L'analyse granulométrique optique couplée à l'apprentissage profond propose une alternative rapide au tamisage mécanique traditionnel pour la caractérisation des sols. Ce mémoire présente le développement d'une base de données ouverte, nommée Photogranulometry, comprenant 12 714 images à haute résolution de 316 échantillons de sols annotés avec leurs courbes de distribution granulométrique en laboratoire. Afin de traiter cette haute dimensionnalité visuelle sous une supervision faible, une architecture basée sur l'apprentissage par instances multiples avec mécanisme d'attention (ABMIL) et un extracteur de caractéristiques DINOv2 est introduite. Cette méthode analyse les photographies sous forme de tuiles regroupées pour prédire la courbe granulométrique globale sans segmentation explicite. Le modèle atteint une erreur absolue moyenne pondérée médiane de 4,06 %. L'étude démontre la viabilité de l'approche sur des échantillons humides, ce qui élimine l'étape de séchage en laboratoire et permet une analyse géotechnique in situ.
| Date | 31 juil. 2026 |
|---|
| langue originale | Français |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | François Duhaime (Directeur(-trice)) & Jean-Sébastien Dubé (Codirecteur(-trice)) |
|---|
- vision par ordinateur
- apprentissage profond
- granulométrie optique
- géotechnique
- apprentissage par instances multiples
- distribution granulométrique
Plante St-Cyr, T. (Auteur(e)),
Duhaime (Directeur(-trice)) &
Dubé (Codirecteur(-trice)),
31 juil. 2026Thèses et mémoires: Mémoire de maîtrise › Maîtrise en ingénierie: Génie de la construction