物体検出モデルの性能を左右する重要な要素として、候補領域と教師データとの空間的位置合わせを評価するIoU（Intersection-over-Union）が広く使用されています。しかし本研究では、IoU応答曲線に非感度領域が存在することを理論的に明らかにしました。この領域では、幾何学的重なりが大きく異なるにもかかわらず、ほぼ同じIoUスコアが得られてしまうという問題があります。 この限界を克服するため、研究チームは面積、形状、アスペクト比を含む複数の形態学的類似度指標を導入しました。これらの多次元的な類似度を平均ベースの集約により統合した補助マッチングスコアにより、構造的な対応を表現する際のIoUの内在的な制限を補完します。理論的には、形態学的類似度を組み込むことで、マッチング関数の応答分布が再形成され、効果的な勾配方向と多角形のような等応答曲線が得られます。これにより各教師データインスタンス周辺の高応答領域が厳密に限定され、正サンプル選択の精度が大幅に向上します。 YOLOv9フレームワークに基づいた実験では、NEUDETおよびGC10-DETの両データセットで一貫した性能向上が確認されました。提案手法は完全にプラグアンドプレイ方式であり、推論時間的オーバーヘッドがゼロであるため、産業用画像検査システムへの実装効率が損なわれません。この手法により、表面欠陥検出の精度と信頼性が向上し、実用的な価値が期待できます。