Muographic Image Upsampling with Machine Learning for Built Infrastructure Applications
作者: William O'Donnell, David Mahon, Guangliang Yang, Simon Gardner
分类: eess.IV, cs.CV
发布日期: 2025-02-04 (更新: 2025-04-02)
期刊: ODonnell, W.; Mahon, D.; Yang, G.; Gardner, S. Muographic Image Upsampling with Machine Learning for Built Infrastructure Applications. Particles 2025, 8, 33
💡 一句话要点
提出基于深度学习的缪子成像上采样方法，加速桥梁等基础设施的无损检测。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 缪子成像 深度学习 生成对抗网络 图像上采样 无损检测 土木工程 基础设施监测
📋 核心要点
- 现有桥梁等基础设施的无损检测技术存在局限性，难以满足日益增长的需求。
- 利用深度学习方法对缪子成像进行上采样，旨在缩短采集时间并提高图像质量。
- 实验结果表明，该方法显著改善了图像质量和采集速度，为实际应用奠定基础。
📝 摘要（中文）
土木工程行业迫切需要创新的无损评估方法，特别是针对桥梁等老化的关键基础设施，现有技术存在不足。缪子成像是一种非侵入式成像技术，通过探测天然宇宙射线缪子在扫描体积内的相互作用来构建三维密度图。宇宙射线缪子具有很强的穿透能力和固有安全性。然而，该技术对宇宙射线源的依赖导致缪子通量受限，进而导致采集时间延长、重建图像噪声大和图像解释困难。为了解决这些限制，我们开发了一种双模型深度学习方法。首先，我们采用带有梯度惩罚的条件Wasserstein生成对抗网络（cWGAN-GP）来对欠采样的缪子成像图像进行预测性上采样。使用结构相似性指数（SSIM），1天采样的图像匹配了21天图像的感知质量，而峰值信噪比（PSNR）表明噪声改善相当于31天的采样。第二个cWGAN-GP模型，经过语义分割训练，定量评估了上采样模型对混凝土样本特征的影响。该模型实现了钢筋网格和预应力管道的分割，Dice-Sørensen准确率系数分别为0.8174和0.8663。值得注意的是，它可以减轻或消除缪子成像逆问题引起的z平面拖尾伪影。两个模型都在一个全面的Geant4蒙特卡罗模拟数据集上进行训练，该数据集反映了真实的土木基础设施场景。我们的结果表明，采集速度和图像质量得到了显著提高，标志着缪子成像在钢筋混凝土基础设施监测应用中迈出了重要一步。
🔬 方法详解
问题定义：缪子成像技术依赖于天然宇宙射线缪子，其通量较低，导致成像时间过长，重建图像质量差，难以准确识别基础设施内部结构。现有方法难以在合理时间内获得高质量的缪子成像结果，限制了其在土木工程领域的应用。
核心思路：利用深度学习模型学习低采样率缪子成像图像到高采样率图像的映射关系，从而实现图像的上采样。通过生成对抗网络（GAN）的学习能力，提升图像的感知质量，并利用语义分割模型评估上采样效果，确保结构信息的准确性。
技术框架：该方法采用双模型框架。第一个模型是条件Wasserstein GAN（cWGAN-GP），用于对欠采样的缪子成像图像进行上采样。第二个模型也是一个cWGAN-GP，但用于语义分割，用于评估上采样图像中混凝土结构特征的准确性。两个模型都基于Geant4蒙特卡罗模拟数据集进行训练。
关键创新：该方法的核心创新在于利用cWGAN-GP进行缪子成像的上采样，并结合语义分割模型进行定量评估。通过对抗训练，提升了上采样图像的感知质量，并有效减轻了缪子成像中常见的z平面拖尾伪影。
关键设计：cWGAN-GP模型采用梯度惩罚来稳定训练过程。损失函数包括Wasserstein距离和梯度惩罚项。语义分割模型用于分割钢筋网格和预应力管道等结构。数据集采用Geant4蒙特卡罗模拟生成，以模拟真实的土木基础设施场景。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用cWGAN-GP上采样后，1天采样的图像在结构相似性指数（SSIM）上与21天采样的图像相当，峰值信噪比（PSNR）的提升相当于31天的采样。语义分割模型在钢筋网格和预应力管道的分割上分别达到了0.8174和0.8663的Dice-Sørensen系数，证明了上采样图像结构信息的准确性。
🎯 应用场景
该研究成果可应用于桥梁、隧道、建筑物等钢筋混凝土基础设施的无损检测与健康监测。通过缩短缪子成像的采集时间，降低了检测成本，提高了检测效率，有助于及时发现和修复潜在的安全隐患，保障基础设施的安全运行。未来，该技术有望推广到其他需要高穿透性成像的领域，如地质勘探、核废料检测等。
📄 摘要（原文）
The civil engineering industry faces a critical need for innovative non-destructive evaluation methods, particularly for ageing critical infrastructure, such as bridges, where current techniques fall short. Muography, a non-invasive imaging technique, constructs three-dimensional density maps by detecting interactions of naturally occurring cosmic-ray muons within the scanned volume. Cosmic-ray muons provide deep penetration and inherent safety due to their high momenta and natural source. However, the technology's reliance on this source results in constrained muon flux, leading to prolonged acquisition times, noisy reconstructions and image interpretation challenges. To address these limitations, we developed a two-model deep learning approach. First, we employed a conditional Wasserstein generative adversarial network with gradient penalty (cWGAN-GP) to perform predictive upsampling of undersampled muography images. Using the Structural Similarity Index Measure (SSIM), 1-day sampled images matched the perceptual qualities of a 21-day image, while the Peak Signal-to-Noise Ratio (PSNR) indicated noise improvement equivalent to 31 days of sampling. A second cWGAN-GP model, trained for semantic segmentation, quantitatively assessed the upsampling model's impact on concrete sample features. This model achieved segmentation of rebar grids and tendon ducts, with Dice-Sørensen accuracy coefficients of 0.8174 and 0.8663. Notably, it could mitigate or remove z-plane smearing artifacts caused by muography's inverse imaging problem. Both models were trained on a comprehensive Geant4 Monte-Carlo simulation dataset reflecting realistic civil infrastructure scenarios. Our results demonstrate significant improvements in acquisition speed and image quality, marking a substantial step toward making muography more practical for reinforced concrete infrastructure monitoring applications.