出器に入射する。これはミューオン数の増加として観測される。

したがって、ミュオグラフィでは、観測対象の構造体を通過したミューオンの数を観測することで、構造体の内部を非破壊で観測することができる。具体的には、単位時間及び単位立体角あたりのミューオンのカウント数、すなわちミューオンフラックスを観測することで、構造体物の内部を観測することができる。

ここでは、観測対象の構造体として山体を例に説明する。図１に、実施の形態１にかかる構造体観測装置１の使用態様を模式的に示す。観測対象の構造体が例えば山体１００である場合、山体１００内の地層や空洞といった物理的構造については、観測タイミングによることなく時間的に不変であると考え得る。しかし、観測対象の構造体の内部の状態は、気象などの環境変化によって変化が生じる場合がある。例えば、山体１００に雨が降った場合、上空領域１１０では降雨による変化が生じ、山体１００では雨水の浸透やこれによる地下水位の上昇が予想される。その結果、通常は空気で占められていた砂の間隙空間が水で置き換わることにより、密度が小さい状態から大きい状態に変化するので、ミューオンフラックスの減少という形で山体内部状態の変化が検出できる。

本実施の形態にかかる構造体観測装置１は、観測対象の構造体の内部状態の時間的変化を捕捉するものとして構成される。一般に、山体１００の観測対象領域を通過するミューオンフラックス（図１の経路１０１）の変動は、観測対象領域の直上の上空領域を通過するミューオンフラックス（図１の経路１０２）の変動と高い相関を持つことが知られている。そこで、同一の観測条件の下で、山体１００の観測対象領域を通過するミューオンフラックス（図１の経路１０１）と、上空領域１１０を通過するミューオンフラックス（図１の経路１０２）とを同時に観測する。そして、両者の相関を用いて大気由来の影響を排除した上で、機械学習で得られた識別器を用いることにより山体１００の内部状態の変化の有無を捕捉することができる。

構造体観測装置１について説明する。構造体観測装置１は、観測対象の構造体の近傍に設置され、構造体を通過するミューオンを検出する。図１に示すように、構造体観測装置１は山体１００及び上空領域１１０を通過したミューオンを検出してミュオグラフィ画像を取得することで、山体１００の内部構造を検出可能に構成される。

図２に、実施の形態１にかかる構造体観測装置１の構成を模式的に示す。構造体観測装置１は、検出器１１、撮像処理部１２、データ生成部１３、学習処理部１４、推定部１５、解析部１６及び表示部１７を有する。

検出器１１は、観測対象の構造体である山体１００を通過したミューオンフラックスを検出可能に構成される。検出器１１は、検出したミューオンフラックスを示す検出信号ＤＥＴを、撮像処理部１２へ出力する。検出器１１には、例えば、原子核乾板、シンチレータ、ガスタイプの検出器などを用いることができる。

原子核乾板は、フィルム形状の検出器である。一例を挙げると、原子核乾板は、プラスチックのベースの上に臭化銀（ＡｇＢｒ）の結晶とゼラチンとで構成されるジェルを塗布した構造を持つ。この臭化銀（ＡｇＢｒ）の結晶部分にミューオンなどの荷電粒子の軌跡が残ることで、荷電粒子の入射が記録される。また、原子核乾板の焦点深度を変えながらスキャニングして、各焦点深度で点として観測されるミューオンの痕跡を線として復元することで、ミューオンの入射方向を特定することができる。

シンチレータは、ミューオン（荷電粒子）がプラスチックなどの半透明な物質中を通過する際に発するシンチレーション光を利用する検出器である。シンチレーション光は、光電子増倍管を用いて増幅されて信号として取り出される。

ガスタイプの検出器は、気体中をミューオンが飛行するときに、気体を構成する分子が持つ電子がミューオンとのクーロン力相互作用によって分子から叩き出され、分子がイオン化する現象を利用して、ミューオンを検出する検出器である。叩き出された電子を強い外部電場で加速することで、増幅した電気信号を作り出すことができる。ガスタイプの検出器として、例えば、多線比例式検出器（ＭＷＰＣ：Multi-Wire Proportional Chamber）を用いることができる。また、ガスタイプの検出器は、検出器内部を通過したミューオンの空間的な位置情報を取得することができる。ミューオンの空間的な位置情報をリアルタイムで取得できる点を考慮すると、ガスタイプの検出器を用いることが好ましい。

なお、本実施の形態において使用する検出器１１は、上述の検出器に限定されることはなく、他の種類の検出器を用いてもよい。

撮像処理部１２は、検出器１１からの検出信号ＤＥＴと、検出信号ＤＥＴが出力されたときの検出器１１のミューオン検出の指向方向とを示す情報とに基づいて、山体１００の２次元ミュオグラフィデータ、すなわちミュオグラフィ画像ＩＭＧを取得する。ミュオグラフィ画像ＩＭＧは、データ生成部１３へ出力される。なお、ここでミュオグラフィ画像と言う場合、画像を構成する画素の情報を含んだ画像データを指すものとする。

ミュオグラフィ画像ＩＭＧは、撮像領域を区分することで設定された複数の測定領域、すなわち画素のそれぞれに測定したミューオンのフラックスの値を含むヒストグラムデータとして作成される。天空から飛来するミューオンは山体１００及び上空領域１１０を通過して検出器１１に到達するので、山体の通過距離や監視対象の山体１００の土壌及び岩石の密度、上空領域１１０の状態などによって、ミューオンフラックスの実測値は、天頂角及び方位角によって変化する。

データ生成部１３は、受け取ったミュオグラフィ画像ＩＭＧから、学習処理で用いる学習用データＬＤと、推定処理で用いる入力データＩＮと、を生成可能に構成される。学習用データＬＤは学習処理部１４へ出力され、入力データＩＮは推定部１５へ出力される。

学習処理部１４は、データ生成部１３から受け取った学習用データＬＤを、例えばニューラルネットワークに入力して機械学習を行うことで、学習済みモデルＬＭを構築する。

推定部１５は、学習処理部１４が構築した学習済みモデルＬＭに、データ生成部１３から受け取った入力データＩＮを入力することで、推定対象となるミュオグラフィ画像の画素について、環境変化による影響が生じているか否かを推定し、推定結果Ｒ１を解析部１６に出力する。

解析部１６は、推定結果Ｒ１に基づいて、推定対象となるミュオグラフィ画像の画素に環境変化による影響が生じているか否かを示す情報を含む解析結果Ｒ２を、表示部１７へ出力する。

表示部１７は、解析結果Ｒ２に基づいて、推定対象となるミュオグラフィ画像の画素に環境変化による影響が生じているか否かを示す情報を、構造体観測装置１のユーザに視認可能に表示する。

次いで、本実施の形態にかかる学習処理及び推定処理について説明する。学習用データＬＤを例えばニューラルネットワークに入力して学習を行うことで、山体１００の内部の時間的な状態の変化の有無を推定する推定器として機能する学習済みモデルＬＭを構築する。そして、この学習済みモデルＬＭに観測対象の入力データＩＮを入力することで、入力データＩＮの対象画素における時間的な特徴の変化の有無を出力することができる。

学習用データＬＤについて説明する。本実施の形態では、学習用データとして、２つの画像の画素間の正規化相互相関（ＮＣＣ：Normalized Cross-Correlation）、天頂角相関乖離度及び注目画素におけるミューオンフラックス変動をフーリエ変換して得られるフーリエスペクトラムを要素として含むベクトルを用いる。ここでいう２つの画像とは、山体の観測対象領域を通過するミューオンフラックス（図１の経路１０１）が反映された山体１００内の画素Ｐ１と、観測対象領域の上空領域１１０を通過するミューオンフラックス（図１の経路１０２）が反映された画素Ｐ２と、を指している。なお、学習処理において用いる画素Ｐ１は第１の画素、画素Ｐ２は第２の画素とも称する。

図３に、画素Ｐ１と画素Ｐ２とを示す。この図では、山体１００とその上方の上空領域１１０との間の稜線にあたる境界を、線１２０で表示している。画素Ｐ１は、山体１００が存在する領域から選択される画素である。画素Ｐ２は、画素Ｐ１の上空領域１１０において、画素Ｐ１の直上から選択される画素である。なお、後述するように、画素Ｐ２は複数個選択することが可能であり、図３では、画素Ｐ２として選択可能な所定個数の画素からなる、画素Ｐ１の直上の領域を領域Ａ１と表示している。また、領域Ａ１の近傍の所定個数の画素の領域を領域Ａ２と表示している。画素Ｐ２は、これらの領域Ａ１及びＡ２から選択可能である。画素Ｐ１及び画素Ｐ２に対応した方向から飛来するミューオンは、大気通過時には気温や気圧の影響を同じように受けるが、山体内部の密度の影響は画素Ｐ１に対応した方向から飛来したミューオンのみが受ける。

正規化相互相関（ＮＣＣ：Normalized Cross-Correlation）は、対象の２つのベクトルが強相関のときに１、無相関なら０、反相関なら－１となる値であり、以下の式［３］で表される。

但し、ｉは時刻、ｓ_１（ｉ）は時刻ｉにおける画素Ｐ１でのミューオンフラックス、ｓ_２（ｉ）は時刻ｉにおける画素Ｐ２でのミューオンフラックスである。ｍ_１は画素Ｐ１での平均ミューオンフラックス、ｍ_２は画素Ｐ２での平均ミューオンフラックスである。
画素Ｐ１及び画素Ｐ２に対応したミューオンは大気通過時にほぼ同等の気温や気圧の影響を受けるので、式［３］のように両者の比を取ることで、これらの影響がほぼキャンセルされる。その結果、山体内部状態に変化がない場合には式［３］の値にほぼ変動が無いものの、変化が生じた場合には式［３］の値にも変動が見られるようになる。

天頂角相関乖離度Ｄは、以下の式で表される。

但し、θ_１は画素Ｐ１の天頂角を示し、θ_２は画素Ｐ２の天頂角を示す。式［３］と同様に２つの天頂角の比を取ることで、ミューオンフラックスへの気温や気圧の影響がほぼキャンセルされ、式［１］に示した天頂角θへの依存性をより反映した特徴とすることが出来る。

学習用データＬＤを構成する各ベクトルには、教師データとして、時間的な特徴の変化の有無を示す情報が要素として含まれる。この教師データについては、構造体観測装置１の外部からデータ生成部１３に与えられてもよい。例えば、図示しない記憶部に予め教師データを格納し、データ生成部１３が必要に応じて教師データを読み込んで、学習用データＬＤに組み込んでもよい。教師データは、撮像されたミュオグラフィ画像ごとに画素を指定して、検出すべき状態変化が起きているか否かを示す情報を与えてもよい。例えば、検出すべき状態変化が起きているか場合に「１」、検出すべき状態変化が起きているか場合に「０」としてもよく、これ以外の値を割り当ててもよい。

次に、構造体観測装置１における学習処理について説明する。図４に、構造体観測装置１における学習処理に用いられる構成を示す。図５に、構造体観測装置１における学習処理のフローチャートを示す。

ステップＳ１１
検出器１１は、山体１００に指向された状態で、入射するミューオンフラックスを検出する。これにより、撮像処理部１２は、山体１００及び山体１００の上空領域１１０を通過するミューオンフラックスを撮像した、学習用のミュオグラフィ画像ＩＭＧ１を取得する。なお、学習用データＬＤの作成にあたっては、時間を変えて複数回、例えば、Ｎ枚のミュオグラフィ画像ＩＭＧ１を取得する。

ステップＳ１２
データ生成部１３は、Ｎ枚のミュオグラフィ画像ＩＭＧ１のそれぞれにおいて、山体１００内の注目画素Ｐ１と、上空領域１１０の領域Ａ１及びＡ２に設定した２つ以上のＭ個の画素Ｐ２のそれぞれとの間で、正規化相互相関、天頂角相関乖離度及び注目画素Ｐ１のフーリエスペクトラムを算出する。なお、学習処理において用いる画素Ｐ１は第１の画素、画素Ｐ２は第２の画素とも称する。

ステップＳ１３
データ生成部１３は、ステップＳ１２での計算結果と、注目画素の状態変化の有無を示す情報と、を要素とするＮ×Ｍ個の学習用入力ベクトルを含む学習用データＬＤを生成して、学習処理部１４に入力する。

ステップＳ１４
学習処理部１４は、Ｎ×Ｍ個の学習用ベクトルからなる学習用データＬＤをニューラルネットワークに入力して、学習済みモデルＬＭを構築する。学習処理部１４は、学習済みモデルＬＭを推定部１５に渡す。

ここで、本実施の形態におけるニューラルネットワークの例について説明する。図６に、実施の形態１にかかるニューラルネットワークＮＮの構成を模式的に示す。ニューラルネットワークＮＮは、入力層Ｌ１、隠れ層Ｌ２及び出力層Ｌ３を有する、多層パーセプトロンネットワークを構成している。この場合、入力層Ｌ１のパーセプトロンはＮ×Ｍ個設けられることとなる。また、この例では、出力層Ｌ３に２個のパーセプトロンを設けている。このニューラルネットワークＮＮに学習用データＬＤを入力して学習を行うことで、学習済みモデルＬＭを構築することができる。

次に、構造体観測装置１における推定処理について説明する。図７に、構造体観測装置１における推定処理に用いられる構成を示す。図８に、構造体観測装置１における推定処理のフローチャートを示す。

ステップＳ２１
検出器１１は、山体１００に指向された状態で、入射するミューオンフラックスを検出する。これにより、撮像処理部１２は、山体及び山体の上空を通過するミューオンフラックスを撮像した、推定対象のミュオグラフィ画像ＩＭＧ２を取得する。

ステップＳ２２
データ生成部１３は、ミュオグラフィ画像ＩＭＧ２内の山体１００内の注目画素Ｐ１と、上空領域１２０に設定した２つ以上のＭ個の画素Ｐ２のそれぞれとの間で、正規化相互相関、天頂角相関乖離度及びミュオグラフィ画像ＩＭＧ２の注目画素Ｐ１のフーリエスペクトラムを算出する。なお、推定処理において用いる画素Ｐ１は第３の画素、画素Ｐ２は第４の画素とも称する。

ステップＳ２３
データ生成部１３は、ステップＳ２２での計算結果を要素とするＭ個の入力ベクトルからなる入力データＩＮを生成して、推定部１５に入力する。

ステップＳ２４
推定部１５は、入力データＩＮを学習済みモデルＬＭに入力して、ミュオグラフィ画像ＩＭＧ２の注目画素Ｐ１において、環境要因による状態変化が生じているか否かの推定結果Ｒ１を出力する。この場合、推定結果は確率として出力され、例えば、注目画素に環境要因による状態変化が生じている確率を、０以上１以下の値として出力してもよい。そして、推定部１５は、推定結果Ｒ１を解析部１６へ出力する。

なお、推定対象となる注目画素Ｐ１を複数選択して、それぞれの注目画素Ｐ１についてステップＳ２２～Ｓ２４の処理を行うことで、注目画素Ｐ１に環境要因による状態変化が生じているかを２次元的に解析することができる。

ステップＳ２５
解析部１６は、受け取った推定結果Ｒ１に基づき、注目画素Ｐ１に環境要因による状態変化が生じているか示す解析結果Ｒ２を出力する。解析部１６は、解析結果Ｒ２として、ミュオグラフィ画像ＩＭＧ２の山体１００内の各画素について、環境要因による状態変化が生じているかを示すデータセットを出力してもよい。また、解析部１６は、解析結果Ｒ２として、画素に状態変化が生じているかを示す２次元画像を出力してもよい。この場合、各画素について、状態変化が生じているかを２階調で表示してもよいし、状態変化が生じているかを示す確率に応じて多値階調で表示するなどしてもよい。

ステップＳ２６
表示部１７は、解析結果Ｒ２を、構造体観測装置１のユーザに対して視認可能に表示する。

以上説明したように、本構成によれば、構造体及びその上空領域を通過したミューオンフラックスを検出して取得したミュオグラフィ画像に基づいて、構造体及び上空領域の画素の相関を機械学習して、学習済みモデルを構築する。そして、この学習済みモデルによって、構造体の内部に時間的に変化する状態の変化が生じているか否かを推定することが可能となる。

本構成では、構造体の内部に時間的に変化する状態の変化が生じているか否かを、２つの画素の相関に基づいて推定している。そのため、複数の構造体について学習用データを生成して学習済みモデルを構築することで、新規の構造体から取得したミュオグラフィ画像から、内部構造の時間的変化の有無を検出することも可能である。

その他の実施の形態
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述の実施の形態では、学習処理部１４が図６に示すニューラルネットワークに学習用データＬＤを入力して学習済みモデルＬＭを構築するものとして説明したが、これは例示に過ぎない。学習手法はこれに限られるものはなく、更に層数が多いニューラルネットワークを用いるディープラーニングなどの、各種の教師有り学習手法を用いてもよい。

構造体の例として山体について説明したが、構造体観測装置１は、山体以外の任意の構造体に適用してもよい。

また、構造体観測装置１の各部の構成は、離隔した位置に分散配置されていてもよい。例えば、検出器１１とその他の構成要素とを離隔して設け、その間を各所の有線通信手段又は無線通信手段で接続してもよい。この場合には、検出器１１のみを離隔した位置に設けることができ、検出器１１の設置位置の自由度を向上させることができる。また、互いに離れた位置に、検出器１１を複数個設けることも可能となる。

上述の実施の形態にかかる構造体観測装置１が実行する処理は、ＡＳＩＣ（Application Specific Integrated Circuit）を含む半導体処理装置を用いて実現されてもよい。また、これらの処理は、少なくとも１つのプロセッサ（e.g. マイクロプロセッサ、ＣＰＵ、ＧＰＵ、ＭＰＵ、ＤＳＰ（Digital Signal Processor））を含むコンピュータシステムにプログラムを実行させることによって実現されてもよい。具体的には、これらの送信信号処理又は受信信号処理に関するアルゴリズムをコンピュータシステムに行わせるための命令群を含む１又は複数のプログラムを作成し、当該プログラムをコンピュータに供給すればよい。

これらのプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（random access memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

コンピュータの構成例について説明する。図９に、構造体観測装置１を実現するためのコンピュータの構成例を示す。構造体観測装置１は、専用コンピュータ、パーソナルコンピュータ（ＰＣ）などのコンピュータ１０００により実現可能である。但し、コンピュータは、物理的に単一である必要はなく、分散処理を実行する場合には、複数であってもよい。図１に示すように、コンピュータ１０００は、ＣＰＵ（Central Processing Unit）１００１、ＲＯＭ（Read Only Memory）１００２及びＲＡＭ（Random Access Memory）１００３を有し、これらがバス１００４を介して相互に接続されている。尚、コンピュータを動作させるためのＯＳソフトなどは、説明を省略するが、構造体観測装置１を構築するコンピュータも当然有しているものとする。

バス１００４には、入出力インターフェイス１００５が接続されている。入出力インターフェイス１００５には、入力部１００６、出力部１００７、通信部１００８及び記憶部１００９が接続される。

入力部１００６は、例えば、キーボード、マウス、センサなどより構成される。出力部１００７は、例えば、ＬＣＤなどのディスプレイ装置やヘッドフォン及びスピーカなどの音声出力装置により構成される。通信部１００８は、例えば、ルータやターミナルアダプタなどにより構成される。記憶部１００９は、ハードディスク、フラッシュメモリなどの記憶装置により構成される。

ＣＰＵ１００１は、ＲＯＭ１００２に記憶されている各種プログラム、又は記憶部１００９からＲＡＭ１００３にロードされた各種プログラムに従って各種の処理を行うことが可能である。本実施の形態においては、ＣＰＵ１００１は、例えば上述の構造体観測装置１の処理を実行する。ＣＰＵ１００１とは別にＧＰＵ（Graphics Processing Unitを設け、ＣＰＵ１００１と同様に、ＲＯＭ１００２に記憶されている各種プログラム、又は記憶部１００９からＲＡＭ１００３にロードされた各種プログラムに従って各種の処理、本実施の形態においては、例えば上述の構造体観測装置１の各部の処理を実行してもよい。なお、ＧＰＵは、定型的な処理を並列的に行う用途に適しており、後述するニューラルネットワークにおける処理などに適用することで、ＣＰＵ１００１に比べて処理速度を向上させることも可能である。ＲＡＭ１００３には又、ＣＰＵ１００１及びＧＰＵが各種の処理を実行する上において必要なデータなども適宜記憶される。

通信部１００８は、ネットワーク１０２０を介して、サーバ１０３０と双方向の通信を行うことが可能である。通信部１００８は、ＣＰＵ１００１から提供されたデータをサーバ１０３０へ送信したり、サーバ１０３０から受信したデータをＣＰＵ１００１、ＲＡＭ１００３及び記憶部１００９などへ出力することができる。通信部１００８は、他の装置との間で、アナログ信号又はディジタル信号による通信を行ってもよい。記憶部１００９はＣＰＵ１００１との間でデータのやり取りが可能であり、情報の保存及び消去を行う。

入出力インターフェイス１００５には、必要に応じてドライブ１０１０が接続されてもよい。ドライブ１０１０には、例えば、磁気ディスク１０１１、光ディスク１０１２、フレキシブルディスク１０１３又は半導体メモリ１０１４などの記憶媒体が適宜装着可能である。各記憶媒体から読み出されたコンピュータプログラムは、必要に応じて記憶部１００９にインストールされてもよい。また、必要に応じて、ＣＰＵ１００１が各種の処理を実行する上において必要なデータや、ＣＰＵ１００１の処理の結果として得られたデータなどを各記憶媒体に記憶してもよい。

上述の実施の形態にかかる撮像処理部１２、データ生成部１３、学習処理部１４、推定部１５及び解析部１６は、例えば、ＣＰＵ１００１によって実現されてもよい。また、表示部１７は、例えば、出力部１００７により実現されてもよい。また、解析部１６から表示部１７へ出力される解析結果や構造体観測装置１で算出した情報は、例えば、通信部１００８を介して外部へ出力されてもよいし、ドライブ１０１０、磁気ディスク１０１１、光ディスク１０１２、フレキシブルディスク１０１３及び半導体メモリ１０１４に記録されてもよい。また、構造体観測装置１に提供される各種データは、入力部１００６や通信部１００８を介して、又は、ドライブ１０１０、磁気ディスク１０１１、光ディスク１０１２、フレキシブルディスク１０１３、半導体メモリ１０１４から読み込まれてもよい。

１構造体観測装置
１１検出器
１２撮像処理部
１３データ生成部
１４学習処理部
１５推定部
１６解析部
１７表示部
１００山体
１００１ＣＰＵ
１００２ＲＯＭ
１００３ＲＡＭ
１００４バス
１００５入出力インターフェイス
１００６入力部
１００７出力部
１００８通信部
１００９記憶部
１０１０ドライブ
１０１１磁気ディスク
１０１２光ディスク
１０１３フレキシブルディスク
１０１４半導体メモリ
１０２０ネットワーク
１０３０サーバ
１０００コンピュータ
ＤＥＴ検出信号
ＩＭＧ、ＩＭＧ１、ＩＭＧ２ミュオグラフィ画像
ＬＤ学習用データ
ＩＮ入力データ
Ｒ１推定結果
Ｒ２解析結果

Claims

ミューオンフラックスを検出する検出器と、
前記検出器が検出した前記ミューオンフラックスに基づいて、観測対象の構造体のミュオグラフィ画像を取得する撮像処理部と、
前記ミュオグラフィ画像において前記構造体に対応する領域の第１の画素のスペクトル情報と、
前記第１の画素と、前記ミュオグラフィ画像において前記構造体に対応する前記領域以外の領域から選択された前記第１の画素の上方の第２の画素と、の相関を示す情報と、
前記第１の画素において検出対象となる状態の変化を示す情報と、
を含む学習用データを生成するデータ生成部と、
前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築する学習処理部と、を備える、
構造体観測装置。
推定対象のミュオグラフィ画像に基づいて生成された入力データを前記学習済みモデルに入力することで、前記推定対象のミュオグラフィ画像に映り込んだ構造体に対応する第３の画素において検出対象となる状態の変化が生じているか否かの推定結果を出力する推定部と、
前記推定結果に基づいて、前記第３の画素における検出対象となる状態の変化の有無を解析して、解析結果を出力する解析部と、
前記解析結果を表示する表示部と、をさらに備え、
前記検出器は推定対象となるミューオンフラックスを検出し、
前記撮像処理部は、前記検出器が検出した前記推定対象のミューオンフラックスに基づいて前記推定対象のミュオグラフィ画像を取得し、
前記データ生成部は、前記推定対象のミュオグラフィ画像に映り込んだ構造体に対応する前記第３の画素のスペクトル情報と、前記第３の画素と前記構造体の上方領域において前記第３の画素の直上の第４の画素との相関を示す情報と、を含む入力データを生成して、前記推定部に入力する、
請求項１に記載の構造体観測装置。
前記撮像処理部は、時刻を変えて複数の前記ミュオグラフィ画像を取得し、
前記データ生成部は、前記複数の前記ミュオグラフィ画像について、前記学習用データを生成する、
請求項２に記載の構造体観測装置。
前記第１の画素と前記第２の画素との相関を示す情報は、前記第１の画素と前記第２の画素との間の正規化相互相関と、天頂角相関乖離度と、を含み、
前記第３の画素と前記第４の画素との相関を示す情報は、前記第３の画素と前記第４の画素との間の正規化相互相関と、天頂角相関乖離度と、を含み、
時刻をｉとし、
２つの画素の一方の、時刻ｉにおけるミューオンフラックスをｓ_１（ｉ）、平均ミューオンフラックスをｍ_１、天頂角をθ_１とし、
前記２つの画素の他方の画素の、時刻ｉにおけるミューオンフラックスをｓ_２（ｉ）、平均ミューオンフラックスをｍ_２、天頂角をθ_２とすると、
前記正規化相互相関ＮＣＣは、以下の式で表され、

前記天頂角相関乖離度Ｄは、以下の式で表される、

請求項３に記載の構造体観測装置。
前記推定部は、前記第３の画素において検出対象となる状態の変化が生じているかを推定した確率を、前記推定結果として出力する、
請求項２又は３に記載の構造体観測装置。
前記表示部は、前記推定対象のミュオグラフィ画像に映り込んだ構造体について、検出対象となる状態の変化が生じている画素と、前記検出対象となる状態の変化が生じていない画素と、を識別可能に表示する、
請求項２又は３に記載の構造体観測装置。
ミューオンフラックスを検出し、
検出した前記ミューオンフラックスに基づいて、観測対象の構造体のミュオグラフィ画像を取得し、
前記ミュオグラフィ画像において前記構造体に対応する領域の第１の画素のスペクトル情報と、
前記第１の画素と、前記ミュオグラフィ画像において前記構造体に対応する前記領域以外の領域から選択された前記第１の画素の上方の第２の画素と、の相関を示す情報と、
前記第１の画素において検出対象となる状態の変化を示す情報と、
を含む学習用データを生成し、
前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築する、
モデル構築方法。
検出器が検出したミューオンフラックスに基づいて、観測対象の構造体のミュオグラフィ画像を取得する処理と、
前記ミュオグラフィ画像において前記構造体に対応する領域の第１の画素のスペクトル情報と、
前記第１の画素と、前記ミュオグラフィ画像において前記構造体に対応する前記領域以外の領域から選択された前記第１の画素の上方の第２の画素と、の相関を示す情報と、
前記第１の画素において検出対象となる状態の変化を示す情報と、
を含む学習用データを生成する処理と、
前記学習用データを学習することで、前記第１の画素において検出対象となる状態の変化が生じているか否かを推定する学習済みモデルを構築する処理と、をコンピュータに実行させる、
モデル構築プログラム。