Transformer-based three-dimensional crack detection in lava tubes: from a terrestrial analogue toward lunar subsurface exploration

Technische Samenvatting: Transformer-gebaseerde 3D-scheurdetectie in Lavatunnels

Probleemstelling
Het beoordelen van de structurele integriteit van lavatunnels is cruciaal voor toekomstige menselijke exploratie van het maanoppervlak, waar deze formaties primaire kandidaten zijn voor menselijke habitats vanwege hun stralingsbescherming en thermische stabiliteit. De huidige methoden voor automatische scheurdetectie zijn echter ontoereikend voor natuurlijke lavatunnels. Conventionele tunnelinspectie vertrouwt op bekende, regelmatige dwarsdoorsneden (bijv. cilindrisch), een aanname die wordt geschonden door de onregelmatige, continu variërende polygonale dwarsdoorsneden van lavatunnels. Bovendien bevatten deze omgevingen primaire vulkanische texturen (planken, stromingsmarkeringen, stalactieten) op schalen die vergelijkbaar zijn met de scheuren zelf, wat zorgt voor significante ruis voor visuele analyses of standaard LiDAR-analyses. Bestaande machine learning-benaderingen hebben vaak moeite met de schaarste, wanorde en complexe geometrie van puntenwolkgegevens in deze ongestructureerde scènes, met name bij het onderscheiden van echte breuken van geologische imitaties.

Methodologie
De auteurs introduceren LavaCrack_PT, een Transformer-gebaseerd deep learning-model ontworpen voor 3D-scheurdetectie in ongestructureerde puntenwolken. De workflow bestaat uit drie hoofdonderdelen:

1. Data-acquisitie en Annotatie:

   • Locatie: Xianren Cave (Hainan, China), geselecteerd als een terrestrisch analoog vanwege de diverse morfologieën van de dwarsdoorsneden en schaalvariaties.
   • Sensor: Leica RTC360 LiDAR-scanner (60 m bereik, 1 mm + 10 ppm precisie) gebruikt in 30 stations om de geometrie van de tunnel vast te leggen.
   • Dataset: De puntenwolk werd gesegmenteerd in 175 gelijkmatig verdeelde orthogonale dwarsdoorsneden. In totaal werden 67 even door experts geannoteerde scheuren (gesplitst 8:2 voor training en testen) gedekt, variërend van rechte tot gebogen en rotsval-terreinen. Scheuren werden geclassificeerd op positie (dak, wand, vloer) op basis van genormaliseerde hoogte ($z_{norm}$).

2. Modelarchitectuur (LavaCrack_PT):

   • Backbone: Gebouwd op PointTransformerV2, beschikt het model over een vijflaagse multi-scale hiërarchische backbone. Deze structuur maakt gebruik van gegroepeerde vector-attention en partitie-gebaseerde pooling om zowel fijnmazige lokale details (scheurgrenzen) als langetermijnrelaties (draadvormige scheurcontinuïteit) vast te leggen. De feature-dimensies verdubbelen bij elk niveau ($32 \to 1024$) terwijl het aantal punten wordt gedownsampled ($N \to N/16$).
   • Loss Functie: Om de ernstige klasse-onbalans tussen de achtergrond en dunne scheuren aan te pakken, stellen de auteurs een Enhanced Dice (E-Dice) loss voor. Deze bevat een adaptieve smoothing-factor ($\alpha$) die dynamisch wordt berekend op basis van de ratio van voorgrond- tot totaal aantal punten, gecombineerd met een gewogen Cross-Entropy (CE) loss om zeldzame scheurklassen verder te benadrukken.

3. Analyse-framework:

   • De getrainde detector werd toegepast op de volledige inventaris van de tunnel om een veldkaart van 893 langgerekte scheuren te genereren.
   • Scheurorientaties werden statistisch geanalyseerd ten opzichte van de lokale tunnelas en de radiale richting om te testen tegen voorspellingen van thermo-elastische spanningsvelden.

Belangrijkste Resultaten

• Detectieprestaties: LavaCrack_PT behaalde een gemiddelde Intersection over Union (mIoU) van 0,6930 en een gemiddelde klasse-accuratesse (mAcc) van 0,8027 op de testset. Het presteerde beter dan CNN-gebaseerde, graaf-gebaseerde en andere Transformer-gebaseerde baselines.
• Robuustheid: Het model toonde stabiliteit over:
  • Terrein: Rechte secties, bochten en rotsvalzones (waar obstructie scheuren nabootst).
  • Schaal: Extreem smalle scheuren (nabij de puntenwolkresolutie) en extreem brede scheuren.
  • Dichtheid: Hoge, medium en lage dichtheid van puntenwolken, waarbij minder fout-negatieven werden gerapporteerd dan bij baselines, zelfs bij lagere dichtheden.
• Geologische Validatie: De detector identificeerde een duidelijk positie-afhankelijk oriëntatiepatroon:
  • Dakscheuren: Voornamelijk as-parallel (gemiddelde hoek ~53,7° ten opzichte van de tunnelas).
  • Wandscheuren: Voornamelijk transversaal/radiaal (gemiddelde hoek ~69,4°).
  • Vloerscheuren: In essentie afwezig (consistent met rotsval-manteling).
  • Deze partitie komt overeen met de elastische-schaaltheorie en 2D-elastische sterktemodellen, die longitudinale trekspanning op het dak en circumferentiële spanning op de wanden voorspellen.

Betekenis en Claims
Het artikel positioneert dit werk als een brug tussen terrestrische analogen en maanexploratie, waarbij de volgende specifieke claims worden gemaakt:

1. Validatie van Spanningsmodellen: De studie levert de eerste veldgemeten, 3D-scheurinventaris die de voorspellingen van spanningsvelden empirisch valideert zonder afhankelijk te zijn van ground truth uit maanmissies. Het bevestigt dat, hoewel de bulkoriëntatie van scheuren isotroop kan lijken, de positie-afhankelijke partitie (dak versus wand) overeenkomt met theoretische spanningsregimes.
2. Fysieke Basis voor Transfer: De auteurs stellen dat het overdragen van een op de Aarde getrainde detector naar de Maan fysiek gerechtvaardigd is. De onderliggende thermo-elastische spanning (Vergelijking 1) hangt af van materiaaleigenschappen (basaltcompositie, thermische expansie, modulus) en niet van zwaartekracht. Hoewel zwaartekracht de omvang van de tunnel schaalt (waardoor grotere overspanningen op de Maan mogelijk zijn), verandert het niet het mechanisme van scheurvorming of de dimensieloze geometrie van het spanningsveld. Daarom zouden de geometrische signatures die op Aarde zijn geleerd, geldig blijven op de Maan.
3. Methodologische Overdraagbaarheid: De workflow (LiDAR-acquisitie $\to$ Transformer-segmentatie $\to$ morfologische analyse) wordt gepresenteerd als een zelfstandige pipeline die klaar is voor inzet op de Maan. De robuustheid van het model tegen variaties in puntenwolk-dichtheid suggereert dat het kan worden aangepast aan verschillende sensorconfiguraties die tijdens maanmissies worden verwacht.
4. Engineering-implicaties: De identificatie van transversale, radiaal georiënteerde wandscheuren als een specifieke populatie wordt benadrukt als cruciaal voor de veiligheid in de techniek, aangezien hun voortplanting de dragende capaciteit van de boogschil kan ondermijnen, een risico dat verschilt van de meer talrijke dakscheuren.

Het artikel concludeert dat deze op de Aarde gevalideerde workflow een overdraagbare basis biedt voor toekomstige exploratie van de maanondergrond, waarbij de terrestrische observatie dient als een rigoureuze test van de onderliggende mechanica die de integriteit van maanlavatunnels beheerst.