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

Temimi, Mehdi (2020). 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. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

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.

Titre traduit

Creation of a dataset of granular materials with the Unity game engine and prediction of particle size distribution using textural parameters and artificial neural networks

Résumé traduit

Image analysis techniques can be used to determine the particle size distribution of granular materials from images. The most recent methods for grain size analyses using image analysis techniques use textural parameters as inputs for artificial neural networks. The performance of these methods depends in part on the quality and quantity of the images used for training the neural networks. There is currently a significant gap in the available datasets in the literature.

The first objective of this thesis is to create a database of realistic images of granular materials with the Unity game engine. The images were created so that the particles have different shapes and sizes. These images had to respect a series of imposed particle size distributions, and had to appear as natural as possible. A total of 3003 images were prepared with particle sizes ranging from 75 to 1180 μm.

The second objective of this thesis is to verify the influence of the dataset on particle size predictions using textural parameters. To do so, two additional databases were prepared: Yade and Unity+Yade. The Yade database includes 3003 randomly selected images from the Pirnia et al. (2018) database. The images in this database show spherical particles created using the discrete element method. The Unity+Yade database combines the Yade and Unity images for a total of 6006 images. The images of the three databases have the same size, scale, and particle mass.

Three sets of textural parameters were extracted from each image: the mean and standard deviation of local entropy, the mean and standard deviation of Haar wavelet transforms, and Haralick textures. These characteristics were used as inputs for neural networks. The networks were trained to predict the percentage passing for sieves of 106, 150, 250, 425, and 710 μm. The neural network performance was evaluated with the root mean square error (RMSE) of the percentage passing.

For the three sets of textural parameters, the mean RMSE is 7.0% for the Yade images, 8.4% for the Unity images and 8.5% for the Unity+Yade dataset. For the three datasets, local entropy performed better (7.3%) than Haar wavelet transforms (7.9%) and Haralick textures (8.7%). These results are slightly worse than those of Manashti et al. (2020) who worked with 53130 Yade images and obtained an RMSE between 5.6% and 7.0% for the same three textural parameters.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie de la construction". Comprend des références bibliographiques (pages 129-134).
Mots-clés libres:	granulométrie par analyse d’images, Unity, réseau de neurones artificiels, matériaux granulaires, images de matériaux granulaires
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duhaime, François
Codirecteur:	Codirecteur Toews, Matthew
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	07 sept. 2021 17:23
Dernière modification:	07 sept. 2021 17:23
URI:	https://espace.etsmtl.ca/id/eprint/2681

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt