Développement d’approches basées sur les réseaux de neurones convolutifs (CNN) pour prédire la granulométrie des sols à partir d’images synthétiques, de laboratoire et de terrain

Simo Tenekam, Harold (2026). Développement d’approches basées sur les réseaux de neurones convolutifs (CNN) pour prédire la granulométrie des sols à partir d’images synthétiques, de laboratoire et de terrain. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (95MB) | Prévisualisation

Résumé

L’analyse granulométrique est l’un des essais les plus demandés dans les laboratoires d’analyse géotechnique. Cet essai permet de déterminer la distribution des tailles de particules d’un sol (granulométrie). Traditionnellement, le tamisage et la sédimentométrie sont respectivement utilisés pour l’analyse granulométrique des sols granulaires et des sols fins. Bien que fiables, ces techniques présentent l’inconvénient d’être chronophages. Les outils d’analyse d’image existants comme Wipfrag réduisent ce temps d’analyse. Néanmoins, ils sont limités aux particules de grande taille et utilisent des approches de segmentation sensibles à la résolution des images.

Cette thèse propose une approche fondée sur l’apprentissage profond pour estimer la granulométrie à partir de photographies afin de surmonter les limites des méthodes traditionnelles et des logiciels d’analyse d’image actuels. À cette fin, un jeu de données d’images synthétiques et segmentées a été généré à l’aide du moteur Unity game engine afin de reproduire des textures de sol réalistes. L’entropie conditionnelle ainsi qu’un modèle de segmentation d’objets (GrainSegNet) ont été utilisés pour évaluer leur réalisme visuel. Par la suite, un réseau de neurones convolutionnels (GrainSizeNet) a été développé pour analyser l’influence des types d’images d’entrée (vues dessus/dessous, avec ou sans segmentation) ainsi que l’apport des images synthétiques générées comparativement aux méthodes traditionnelles d’augmentation de données. Enfin, GrainSizeNet a été adapté à l’analyse des photographies de cuillères fendues (CF) prélevées lors de l’essai de pénétration standard afin de distinguer cinq catégories de sols du système USCS (Unified Soil Classification System) et de prédire la proportion massique de particules fines (diamètre inférieur à 0,075 mm), en comparant l’apprentissage direct et hiérarchique.

L’entropie conditionnelle révèle une similarité entre les images synthétiques et réelles, et l’évaluation de GrainSegNet sur des images réelles montre des performances satisfaisantes sur des photographies de laboratoire (IoU moyen de 0,60). En revanche, elles diminuent dans des contextes plus complexes (IoU moyen de 0,26), notamment pour les matériaux à forte densité de particules ou plus fins. Ces résultats soulignent la pertinence des images synthétiques tout en montrant la nécessité d’adaptations supplémentaires pour des environnements très différents de ceux simulés.

Les variantes de GrainSizeNet, évaluées avec différentes configurations de données d’entrée, présentent des performances similaires, avec des MAE (Mean Absolute Error) de 2,90% à 3,66% calculées sur les pourcentages massiques retenus aux 11 tamis de contrôle de la norme BNQ 2501-025, indiquant qu’une seule image du dessus suffit pour assurer une estimation fiable de la granulométrie. Par ailleurs, l’intégration d’images synthétiques améliore la généralisation du modèle : la MAE a été réduite de 11,54 % (jeu de données composé uniquement d’images réelles) à 6,19 %.

Appliqué aux données de terrain, le modèle obtient des résultats prometteurs. Les stratégies hiérarchiques offrent les meilleures performances pour la classification (précision = 69 %) et pour l’estimation de la proportion de fines (MAE = 15,3 %). Malgré ces résultats encourageants, GrainSizeNet demeure dépendant de la quantité et la qualité des données disponibles pour son entraînement. En outre, ses performances s’améliorent à mesure qu’il est alimenté par des ensembles de données plus volumineux et diversifiés.

Titre traduit

Development of convolutional neural network (CNN)-based approaches for predicting soil particle size distribution from synthetic, laboratory, and field images

Résumé traduit

Particle size analysis is one of the most frequently requested tests in geotechnical analysis laboratories. This test determines the distribution of particle sizes in a soil (particle size distribution). Traditionally, sieving and sedimentometry are used for particle size analysis of granular soils and fine soils, respectively. Although reliable, these techniques have the disadvantage of being time-consuming. Existing image analysis tools such as Wipfrag reduce this analysis time. However, they are limited to large particles and use segmentation approaches that are sensitive to image resolution.

This thesis proposes a deep learning-based approach to estimating particle size from photographs in order to overcome the limitations of traditional methods and current image analysis software. To this end, a dataset of synthetic, segmented images was generated using the Unity game engine to reproduce realistic soil textures. Conditional entropy and an object segmentation model (GrainSegNet) were used to evaluate their visual realism. Subsequently, a convolutional neural network (GrainSizeNet) was developed to analyze the influence of input image types (top/bottom views, with or without segmentation) and the contribution of the generated synthetic images compared to traditional data augmentation methods. Finally, GrainSizeNet was adapted to analyze photographs of split spoon samples (SS) taken during the standard penetration test in order to distinguish five soil categories from the USCS (Unified Soil Classification System) and predict the mass fraction of fine particles (diameter less than 0.075 mm) by comparing direct and hierarchical learning.

Conditional entropy reveals a similarity between synthetic and real images, and GrainSegNet's evaluation on real images highlighting satisfactory performance on laboratory photographs (average IoU of 0.60). However, performance decreases in more complex contexts (average IoU of 0.26), particularly for materials with high particle density or finer particles. These results highlight the relevance of synthetic images while showing the need for further adaptations for environments that are very different from those simulated.

The GrainSizeNet variants, evaluated with different input data configurations, show similar performance, with Mean Absolute Errors (MAE) ranging from 2.90% to 3.66% calculated on the mass percentages retained on the 11 control sieves of the BNQ 2501-025 standard, indicating that a single top view image is sufficient to ensure a reliable estimate of particle size distribution. Furthermore, the integration of synthetic images improves the generalization of the model: the MAE was reduced from 11.54% (dataset composed solely of real images) to 6.19%.

When applied to field data, the model produces promising results. Hierarchical strategies offer the best performance for classification (precision = 69%) and for estimating the proportion of fines (MAE = 15.3%). Despite these encouraging results, GrainSizeNet remains dependent on the quantity and quality of the data available for training. Furthermore, its performance improves as it is fed with larger and more diverse datasets.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présentée à l'École de technologie supérieure comme exigence partielle à l'obtention du doctorat en génie". Comprend des références bibliographiques (pages 137-153).
Mots-clés libres:	analyse granulométrique, cuillère fendue, GrainSizeNet, images synthétiques, réseaux de neurones convolutionnels, segmentation, Unity game engine, USCS
Directeur de mémoire/thèse:	Directeur(-trice) Duhaime, François
Codirecteur:	Codirecteur(-trice) de mémoire/thèse Dubé, Jean-Sébastien Toews, Matthew
Programme:	Doctorat en génie > Génie
Date de dépôt:	14 juill. 2026 13:27
Dernière modification:	14 juill. 2026 13:27
URI:	https://espace.etsmtl.ca/id/eprint/3947

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt