Création d’images de matériaux granulaires avec la plateforme de développement de jeux Unity et prédiction de la granulométrie à l’aide de textures et de réseaux de neurones

Résumé

Les techniques d’analyse d’images peuvent être utilisées pour déterminer la granulométrie des matériaux granulaires à partir d’images. Les méthodes de granulométrie par techniques d’analyse d’images les plus récentes utilisent des paramètres texturaux comme intrants pour des réseaux de neurones artificiels. La performance de ces méthodes dépend en partie de la qualité et de la quantité des images utilisées pour l’apprentissage. En parcourant la littérature, on constate un manque important dans les jeux de données disponibles. Le premier objectif de ce mémoire est de créer une base de données d’images réalistes de matériaux granulaires avec la plateforme de création de jeux Unity. Les images ont été créées de façon à ce que les particules aient des formes et des tailles différentes, qu’elles respectent une série de granulométries imposées et qu’elles apparaissent le plus naturel possible. Au total, 3003 images avec des particules dont la taille varie entre 75 et 1180 μm ont été préparées. Le deuxième objectif du mémoire est de vérifier l’influence de la base de données utilisée sur les méthodes de prédiction en se basant sur des paramètres texturaux. Pour ce faire, deux bases de données supplémentaires ont été préparées : Yade, logiciel d’éléments discrets, et Unity+Yade. Celle de Yade comprend 3003 images choisies au hasard dans la base de données de Pirnia, Duhaime, & Manashti (2018) dont les particules sont sphériques. La base de données Unity+Yade combine les images de Yade et Unity pour un total de 6006 images. Les images des trois bases de données ont la même taille, la même échelle et la même masse de particules. Trois séries de paramètres texturaux ont été extraits de chaque image : la moyenne et l’écart type de l’entropie locale, la moyenne et l’écart type des transformées par ondelettes de Haar et les textures d’Haralick. Ces caractéristiques ont été utilisées comme intrants pour des réseaux de neurones. Les réseaux ont été entrainés pour prédire le pourcentage passant pour les tamis de 106, 150, 250, 425 et 710 μm. Les performances des réseaux de neurones ont été évaluées avec la racine carrée de l’erreur quadratique moyenne (RMSE) pour les pourcentages passants. Pour les trois types de paramètres texturaux, le RMSE moyen est de 7,0% pour les images de Yade, 8,4% pour les images de Unity et 8,5 % pour Unity+Yade. Pour les trois jeux de données, l’entropie locale a donné de meilleurs résultats (7,3%) que l’ondelette de Haar (7,9%) et les textures d’Haralick (8,7%). Ces résultats sont légèrement moins bons que ceux de Manashti, Duhaime, Toews, & Pirnia (2020) qui pour les mêmes caractéristiques ont travaillé sur 53130 images de Yade et obtenu un RMSE entre 5,6% et 7,0% pour les trois mêmes méthodes.

Date	4 déc. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	François Duhaime (Directeur(-trice)) & Matthew Toews (Codirecteur(-trice))