高解像度X線CTイメージングによる材料多孔率推定のための高度な積層モデリング手法

コンクリートの小さな穴が重要な理由

橋梁や高層ビルから洋上風力発電設備まで、私たちが依存する多くの構造物はコンクリートやそれに類する人工材料でできています。これらの材料内部には微細な空隙、すなわち細かな孔の精緻な構造が潜んでおり、それが材料の強度、耐久性、防水性を静かに支配しています。多孔率の計測は従来、手作業の実験や複雑なX線画像の慎重な解析を必要とし、時間がかかる作業でした。本研究は人工知能を用いてそのような画像を完全自動で読み取る手法を提案し、現代の建築材料の健全性と品質をより速く、より信頼性高く点検する可能性を示します。

X線で材料の内部をのぞく

多孔率とは、固体内部の空隙が占める割合のことです。コンクリートなどの材料では、それが機械的強度やひび割れの進展、さらには水や塩分、汚染物質の浸透しやすさにまで影響します。エンジニアは試料を3次元で走査するマイクロコンピュータ断層撮影（マイクロCT）をますます活用しており、固相と空隙がどこにあるかを示す詳細なグレースケール画像を生成します。しかし、こうした豊富な情報を明確な孔マップに変換するのは簡単ではありません。従来手法は明るさの閾値設定や関心領域の手動描画に依存しており、担当者によって結果が変わることがあり、画像にノイズが多い場合や解像度が限られる場合には破綻しやすいのです。その結果、産業の要請に追いつきにくい労働集約的なワークフローが残ります。

ニューラルネットワークに重要な箇所を見つけさせる

著者らは深層学習と注意深く設計された画像処理ルールを組み合わせた「積層」アプローチでこれらの課題に取り組みます。まず、一般的な物体検出モデルに触発された深い畳み込みニューラルネットワーク（DeepCNN）を、さまざまなコンクリート様試料のマイクロCTスライス2D画像に対して学習させます。試料にはいくつかのセメントモルタル、ジオポリマー性モルタル、超高性能コンクリートなどが含まれます。ネットワークは各孔を直接セグメント化するのではなく、二つの役割を担います。一つはフレームアーティファクトや端部歪みを避けて、中央のクリーンな関心領域を自動で切り出すこと。もう一つは微妙なテクスチャやグレーレベルのパターンに基づき画像がどの材料クラスに属するかを識別することです。

グレースケールから孔マップへ

ネットワークが関心領域を切り出してラベル付けした後、二番目のモジュールが実際の多孔率測定を引き継ぎます。ここで著者らはブラックボックス的なエンドツーエンドのAIを避け、ルールベースで適応的な手順を採用しています。まず画素を3〜4の強度クラスタに分け、固相、孔、遷移領域の候補を分離します。材料種や画像特性に応じて、フレームワークは適切なフィルタリングや閾値決定の手順を選択します。例えば、ノイズ低減のためにメディアンやガウシアンの平滑化を適用したり、局所閾値と全体閾値を使い分けたりします。このルールベースの適応閾値処理により各画像は単純な二値マップに変換され、一方の値が固体を、もう一方が空隙を表します。多孔率は切り出した領域内で孔と分類されたピクセルの割合として算出されます。

新手法は実験結果とどれほど一致するか？

自動化された測定が信頼できるかを確かめるため、研究チームはそれらを気相置換で孔容積を推定する確立された実験法である真空ピクノメトリーの結果と比較しました。2万枚以上のCT画像にわたり、各材料クラスについて推定された多孔率はピクノメーター結果と通常わずか2〜3パーセントしか異ならず、特定の配合では特に良好な一致を示しました。DeepCNN分類器自体もテストデータ上でほぼ完璧に近い性能を示し、6種類の材料タイプを明瞭に分離しました。統計解析はデータセットのサブセット間で安定した多孔率推定を示していますが、フレームワークは高解像度・低ノイズのスキャンで最も良好に動作し、孔が疎で解像が難しい超高密度コンクリートではやや一貫性に欠けることが分かりました。

実世界の材料にとっての意義

実務的には、本研究は複雑なセメント系材料の生のマイクロCT画像をほとんど人手を介さずに信頼できる多孔率推定に変換することが可能であることを示しています。学習による分類段階と透明性のあるルールベースの測定段階に処理を分けることで、著者らは画像あたり数十分の一秒程度の高速性と解釈可能性の両立を達成しています。フレームワークは万能の解決策ではなく、画像品質に依存し、スキャンの解像度以下の孔を検出できず、まったく新しい材料に対しては再学習や適応が必要です。それでも、これにより産業用CTワークフローが進化し、コンクリートや類似材料の品質管理をほぼリアルタイムで行えるようになり、エンジニアがより長持ちする構造を設計し、内部の健全性をより効率的に監視する手助けとなる可能性があります。

引用: Kim, B., K.R., S., Natarajan, Y. et al. Advanced stacked modeling techniques for material porosity estimation via high-resolution computed tomography imaging. Sci Rep 16, 12714 (2026). https://doi.org/10.1038/s41598-026-39748-1

キーワード: 多孔率推定, マイクロCTイメージング, 深層学習, コンクリート材料, 画像セグメンテーション