面向结构缺陷检测的雨后感知双流体体素网络
摘要
我们提出了 SA-DSVN，一种用于从强化混凝土中基于体素的结构缺陷分割的 3D 卷积架构。与传统重建方法（POCA、MLSD）仅依赖 muon 散射角度不同，我们的方法通过独立的编码器流处理散射动力学（9 个通道）和次级电磁雨 shower 多重性（40 个通道），通过交叉注意力融合。训练数据使用 Vega 框架生成，产生 450 万个 muon 事件，包含 900 个体积，内嵌四种缺陷类型——蜂窝裂缝、剪切裂纹、腐蚀空洞和脱胞——置于密集的 7×7 钢筋 cage 中。五变体消失实验表明，雨 shower 多重性流alone account for the majority of discriminative power，使缺陷-mean Dice 从 0.535（仅散射）提升至 0.685（仅雨 shower）。在 60 个独立模拟验证体积上，模型实现 96.3% 的体素准确率，各缺陷 Dice 分数为 0.59-0.81，体积级检测灵敏度为 100%，每体积推理仅需 10 毫秒。这些结果确立了次级雨 shower 多重性作为一种此前未被利用但高度有效的特征，用于学习型 muon 断层重建。
引用
@article{arxiv.2604.03741,
title = {Shower-Aware Dual-Stream Voxel Networks for Structural Defect Detection in Cosmic-Ray Muon Tomography},
author = {Parthiv Dasgupta and Sambhav Agarwal and Palash Dutta and Raja Karmakar and Sudeshna Goswami},
journal= {arXiv preprint arXiv:2604.03741},
year = {2026}
}
备注
8 pages, 10 figures, 4 tables. Includes supplementary data via Zenodo DOI: 10.5281/zenodo.19355077. This work introduces SA-DSVN for 3D voxel segmentation in muon tomography, utilizing secondary electromagnetic shower multiplicities. (pp. 1, 3)