CrackMorph-XAI-Net: A Topology-Preserving and Explainable Framework for Automated Crack Morphology

技術概要：CrackMorph-XAI-Net

問題定義
現在の自動ひび割れ検査システムは、主に深層学習モデルに依存して二値セグメンテーションマスクを生成する。損傷領域の局在化には効果的であるが、これらのマスクは、厳密な工学解釈に必要な構造的粒度を欠いている。保守の意思決定は、単に欠陥の存在に依存するのではなく、ひび割れ長さ、幅、方向、分岐挙動、蛇行度、およびトポロジカル分類といった定量的形態記述子に依存する。これらの指標を導出するための従来のアプローチは、セグメンテーションマスクに適用される古典的な後処理技術（例えば、形態的薄化および中軸変換）を含む。しかし、これらのヒューリスティックな手法は極めて脆弱であり、境界ノイズに対して過剰に敏感であるため、しばしば偽の微細分枝、切断された中心線、および歪んだトポロジーを生成する。さらに、自動化システムが安全クリティカルなワークフローに統合されるにつれ、標準的なセグメンテーションモデルの「ブラックボックス」性は、信頼性と説明可能性を制限する。ピクセルレベルの局在化から、測定可能で工学関連のデータを生成する透明性のある学習ベースの構造的予測への移行が、緊急に必要とされている。

手法
本論文は、生ひび割れ画像および領域マスクを解釈可能な構造的出力のシーケンスに変換するように設計された、説明可能で形態を認識するフレームワーク「CrackMorph-XAI-Net」を提案する。このフレームワークは、モジュール化された 4 段階のカスケードパイプラインとして機能する。

1. トポロジー保存型スケルトン抽出: 古典的な薄化アルゴリズムを適用する代わりに、本フレームワークはスケルトンの回復を学習された構造的予測問題として定式化する。U-Net 型のエンコーダ・デコーダネットワークが、1 ピクセル幅の連続した中心線を予測する。このネットワークは、深刻な前景・背景クラスの不均衡に対処しつつ、グローバルな空間的重なりを確保するために、Dice 損失と二値交差エントロピー（BCE）を組み合わせた複合損失関数を用いて最適化される。
2. ガウスヒートマップ回帰による分岐点検出: ひび割れ分岐点の極端な希少性に対処するため、本フレームワークは直接のピクセルごとの二値分類を回避する。代わりに、人間のポーズ推定に着想を得たガウスヒートマップ回帰戦略を採用する。離散的な分岐点座標は、連続的な 2 次元ガウス分布に変換される。専用のネットワークが、平均二乗誤差（MSE）損失を用いてこの確率マップを予測し、最適化の地形を滑らかにし、希少な構造的ターゲットのロバストな局在化を可能にする。
3. 決定論的形態記述子の計算: この段階は厳密に幾何学的・分析的であり、予測された構造的出力を工学的指標に変換する。以下を計算する。
   • ひび割れ長さ: 抽出されたスケルトンに沿った経路長。
   • 平均幅: 全体のセマンティックなひび割れ面積とスケルトン長さの比率。
   • 方向: スケルトン座標の支配的主軸。
   • 分岐点数: 検出された分岐点の数。
   • 蛇行度: スケルトン経路長と端点間のユークリッド距離の比率。
   • トポロジークラス: 分岐の豊富さに基づくカテゴリ分類（直線、分岐、複雑、ネットワーク）。
4. 重症度指向のスクリーニング: 最終段階では、これらの記述子を優先順位付けのヒューリスティックに統合する。有限要素解析の代わりとなるものではないが、幾何学的境界と構造的複雑さに基づき、線形弾性破壊力学（LEFM）の概念を用いて、人間のレビューが必要な重要な欠陥をフラグ付けする。

データセットの貢献
厳密な段階別評価を支援するために、著者らは標準的なCRACK500ベンチマークをCRACK500-Extendedに拡張した。この新しいベンチマークは、元の 500 枚の高解像度画像と二値マスクを維持しつつ、3 つの重要な空間的に整列した注釈レイヤーを導入する。

• スケルトンマップ: 改良された中軸変換を介して導出された、1 ピクセル幅でトポロジーを保存する中心線。
• 分岐点ヒートマップ: 注釈付き分岐点を中心に配置された連続的なガウス分布。
• トポロジーラベル: グローバルな画像レベルの複雑さカテゴリ。
  トレーニングセットは、幾何学的不変性を確保するために空間変換（反転、回転、弾性変形）を用いて 1,896 インスタン스에拡張された。

主要な結果
CRACK500-Extended テストセットでの実験的検証は、古典的なベースラインに対して有意な改善を示した。

• スケルトン抽出: 学習されたモデルは、平均 Dice 係数0.991、IoU 0.983 を達成し、古典的薄化の 0.912 と比較して優れていた。トポロジー保存はテスト画像の**98.5%**で維持され、ベースラインに対して 11.5 ポイントの改善であった。
• 分岐点検出: ガウスヒートマップ回帰アプローチは、リコール0.964、F1 スコア0.887を達成し、二値分類ベースライン（リコール 0.871）を大幅に上回った。
• 記述子の精度: 予測された形態値と参照値の間に強い一致が観察された。すべての指標でピアソン相関係数は0.95を超え、長さおよび方向の相関はそれぞれ 0.982 および 0.991 に達した。
• トポロジー分類: フレームワークは、全体のカテゴリ精度**83.5%**を達成し、誤差は主に隣接する複雑さクラス間（例：分岐対複雑）で発生した。
• アブレーション研究: カスケードアーキテクチャ（独立した段階）は、単一のマルチタスクネットワークよりも優れており、密なスケルトン回復と希少な分岐点局在化間の勾配干渉を防いだ。

意義と主張
本論文は、CrackMorph-XAI-Net が、単なるセグメンテーションを超えて透明性があり、測定可能で、工学関連の構造的表現へと移行することにより、自動化されたインフラ検査におけるパラダイムシフトを表すと主張している。その主な意義は、内在的な説明可能性にある。不透明な確率マップではなく、中間的な構造的出力（スケルトン、ヒートマップ）を生成することにより、このフレームワークはドメイン専門家がモデルの推論を視覚的に検証し、診断することを可能にする。この透明性は、安全クリティカルな工学ワークフローにおける AI の展開に不可欠であると位置づけられている。

著者らは、このフレームワークを、材料固有の破損解析の決定的な代替手段ではなく、インフラ損傷のトリアージと専門家のレビューのための欠陥の優先順位付けを設計された意思決定支援ツールとして位置づけている。この研究は、システムが 2 次元形態を効果的に定量化する一方で、将来のバージョンは多様な材料（鋼、微細構造コンクリートなど）への汎用性に対処し、完全な 3 次元構造物健全性モニタリングのために深度指標を統合する必要があることを強調している。本研究は、予防的保守計画に真に有用であるためには、アルゴリズムの出力は単に損傷を局在化するだけでなく、検証可能な方法でその構造的アーキテクチャを定量化しなければならないと結論づけている。