La détermination de la distribution granulométrique (PSD) est un test clé en génie civil et géotechnique. Le tamisage est la méthode standard. On utilise cette méthode des milliers de fois par jour dans le monde entier. Le tamisage prend du temps. Il est bruyant et produit de la poussière. Il consomme également de l'eau et peut potentiellement être influencé par les erreurs des opérateurs. Le dimensionnement des particules par techniques d’analyse d’images est de plus en plus courant. La plupart des méthodes commerciales sont basées sur la segmentation d'images. La PSD est déterminée sur la base de la distribution de taille des zones segmentées. Cette thèse est centrée sur le développement de nouvelles méthodes basées sur les textures et les réseaux de neurones. Elle présente une étude comparative des performances des méthodes traditionnelles d'extraction de caractéristiques et des réseaux de neurones convolutifs (ConvNet). Deux jeux de données ont été utilisés : un jeu de données synthétique contenant 53103 paires d'images synthétiques produites avec le code d'éléments discrets YADE, et un jeu de données réel contenant 9600 photographies de 15 matériaux.
Le projet comportait trois volets principaux. Dans la première partie, neuf techniques traditionnelles d'extraction de caractéristiques ont été évaluées avec le jeu de données synthétiques. Les caractéristiques comprenaient celles de Haralick, l’histogramme de gradients orientés, l’entropie locale, les motifs binaires locaux et les paramètres dérivés, la transformée rapide de Fourier, les filtres de Gabor et la transformée en ondelettes discrète de Haar. Dans la deuxième partie, le modèle ConvNet PSDNet a été développé, affiné et testé sur le même jeu de données synthétiques. Des ConvNets pré-entraînés ont également été évalués pour l'extraction de caractéristiques et l'apprentissage par transfert. Les ConvNet pré-entraînés qui ont été testés dans cette recherche comprennent AlexNet (Krizhevsky, Sutskever, and Hinton, 2012), SqueezeNet (Iandola et al., 2016) , GoogLeNet (Szegedy et al., 2015), InceptionV3 (Szegedy, Vanhoucke, Ioffe, Shlens, and Wojna, 2016), DenseNet201 (Huang, Liu, Van Der Maaten, and Weinberger, 2017), MobileNetV2 (Sandler, Howard, Zhu, Zhmoginov, and Chen, 2018), ResNet18 (Wu, Zhong, and Liu, 2018), ResNet50 (He, Zhang, Ren, and Sun, 2016), ResNet101 (He et al., 2016), Xception (Chollet, 2016), InceptionResNetV2 (Ioffe and Szegedy, 2015; Szegedy, Ioffe, Vanhoucke, and Alemi, 2016), ShuffleNet (Zhang, Zhou, Lin, and Sun, 2017), and NasNetMobile (Zoph, Vasudevan, Shlens, and Le, 2018). Dans la troisième partie, les extracteurs de caractéristiques traditionnels, PSDNet et les ConvNet préentraînés ont été évalués avec les photographies réelles de deux manières. D'abord, le jeu de données a été divisé en sous-ensembles de données réguliers d’entrainement de validation et de test. Deuxièmement, un matériau a été retiré du jeu de données pendant l’entrainement et la validation pour vérifier la capacité des ConvNet à prédire la PSD de matériaux que le réseau n'a jamais vu. Le matériau qui a été retiré a été utilisé comme jeu de données test.
Nos résultats montrent que chacune des techniques comparées peut conduire à de bonnes prédictions de la PSD, autant pour les jeux de données réels que synthétiques. Pour le jeu de données synthétiques, la valeur de la racine carrée de l’erreur quadratique moyenne (RMSE) sur les pourcentages passants est de 3,4 % lors de l'utilisation d'une sélection des 618 meilleures caractéristiques traditionnelles comme entrée pour un réseau de neurones artificiels. La meilleure version de PSDNet a produit une valeur de RMSE sur les pourcentages passants de 2,8%. InceptionResNetV2 et DenseNet201 ont donné les meilleurs résultats pour l'extraction de caractéristiques et l'apprentissage par transfert, respectivement, avec des RMSE de 3,6 %. Pour les photographies, PSDNet a atteint des RMSE sur les pourcentages passants de 3,7 et 5,5 % pour les images en couleur et en tons de gris, respectivement. Les meilleures performances pour l'apprentissage par transfert et l'extraction de caractéristiques des modèles pré-entraînés ont été obtenues pour NasNetLarge et ResNet101 avec un RMSE de 4,3 et 4,0%, respectivement. Les meilleurs résultats ont été obtenus en utilisant InceptionResNetV2 comme méthode d'extraction de caractéristiques basée sur l'apprentissage par transfert, avec une valeur RMSE de 1,7 %. De plus, des résultats similaires ont été obtenus en utilisant toutes les caractéristiques extraites de gris et de couleur PSDNet composées de 1000 composants, avec un RMSE de 1,8 %.
Des résultats significativement meilleurs ont été obtenus avec PSDNet lors de l'utilisation d'images en couleur au lieu d'images en tons de gris. De meilleurs résultats ont également été obtenus pour les particules fines, en particulier pour les techniques traditionnelles d'extraction de caractéristiques. Une combinaison d’images capturées du haut et du bas donne de meilleurs résultats pour la prédiction de la PSD en comparaison avec l’utilisation de la vue de dessus seule. Pour les photographies, de bons résultats ont été obtenus dans le test de retrait de matériau avec une valeur minimum de RMSE de 1,5%. Des valeurs de RMSE beaucoup plus élevées (> 31,8 %) ont été obtenues pour les deux PSD extrêmes (matériaux le plus grossier et le plus fin). Ce résultat met en évidence le fait que les méthodes qui ont été comparées dans cette thèse ne peuvent pas être utilisées pour extrapoler en dehors de la plage PSD utilisée dans le jeu de données d'apprentissage.
Cette étude est la première à introduire l’utilisation de ConvNet pré-entraînés pour la prédiction de la PSD par l'extraction de caractéristiques et l'apprentissage par transfert. L'entraînement avec un jeu de données réel est une différence clé entre la détermination de la PSD avec des réseaux de neurones et les méthodes classiques de traitement d'images. L'apprentissage permet de prendre en compte implicitement les particules cachées. Les logiciels commerciaux basés sur la segmentation des particules doivent tenir compte explicitement de ces particules cachées à l'aide de méthodes statistiques. La capacité d'apprentissage des ConvNet permet également d'améliorer le modèle pendant son fonctionnement grâce à l'extension du jeu de données. Le jeu de données synthétiques utilisé dans cet article est considéré comme un moyen prometteur de créer de grands jeux de données comprenant à la fois des photographies réelles et des images de synthèse.
| Date | 24 mai 2022 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | François Duhaime (Directeur(-trice)) |
|---|