画像処理技術による ダブルハイパー核の研究

画像処理技術によるダブルハイパー核の研究

京都大学大学院理学研究科物理第 2 教室原子核ハドロン研究室常見俊直（つねみとしなお）

１．導入：　元素と原子核２．人の脳の画像処理３．ダブルハイパー核用の　　人工ニューラルネットワーク（一時期利用してたので、紹介）４． 7 段階の画像処理（最新）５．まとめ

周期表

Wikipedia より

元素の存在比率（太陽系）

原子番号

原子番号 14 の Si を 106 としたとき

Geochimica et Cosmochimica Acta Vol.53 pp.197-214 　 EDWARD 　 ANDERS 　 NICOLAS 　 GREVESSE より

H

He

Li

Be

B

C

N

O

F

Ne

人に必須な元素

「人類の住む宇宙」より

人に必須な元素

「人類の住む宇宙」より

ビタミン B12

シアノコバラミン　の CN を OH におきかえるとヒドロキソコバラミン

サンコバ点眼液

ビタミン B12 は、体重 70kg の人に 1.5mg しか存在しない。けれど、ゼロになると人は生きられない。

複雑なシステム（この場合はヒト）の場合には、少量の特殊な物質が意味をもつことがある。

Wikipedia より

周期表

Wikipedia より

陽子と中性子

１）原子番号：陽子の数

２）原子核には中性子も存在する。　　クォークでいうと、アップクォークとダウンクォーク

３）陽子も中性子もバリオン（クォーク３つ）の仲間

動機

クォーク

核子とハイペロン 原子核とダブルハイパー核

より多くのダブルハイパー核を見つける

S=-2 の新しい原子核をみつける（ストレンジネス）

バリオン

ダブルハイパー核を調べたいわけ

• 原子核は、陽子と中性子からなる。• 陽子と中性子の間に働く力（核力）を調べ

たい。• けれども、陽子や中性子を使うと難しい。　なぜなら、「パウリの排他律」が効いてし

まい、　核力よりも排他律の効果をみてしまう。

新しい量ストレンジネスを導入する。

陽子と中性子の塊に、ハイペロンをいれると、大きな変化があるかも

KEK-E373

There are more eventsNAGARA event

1) Online trigger efficiency2) Other decay channel (neutral particle)

A couple of dozendouble hypernuclear eventsin the emulsions of KEK-E373

If we can establish a general scan, we canfind a couple of dozen double hypernuclear events.

元素イメージ： 一家に一枚周期表より

25cm×25cm

原子核乾板

New microscope

CCD 0.5M pixelsShutter 100 HzLED light

Depth of field 5m

目指すところ

赤い線は常見が引いたもの

画像処理（パターン認識）の産業利用

• デジタルカメラの顔認識（笑顔認識も）• クルマの自動駐車機能• スキーヤー同士の衝突検知• 手書き文字認識• 指紋認識• バーコード、ケータイの QR コード

エマルジョン自動処理もいまの技術力ならできる

近くをみるとき遠くをみるとき

眼球の仕組み

Picture is cited from

Picture is cited from

Human brain

Picture is cited from

Human brain

Picture is cited from

■is related to the first stage of visual sense

茂木健一郎　著「ひらめき脳」より

パターンマッチこの形はなに？

1 番目の性質

地中海の形

1 番目の性質色の濃度にとらわれる

茂木健一郎　著「ひらめき脳」より

人が直列処理をするパターンマッチ２番目の性質同時に２つを認識できない

Mind hack より

http://www.ritsumei.ac.jp/~akitaoka/

• 1 枚の大きな写真を脳に送っているのではなく小領域の情報を脳で統合している。

３番目の性質

ヘビの孔器

パリティー 2007年 3月号

ヘビの孔器をシミュレート

元の画像 孔器で捉えているであろう理想的な画像

パリティー 2007年 3月号

ニューラルネットによるバーチャルレンズ

元画像

0.25% １ %

２ % ５ %

パリティー 2007年 3月号

Neural network Hough 変換テンプレートマッチ

General scan

Hough 変換 文字認識など

画像全体を一度にみる小領域での画像処）

小領域での画像認識

直線でなくて線分を認識したい

1 ）テンプレートマッチ２）ニューラルネット

小領域（いままでの例だと 32px*32px ）の領域。全体は、 512＊ 440 。

Recognize a line

• There is a vertex in a double hyper or single hypernuclear event

Recognize a line

Reconstruct a vertex

Identify a double hypernuclei NAGARA イベント

人工ニューラルネット（ ANN ）の種類

福岡大学　鶴田直之千葉大学　井宮　淳による分類

ニューロン（ ANN構成要素）

Picture is cited from

単層パーセプトロンｙ＝ｆ（ net ）ニューラルネットの出力

重みつき総和 net＝ w1x1+w2x2-θ

f(net)

net( 入力の重みつき総和 )００

１ （発火、興奮）

入力 x1 入力 x2

重み w1 重み w2

出力ｙ＝ｆ（ net ）

ニューラルネットによる記憶

入力A B 出力

１ １

１ ０

０ １

０ ０

１

０

０

０

AND の真理表

「入力 A 」と「入力 B 」から「出力」を得る

ニューラルネットによる記憶

入力A B 出力

１ １

１ ０

０ １

０ ０

１

１

１

０

OR の真理表

「入力 A 」と「入力 B 」から「出力」を得る

AND の場合入力

A B 出力

１ １

１ ０

０ １

０ ０

１

０

０

０

入力 x1 入力 x2

重み w1 重み w2

出力ｙ＝ｆ（ net ）

重み w1=0.8重み w2=1.2

入力 x1 入力 x2

重み 0.8 重み 1.2

出力ｙ＝ｆ（ net ）

ｙ＝ｆ（ net ）net＝ w1x1+w2x2-θ

θ=1.3 とする

net=0.8x1+1.2x2-1.3

入力x1 x2 net

１ １

１ ０

０ １

０ ０

0.7

-0.5

-0.1

-1.3

出力

１

０

0

０

f(net)

net( 入力の重みつき総和 )００

１ （発火、興奮）

OR の場合 入力A B 出力

１ １

１ ０

０ １

０ ０

１

１

１

０

入力 x1 入力 x2

重み w1 重み w2

出力ｙ＝ｆ（ net ）

重み w1=1.8重み w2=1.5

入力 x1 入力 x2

重み 1.8 重み 1.5

出力ｙ＝ｆ（ net ）

ｙ＝ｆ（ net ）net＝ w1x1+w2x2-θ

θ=1.3 とする

net= １ .8x1+1.5x2-1.3

入力x1 x2 net

１ １

１ ０

０ １

０ ０

2.0

1.8

1.5

-1.3

出力

１

1

1

０

f(net)

net( 入力の重みつき総和 )００

１ （発火、興奮）

図で考える　 AND の場合

x1

x2

0 1

1

沈静： 0

興奮：１

図で考える　 AND の場合

沈静： 0

興奮：１

x1

x2

0 1

1

直線（赤色で示す）によって、黒丸の領域と白丸の領域を分離可能

図で考える　 OR の場合

沈静： 0

興奮：１

x1

x2

0 1

1

直線（赤色で示す）によって、黒丸の領域と白丸の領域を分離可能

ニューラルネットによる記憶

入力A B 出力

１ １

１ ０

０ １

０ ０

0

１

１

０

XOR を覚える

「入力 A 」と「入力 B 」から「出力」を得る

図で考える　 XOR の場合

黒丸の領域と白丸の領域を直線で分離することができない。2層によるニューラルネットでは、 XOR を表現できないという問題がある。

沈静： 0

興奮：１

x1

x2

0 1

1

入力A B 出力

１ １

１ ０

０ １

０ ０

0

１

１

０

XOR 真理表

XOR は次元を増やすことが必要

次元増加に伴い、直線でなくて平面で区別

ニューラルネットの XOR問題人工ニューラルネットの歴史XOR を表現することができないという問題があった。3層の階層モデルと back propagation により学習可能ということがわかった。

入力層 隠れ層 出力層

1 　　　　　　　　 １　　　　０１　 ０　　　　１0 1 10 0 0

入力１　 入力２　 出力

目標とする出力

ニューラルネット

シグモイド関数

シナプスの「興奮」と「沈静」を表す

0.5

a

あと出てくるので X について微分すると

学習方法（ back propagation ）

入力層 隠れ層 出力層

I1

I2

H1

H2

Out

Outi = f(b1f(H1)+b2f(H2)) = f(b1f(a1f(I1)+a2f(I2))+b2f(a3f(I1)+a4f(I2)))

教師信号を Ti で表すと、教師信号と Out の差 L は、

最急降下法 ここまできたらあとはお決まりの方法

下記の関数を最小化する ai と bi をもとめるという問題

Ｘ

α は学習率。正の定数

Outi = f(b1f(H1)+b2f(H2)) = f(b1f(a1f(I1)+a2f(I2))+b2f(a3f(I1)+a4f(I2)))

微分もすでにわかっている

としているので、

Outi = f(b1f(H1)+b2f(H2)) = f(b1f(a1f(I1)+a2f(I2))+b2f(a3f(I1)+a4f(I2)))

も同様に計算できる。

Photo from CCD of the microscope

How our brain works?

440

pixe

l

512 pixel

line recognition with a neural networkon a computer

512 pixel

440

pixe

l

32 pixel

Neural network

14 line types

Scan a picture by32pixel * 32pixel region

1024

16

140 1 2 3 4

5 6 7 8 9

10 11

input

Neural network 　（ perceptron ）

Input layer 32*32 pixel=1024Hidden layer 16Output layer 14

Supervised learning （ Back Propagation method ）

12 13

Learning stage

1024

16

14

output

Neural network 　（ perceptron ）

Input layer 32*32 pixel=1024Hidden layer 16Output layer 14

Supervised learning （ Back Propagation method ）

0 1 2 3 4

5 6 7 8 9

10 11 12 13

image

32px

32px

output stage

x160 y360out: 0 1.4795e-005out: 1 2.75203e-007out: 2 0.000210363out: 3 0.00443625out: 4 0.0644443out: 5 0.267729out: 6 1.06818e-005out: 7 4.04745e-006out: 8 5.06837e-005out: 9 0.00151709out: 10 0.00128184out: 11 0.101609out: 12 0.000494124out: 13 0.00069409

x240 y120out: 0 8.49013e-005out: 1 8.02295e-008out: 2 0.000253557out: 3 0.00104015out: 4 0.00361907out: 5 0.00362555out: 6 0.00954602out: 7 8.22062e-005out: 8 2.11628e-005out: 9 0.325218out: 10 0.0111719out: 11 4.35869e-006out: 12 0.00043366out: 13 0.000240392

x376 y248out: 0 0.0592193out: 1 0.00778189out: 2 0.000285482out: 3 1.36718e-006out: 4 4.66565e-005out: 5 3.8341e-006out: 6 7.36192e-006out: 7 0.0271225out: 8 0.00216796out: 9 2.48886e-005out: 10 0.000181834out: 11 0.00517701out: 12 0.000111058out: 13 0.0130495

input

Pattern 5

Pattern 9

Pattern 0

1

23

45

6

7

89

10

11

1213

14

Result of pattern match

ANN による結果

simplify

Successive lines with same decline are to be a line.

Simplify the lines

Accumulated imageSimplified lines

Two lines in sequential photo

a simplified line

FPGA上でのニューラルネットを検討中

デジタル出力（ camera link ）搭載のカメラとFPGA上にニューラルネットを構築することも目指す。

現在、 cameralink搭載カメラの代わりに、パソコンと FPGA を USB でつないでテスト中。

FPGAブレッドボードALTERA 　Cyclone II

EZ-USB 　 FX2

LED

画像処理アルゴリズム１）人工ニューラルネットワーク（ ANN ）２） Hough 変換３）二値化４）テンプレートマッチ５）オープニング・クロージング６）境界認識７）凹凸認識８） convexity９）細線化１０）ガウスぼかし１１）ラベル・・・

我々が試した一部アルゴリズムを掲載。まだまだあります。「組み合わせ」や「順序」も大切

直線認識• 見つけたいイベントには、 Vertex が３つ存在す

る。

線分認識

Vertex の再構築

ダブルハイパー核の発見

NAGARA イベントVertex が３つある

General scan アルゴリズムの流れ

2値化

厚さ方向の各画面でのテンプレートマッ

チ

同一テンプレート一致の場所をラベル化

同一ラベルに属するpixel群を膨張後、収

縮

各ラベルグループで線分認識

頂点認識

同一ラベルに属するpixel群を細線化

７つの段階

小領域を scan

四角が縦 32px横 32px

scan した画像

しきい値により2値化。白か黒。

テンプレートマッチ

0 1 2 3 4

5 6 7 8 9

10 11 12 13

14種類のテンプレート

もっとも一致度の大きいテンプレートを選択

テンプレートマッチたとえば、 2値化したあとの画像同士を比べて、どれだけ一致しているのかということで、比較。テンプレート中に重要な部分があれば、重みをつける。

例（重みなし）テンプレート 入力画像

全ピクセルは５＊５ =25ピクセル。

23ピクセルで一致。

2値化したあとの画像同士を比べて、一致度を比較。テンプレート中に重要な部分があれば、重みをつける。

例 :　 テンプレート 入力画像 A

縦５ ×横５ =25ピクセル。（使用している大きさは 16×16=256 や 32×32=1024など）

一致度２３

テンプレートマッチ

重みなし

入力画像 B

一致度２４ 一致度２３

入力画像 C

重みテンプレート青に２ 一致度２８ 一致度２９ 一致度２７

テンプレートマッチの出力例ビームインターラクション

NAGARA イベント

議論・ NAGARA イベントを用いながら、パラメータを調整すると　バイアスがかかる可能性がある。・早くアルゴリズムを確立したい。

NAGARA イベントを用いて、 3次元用パラメータ調整

写真を重ねている

NAGARA イベント３ D 表示

x座標y座標

pixel から voxel 表示へ「 x座標・ｙ座標」と「ｚ座標」のスケールは異なる

ちなみに、 pixel は、 pictures cell の略。voxel は volume pixel の略。

NAGARA イベントの voxel 表示

各色（２次元での傾き）をグループにまとめる。細線化後に、大きく重なる線分を整理

例：青色のみ取り出す。拡張・収縮後、細線化※

隣接するピクセルをグループ化。端をつないで線分化

線分検出

※　例：細線化

注：ニアレストネイバー法で拡大112px

102p

x

線分検出の結果

赤色は、線分の端点

注：ニアレストネイバー法で拡大112px

102p

x

頂点検出の結果　成功！！　　同一ラベルグループに３頂点　　を認識

3頂点認識に成功

注：結果は数値で得られる。画像表示は手書き

同じラベルグループ（隣接する pixcel ）に3頂点あることを認識。

最初の general scan アルゴリズムを確立成功

（ NAGARA イベント認識可能）

efficiency１） Beam Interaction を利用する２）頂点は 1個３）３つの Beam Interaction ( 最終的には 100個取得） Beam interaction

結果１） 1頂点を２つ以上として認識する。　　　２） efficiency という意味では十分。ただし、 rejection を得るため、調整が必要。

3頂点 ４頂点 5頂点

3頂点

どうしてもノイズになる例100beam interaction の中の 1例

Z軸方向に 25 枚重ね合わせ厚さ 125μm に相当。

どうしてもノイズになる例100beam interaction の 中の 1例

目標：ダブルハイパー核の発見

プロセスの検証

１）人によるサンプル取得必要： Windows パソコンの簡単な操作。忍耐。将来の能力：簡単なパソコン操作能力。忍耐。

ハードウェア１）カメラ読み出し高速化　 20Hz必要：画像処理ハードウェアの理解、 C++ 、 C言語将来の能力：組み込み機器の制御。

２）カメラ読み出し超高速化。 1000Hz必要： FPGA運用。光学系設計。将来の能力：世界トップクラスの研究機器の独自開発。

３）カメラの改善。広視野化。必要：カメラ性能の把握。目的に応じたカタログからの機器の選択。将来の能力：市販品を組み合わせての機器能力向上。

４）画像輝度の安定化必要： C++ 、 OpenCV 、写真取得フローの理解。将来の能力：高度研究用機器の保守運用能力。

研究用ソフトウェア１）線分認識必要： C++ 、 OpenCV 、画像処理アルゴリズム将来の能力：ミッションに沿った独自の単体ソフトウェア制作能力。

２）図形の凹凸認識必要： C++ 、 OpenCV 、画像処理アルゴリズム構築将来の能力：ミッションに沿った独自の単体ソフトウェア制作能力。

３）隣接写真の接合必要： C++ 、 OpenCV 、画像処理アルゴリズム構築将来の能力：単体ソフトウェアの一部を制作する能力。

目標：ダブルハイパー核研究アウトリーチ

アウトリーチ用ソフトウェア

１） WEB 用画像生成必要： C++ 、 OpenCV 、簡単な画像処理アルゴリズム将来の能力：画像処理の基礎的運用

２） WEB上でのスクリプト必要： Web2.0 、 Javascript 、 Ajax 、 HTML 、 CSS将来の能力：高度な WEB サイト制作。動的WEB サイト。

３） HTML による解説必要： HTML の基礎、 CSS将来の能力：静的な WEB サイト制作

その他１）小冊子の改訂必要：ちょっとしたアートデザイン能力、 Adobe Illustrator 。将来の能力： DTP デザイン。

２）出前授業（講師、 TA 、教材づくり）必要：ハイパー核物理の基本理解。口頭および文章でのコミュニケーション能力。将来の能力：学校教員。サイエンスコミュニケーター。

３）ハイパー核紹介ビデオ作成必要：デジタルカメラやビデオカメラ運用。映像処理。After Effects や Adobe Premiere など。ストーリー制作。将来の能力：映像作家。シナリオライター。 VFX 。デザイナー。

京都大学理学研究科の取り組み

大学院生のための教育実践講座（ Advanced ）の修了証ももらいました。昨日。

Summary

１）ハイパー核はおもしろい。２）画像処理もおもしろい。３）パラメータの詳細な調整が必要。※アウトリーチもやってます。