Presentation Information
[P019A]Arsenic concentration detection in boring cores using hyperspectral imaging and Convolutional Neural Networks, with evaluation of interpretability of developed models
○Kaito Takizawa1[Student presentation: Master’s course], Natuso Okada1, Kuroki Hirotada2, Yoshiko Goto2, George Mathews3, Yoko Ohtomo1, Youhei Kawamura1 (1. Hokkaido university, 2. Asunaro Aoki Construction Co., Ltd., 3. Nazarbayev University)
Keywords:
Hyperspectral Imaging,Convolutional Neural Networks,Boring Cores,Arsenic Contamination,Model Interpretability
トンネル掘削現場では有害金属溶出リスクの可能性がある場合、その評価が義務付けられているが、従来の溶出試験は時間を要し、しばしば工期の遅れを引き起こす。このため、溶出リスク評価の短縮化が求められている。本研究ではこの課題に対し、トンネル掘削時に採取されたボーリングコアを対象に、ハイパースペクトル画像とConvolutional Neural Network (CNN）を用いて、ヒ素溶出リスクが高い領域を識別する手法を開発した。試料に対して岩石学的産状の記載やヒ素濃集鉱物の同定を行い、得られた地質情報を教師データとして判定モデルを構築した。判定モデルはハイパーパラメータのチューニングにより、試料中のヒ素含有領域を82.2％の精度で識別した。次に、深層学習モデル特有のブラックボックス性によりその解釈根拠が不明瞭であるという課題に対してGrad-CAMを用いた逆解析を実施し、CNNがヒ素含有領域の判別で特に注目した重要波長帯を各クラスで抽出した。抽出した波長帯を既存の鉱物スペクトルライブラリの吸収ピーク波長と照合したところ、顕微鏡観察で試料中に確認されたパイライトの吸収ピークとGrad-CAMで示された重要波長が一致し、判定根拠にヒ素を含む鉱物が示唆され、鉱物学的妥当性が評価された。