République Tunisienne Cycle de Formation d’Ingénieurs

Ministère de l’Enseignement Supérieur dans la Discipline

et de la Recherche Scientifique Génie géoressources et
Université de Sfax environnement
École Nationale d’Ingénieurs de Sfax ST-EN07/00
Projet de Fin d’Etudes
N° d’ordre : 2022/DGENV-003

MEMOIRE
Présenté à

L’Ecole Nationale d’Ingénieurs de Sfax

(Département de Génie géologique)

En vue de l’obtention

Du Diplôme National d’Ingénieur en Génie géoressources et environnement

Par

Ilhem Msehli

Application des techniques de

traitement d’images pour l’analyse
granulométrique des sols : utilisation
d’entropie et de réseau de neurones

Soutenu le 15 décembre 2022, devant la commission d’examen :

M. Mongi FELHI Président

M. Houcem TRABLESI Rapporteur
M. Amjad KALLEL Encadreur académique
M. François DUHAIME Encadreur (ÉTS)
 Remerciements

En guise de reconnaissance, je veux remercier toutes les personnes qui, par leurs conseils, leur
collaboration ou leur soutien moral et leur amitié, ont contribué à la réalisation et à
l'achèvement de ce travail.

J’exprime mes vifs remerciements à Monsieur Amjad Kallel, pour ses remarques et
suggestions sans lesquelles ce travail n'aurait pas lieu, sans oublier son apport pédagogique
pendant les cours à l’école nationale d’ingénieure de Sfax. Vos encouragements inlassables,
votre amabilité, votre gentillesse méritent toute admiration. Je saisie cette occasion pour vous
exprimer ma profonde gratitude tout en vous témoignant mes respects.

J’exprime mes profonds respects et toutes mes gratitudes à Monsieur François Duhaime, de
m'avoir suivi durant ce stage. Veuillez trouver ici l’expression de mes respectueuses
considérations et mes profondes admirations pour toutes vos qualités scientifiques et
humaines.

J’adresse également mes remerciements à tous mes collègues du laboratoire LG2 dans le
département génie de la construction à l’ETS : Traoré Mohamadou, Harold Simo Tenekam,
Dol Mathilde, Sona Mirela, Bouin Céline, El Mekari, Khalil d’avoir répondu présent à plein
temps. Je tiens à souligner la disponibilité et la rigueur des techniciens du département de
génie de la construction et notamment celui qui m’a pris en charge Vadeboncoeur Alexis.
 Dédicace
Je dédie cet humble et modeste travail avec un grand amour, sincérité et fierté

A mes très chers parents : Ma mère Monia et mon père Mohamed

Aucun hommage ne pourrait être à la hauteur de l'amour dont vous ne cessez de

me combler. Vous êtes ma raison de vivre et ma source de force, c’est grâce à
votre présence à mes côtés que j’ai toujours réussie à affronter les différents
obstacles. Vos sacrifices et votre soutien ont fait de moi ce que je suis aujourd’hui.
Que Dieu vous protège de tout mal et vous accorde santé, bonheur et quiétude de
l’esprit.

A mes chers frères Hamdi et Iheb, mes chères sœurs Ameni et Cheyenne, mon neveu
Rayan et ma nièce Lina
Avec autant de chance, je ne peux que remercier Dieu de m’avoir offert les plus
adorables personnes dans ma vie. Je vous souhaite la santé
et le succès. Que ce travail soit l’expression de mon grand
Amour et de mon attachement.
Je vous aime mes rayons de soleil.

A ma chère tante et mes chers oncles

Merci pour votre présence toujours à mes côtés et votre soutien moral. Je vous
aime.

A tous mes amis qui sont avec moi jusqu’aujourd’hui

Merci beaucoup mes chers pour tout. Vous êtes les meilleurs !

A tous ceux que j’aime et qu’ils m’aiment

Que dieu vous garde et vous protège.

Que ce travail soit l’expression, de mon grand attachement et ma gratitude. Je

vous exprime toute ma reconnaissance. Tous ceux qui me sont chers ; Merci
énormément.

Sincèrement

Ilhem
 Table des matières

Introduction ............................................................................................................................................................. 1
Chapitre 1 : Revue de littérature et généralités ....................................................................................................... 3
1.1. La courbe granulométrique et son importance en géotechnique .............................................................. 3
1.2. Méthodes pour déterminer la courbe granulométrique ............................................................................ 4
1.3. Importance de granulométrie par technique d’analyse d’image ................................................................ 5
1.3.1. Approche déterministe ........................................................................................................................ 6
1.3.2. Approche statistique ......................................................................................................................... 10
1.3.3. Les bases de données pour granulométrie par technique d’analyse d’images ................................. 13
1.4. Réseaux de neurones et intelligence artificielle ........................................................................................ 14
1.4.1. Définition d’un neurone artificiel (formel) ............................................................................................. 14
1.4.2. Fonction d’activation ......................................................................................................................... 15
1.4.3. Retro-propagation ............................................................................................................................. 16
1.4.4. Les types des réseaux de neurones ................................................................................................... 17
1.4.5. Utilisation de réseau de neurones dans le domaine de géotechnique ............................................. 19
Chapitre 2 : Matériels et méthodes ........................................................................................................................ 22
2.1. Préparation et Séparation des échantillons ............................................................................................. 22
2.2 Analyse granulométrique par tamisage ..................................................................................................... 25
2.3. Montage expérimental et base de données ............................................................................................. 29
2.4. Traitement des images et extraction des caractéristiques ....................................................................... 33
2.4.1. Traitement des images ...................................................................................................................... 33
2.4.2. Entropie locale ................................................................................................................................... 37
2.5. Création de Réseau de neurones .............................................................................................................. 38
Chapitre 3 : Résultats et discussion ....................................................................................................................... 44
3.1. Résultats et discussion ............................................................................................................................... 44
3.1.1. Cartes d’entropie locale ..................................................................................................................... 44
3.1.2. Les données pour l’entraînement, la validation et le test de Modèle ................................................. 47
3.1.3. Prédiction de pourcentages de passants à partir de réseau de neurones ............................................. 53
Conclusion ............................................................................................................................................................ 56
Recommandations ................................................................................................................................................. 57

i
 Table des figures

Figure 1. Gamme de tailles de particules pour les différentes méthodes d'analyse granulométrique............. 5
Figure 2. exemple d’une image subit les opérations morphologiques , a) image originale , b) image erodée
, c)image dilatée (Outal,2006) ......................................................................................................................... 6
Figure 3. Exemple de résultats avec WipFrag : Vue du filet, des contours, de l'histogramme et de la
courbe de taille cumulative d'un bloc fragmenté au niveau du banc des morts-terrains mous du projet
Kusmunda (Singh et al. 2016) ......................................................................................................................... 8
Figure 4. Diagramme illustre les étapes de détermination de PSD avec WipFrag ........................................ 8
Figure 5. a) image originale, b) résultats traitement de 2D d’image, c) application d’ouverture sur l’image
binaire : les zones blanches sont les surfaces passantes ................................................................................. 9
Figure 6. a) 4 voisinages, b) 8 voisinages ou 3x3 voisinages, c) 5x5 voisinages (Temimi ,2020) ............... 11
Figure 7. Analogie entre le neurone biologique et le neurone formel (Zemouria et al.,2019) ..................... 14
Figure 8. Illustration de modèle d’un neurone artificiel (Djeriri,2017)..................................................... 15
Figure 9. Architecture de réseau de neurones classique (Neural architecture Aspexit, 2019) ..................... 17
Figure 10. Architecture de réseau de neurones récurrents (Kriger,2007) ..................................................... 18
Figure 11. Architecture classique d'un réseau de neurones convolutifs (Blanc Durand ,2018) ................... 18
Figure 12. Réseau de neurones artificiels pour prédire le pourcentage de passant pour une série de tamis
(Manashti et al, 2020).................................................................................................................................... 19
Figure 13. Paniers de matériau granulaire dans l’étuve................................................................................ 22
Figure 14. Illustration de tamisage de matériau par un tamis 10 mm........................................................... 22
Figure 15.les diagrammes de séparation des 4 échantillons en 64 sous échantillons avec les quatre
méthodes utilisées ......................................................................................................................................... 22
Figure 16.illustration d’échantillonnage par pile unidimensionnelle ........................................................... 23
Figure 17.illustration d’échantillonnage par mini pile ................................................................................. 24
Figure 18.illustration de l’échantillonnage par quartage .............................................................................. 24
Figure 19. Illustration de l'échantillonnage par pelletage fractionné ............................................................ 25
Figure 20. Organigramme de tamisage composite ....................................................................................... 27
Figure 21. Schéma de tamisage à une seule série de tamis .......................................................................... 28
Figure 22. Photo des séries des tamis utilisées pour tamisage des échantillons ........................................... 29
Figure 23. Représentation de montage ....................................................................................................... 30
Figure 24. Photos de trois conteneurs........................................................................................................... 31
Figure 25. Exemple de photographie : a) du dessus, b) du dessous ............................................................. 32
Figure 26. Les quatre photographies de premier échantillon issu de pelletage fractionné ........................... 32
Figure 27. Photographie avec échelle ........................................................................................................... 33
Figure 28. Conversion d’image en niveaux de gris : a) image réelle, b) image en niveaux de gris............. 34
Figure 29. Code MATLAB pour traitement d’images et calcul d’entropie .................................................. 35
Figure 30. Exemple des disques (filtres) utilisés (r = 1, r= 2, r = 4 et r = 6) (Manshati, 2020). ................. 37
Figure 31. Architecture de réseau de neurones MATLAB ........................................................................... 40
Figure 32.code MATLAB d’entrainement, de validation et de test de réseau de neurones ......................... 42
Figure 33.Carte entropie avec disque (r=1pixels) ........................................................................................ 45
Figure 34.Carte entropie avec disque (r=15 pixels) ..................................................................................... 45
Figure 35. Script python de carte entropie (r=1) ......................................................................................... 46
Figure 36. Script python de carte entropie (r=15) ....................................................................................... 46

ii
Figure 37. Courbes granulométriques de 16 échantillons issus de quartage............................................... 47
Figure 38. Courbes granulométriques de 16 échantillons issus de pelletage fractionné ............................. 48
Figure 39. Courbes granulométriques de 16 échantillons issus de pile unidimensionnelle ......................... 48
Figure 40. Courbes granulométriques de 16 échantillons issus de mini pile ............................................... 49
Figure 41. Les courbes granulométriques des 64 échantillons (base de données DIlhem) ............................. 49
Figure 42. Les deux fuseaux granulométriques de données de Géo Niagara et données de DIlhem ............. 50
Figure 43. les deux fuseaux granulométriques de données d’entrainement , de validation et de test de
ANN_ilhem .................................................................................................................................................... 51
Figure 44. Résultats de prédiction de granulométrie par ANN_ilhem : pour les tamis 4.75 mm, 2 mm, 0.85
mm ,0.425 mm et 0.25mm l’ensemble des tamis pour les images (Dilhem) ..................................................... 53

iii
 Liste des tableaux

Tableau 1. Classes de sol avec les tamis correspondants ............................................................................... 4

Tableau 2 .Valeurs du RMSE pour l’ensemble des tamis utilisées par Temimi (2020)............................... 12
Tableau 3. Bases de données qui sont utilisées dans la littérature pour analyse granulométrique par analyse
d’images ........................................................................................................................................................ 13
Tableau 4. Type de tamisage en fonction de classe des particules ............................................................... 26
Tableau 5. Dimension des images des bases de données ............................................................................. 36
Tableau 6.taille des mailles des tamis après changement d’échelle ............................................................ 36
Tableau 7. Bases de données pour l’entrainement, la validation et le test de réseau de neurones ............... 39
Tableau 8. Paramètres de réseau de neurones implantée sur MATLAB ...................................................... 43
Tableau 9.Résultats de calcul de moyenne d’entropie locale pour les 9 filtres utilisées ............................. 52
Tableau 10. Résultats de calcul de l’écart type d’entropie locale pour les 9 filtres utilisées ...................... 52
Tableau 11. Résultats de RMSE de trois réseaux de neurones (Duhaime et al,2021) et ANN_ilhem ......... 54

iv
 Liste des unités de mesure et d’abréviation

ANN : artificial neural network

ANN_ilhem : artificial neural network ilhem

D1 : base de données des photographies réelles

D2 : base de données des images synthétiques générées par YADE

D3 : base de données des images synthétiques générées par YADE

D4 : base de données des photographies réelles de Ilhem

2 D : bidimensionnelle

3 D : tridimensionnelle

E : échantillon

μm : micromètre

mm : millimètre

in : Inches

H (X) : Entropie du voisinage X

GLCM : Gray-Level Cooccurence Matrix

RMSE : Erreur moyenne quadratique

PSD : distribution de taille des particules

Projet Géo Niagara : données d’article Duhaime et al (2021)

v
 Introduction

La granulométrie a pour but de déterminer la distribution de taille des particules dans un

matériau. Les classes de particules avec leurs pourcentages de passants seront représentées par
une courbe granulométrique (FOURNIER et BONNOT-COURTOIS, 2012).

En effet, la distribution granulométrique des matériaux a un rôle capital dans les domaines
de géotechnique et géo-environnement comme la classification et l’identification des sols, la
préparation des mélanges de béton et la construction des barrages en terre (Hryciw, Ohm et
Zhou., 2013).

En outre, on peut déterminer la distribution de taille des particules par plusieurs méthodes.
Cependant, chaque méthode est applicable pour une gamme des particules bien déterminée.
Parmi les méthodes les plus anciennes et les plus utilisées, on peut citer le tamisage qu’est par
voie sèche où par voie Humide, la sédimentométrie, la centrifugation et la diffraction laser mais
ces méthodes sont très lentes et délicates puisqu’elles doivent être exécutées strictement selon
des normes bien validées. Ainsi, une méthode récemment utilisée qu’est plus simple et plus
rapide basée sur les techniques d’analyse d’images, attire plus l’intérêt. Avec cette méthode, on
peut déterminer la granulométrie d’un matériau en se basant sur les photographies.

En effet, cette méthode est basée sur deux approches : approche déterministe et approche
statistique.

La problématique la plus importante de cette méthode est le besoin des quantités importantes
de données pour entrainer, valider et tester le réseau de neurones.

Ainsi, l’objectif principal de ce mémoire est l’enrichissement de la base de données des images
de matériau granulaire et par la suite à extraire des caractéristiques texturales en utilisant
l’entropie locale. Le deuxième objectif est de développer un réseau de neurones de prédiction
afin de déterminer les pourcentages de particules passants sur chaque tamis en se basant sur le
code ANN3 de François Duhaime.

Ce mémoire est composé de 3 chapitres. Chapitre 1 est la revue de littérature et généralités

présentant l’importance de la granulométrie et l’intérêt de technique d’analyse d’images. Ainsi
l’explication des deux approches utilisées pour déterminer la granulométrie à partir de
photographies : l’approche déterministe, l’approche statistique. Ainsi les utilisations de réseaux
de neurones artificiels sont également présentées. Le chapitre 2 est la méthodologie employée

1
dans le cadre de ce projet. Les méthodes de séparation des échantillons, les matériels utilisés
comme le montage, les caméras. En plus, les méthodes de traitement d’images afin de les
préparer pour l’extraction des caractéristiques. Cette partie présente aussi la méthode
d’extraction des caractéristiques qu’est l’entropie et le réseau de neurones utilisé. Le chapitre 3
expose les résultats obtenus par le réseau de neurones. Finalement, une conclusion et certaines
recommandations sont proposées.

2
 Chapitre 1
Revue de littérature et généralités
 Chapitre 1 : Revue de littérature et généralités

Dans ce chapitre, tout d’abord, on va commencer par l’importance d’analyse granulométrique

dans le domaine de géotechnique puis une description brève des méthodes traditionnelles de
détermination de distribution de taille des grains. Ensuite, on va mettre l’accent sur l’intérêt
d’analyse granulométrique par technique d’analyse d’images et expliquer les deux approches
utilisées dans cette méthode. L’utilisation de l’intelligence artificielle dans ce domaine est
présentée par la suite.

1.1. La courbe granulométrique et son importance en géotechnique

Cette courbe présente la distribution de taille de particules en fonction des masses. L’axe des
abscisses présente la dimension des mailles des tamis (échelle logarithmique) et l’axe des
ordonnées présente les pourcentages en masse des retenues ou passants.

En outre, cette courbe est obtenue par deux méthodes complémentaires : l’une pour la classe
des particules supérieure à 75 µm et l’autre pour la classe des particules inférieure à 75 µm. On
utilise le tamisage comme méthode pour déterminer la granulométrie du sol lorsqu'on a des
particules entre 75 µm et 75 mm. Pour cela on utilise les tamis d’ouverture 75 mm (3 pos) et le
tamis n°200 (75 µm) comme c’est mentionné dans la norme D7928 de l’ASTM (2021).

Lorsqu'on a la graduation des particules plus fines que les tamis No.200 (75 µm) et plus grosses
que 0,2 µm, on utilise la sédimentométrie comme c’est mentionné dans la norme
D6913/D6913M de l’ASTM (2017).

Ainsi, cette courbe a une importance capitale dans le choix de la conception, le contrôle de la
qualité des filtres de drainage et du drainage des eaux souterraines. Aussi, la granulométrie est
un facteur déterminant pour le choix des options pour le compactage dynamique et l'injection
de coulis. De plus la conductivité hydraulique, la compressibilité et la résistance au cisaillement
sont liées aux distributions des tailles des particules comme c’est mentionné dans la norme
D7928 de l’ASTM (2021).

3
1.2. Méthodes pour déterminer la courbe granulométrique

La courbe granulométrique est composée de quatre parties, chaque partie reflète une classe du
sol comme c’est indiqué dans la norme D2487 de l’ASTM (2017) (tableau1).

Tableau 1. Classes de sol avec les tamis correspondants

Classe de sol Tamis retenu Tamis passant

Cailloux et
Tamis 75 mm (3-in)
blocs

Gravier Tamis 4,75 mm (No.4) Tamis 75 mm (3-in)

Sable Tamis 75 μm (No.200) Tamis 4,75 mm (N0.4)

Argile et silt Tamis 75 μm (No.200)

Chaque méthode est applicable à une gamme des particules bien déterminée. Par exemple, pour
les particules fines de taille inférieure à 75 μm on peut utiliser la sédimentométrie, la
centrifugation analytique et la granulométrie laser. Pour les particules grossières supérieures à
75 μm on utilise soit le tamisage où soit la technique d’analyse d’images.

L’analyse granulométrique par tamisage est la méthode la plus utilisée, pour déterminer la
granulométrie de gamme de particules retenue par tamis 75 mm et passante par tamis No.200
(75 μm). Pour la réalisation de cet essai, une série de tamis est maintenue par une tamiseuse
mécanique pour assurer l’agitation standard entre 10 et 20 minutes comme spécifier dans la
norme D6913 de l’ASTM (2014).

L’analyse granulométrique par sédimentométrie, est un essai complémentaire au tamisage, elle

est utilisée pour les matériaux plus fins que tamis No.200 (75 μm) et le plus grand que 0.2 μm.

Cet essai est basé sur la loi de stokes pour la détermination de vitesse terminale d’une particule
sphérique qui tombe à travers un liquide stationnaire comme c’est mentionné dans la norme D
7928 de l’ASTM (2021).

4
La granulométrie par laser est l’une des techniques les plus répandues pour déterminer la
répartition des tailles de particules d’un matériau pulvérulent (Cyr t et al., 2001).

Cette méthode est basée sur la diffraction de la lumière (Michel & Courard, 2006). En effet, cet
essai est utilisé pour la classe des particules entre 0,05 et 900 μm. (Temimi, 2020).

La centrifugation analytique est basée sur l’analyse de suspension et donne comme résultat la
granulométrie, la forme, la taille et la masse des particules. Cette méthode est basée sur la loi
de stokes.

La figure 1 illustre les méthodes de détermination de granulométrie pour chaque gamme des
particules.

Figure 1. Gamme de tailles de particules pour les différentes méthodes

d'analyse granulométrique
1.3. Importance de granulométrie par technique d’analyse d’image

Cette méthode présente un intérêt très important en matière de rapidité et rentabilité donc, c’est
plus productif pour les laboratoires commerciaux et les industries au contraire les autres
méthodes qui sont lentes nécessitent parfois trois jours pour l’exécution. C’est une méthode
plus robuste si on a une quantité des données importantes (Hamzeloo, Massinaei, et Mehrshad,
2014). Aussi, cette méthode progresse lentement dans le domaine de géotechnique car dans un
échantillon du sol témoigne on trouve une large gamme de taille de particules.

L’analyse granulométrique par technique d’analyse d’images est basée sur deux classes. La
première approche regroupe les méthodes déterministes, qui sont basées sur la segmentation

5
morphologique pour séparer les particules. Cette approche détermine la taille des grains et leur
distribution (Shin et Hryciw, 2004).

La deuxième approche est basée l’extraction des caractéristiques texturales de l’image par des
fonctions statistiques (Temimi, 2020).

1.3.1. Approche déterministe

Cette approche est une approche morphologique basée sur la description de forme des
particules. Elle utilise la segmentation d’image pour identifier le contour de chaque particule
dans l’image par la suite la taille de chaque zone segmentée est utilisée pour déterminer la
distribution de taille des particules (Manashti et al, 2020).

Les opérateurs morphologiques et les filtres sont les techniques d’analyse d’image qui tracent
les contours de particules. On peut citer par exemple des opérateurs morphologiques : La
dilatation et l’érosion qui agissent directement sur les formes et permettent de détecter les
variations de niveau de gris aux frontières, entre les grains. La figure 2 présente la dilatation
qui agit sur l’élargissement de l’image et l’érosion qui permet le rétrécissement d’image
(Temimi, 2020).

Figure 2. exemple d’une image subit les opérations morphologiques , a) image

originale , b) image erodée , c)image dilatée (Outal,2006)

Les filtres sont des matrices ou noyaux appliqués sur l’image originale par le biais d’un produit
de convolution. En appliquant un nouveau filtre, on produit une nouvelle image dont le nombre
de niveaux de gris ou les couleurs dépendent de type de filtre et la valeur des pixels dans le
voisinage de chaque pixel (Temimi, 2020).

Il existe plusieurs logiciels qui déterminent la distribution granulométrique des matériaux

granulaires par méthode déterministe. Ces logiciels déterminent la granulométrie in situ des

6
roches fragmentées. Dans la section suivante, on va présenter deux exemples de logiciels
WipFrag et FragScan.

1.3.1.1. WipFrag

C’est un système de granulométrie automatisée qui utilise l’analyse de photographie et des

bandes vidéo des roches pour déterminer la distribution granulométrique. Dans la figure 3, un
exemple de résultat obtenu avec WipFrag. C’est un système idéal pour déterminer le PSD pour
les roches concassées et les minerais fragiles lors de criblages.

Ce système accepte des images de différentes sources : caméscopes, des photographies

numériques.

WipFrag détecte les blocs fragmentés en utilisant un algorithme et crée un filet de contour par
la détection des bords, puis mesure de filet en 2 dimensions sur l’image ensuite reconstruction
de dimension en 3 D à l’aide de probabilité géométrique.

En effet, les images des roches fragmentés subissent un traitement en les transformant en
images binaires constituées de réseau de contour des blocs, la délimitation des blocs se fait par
l’identification des bords de bloc. (Maerz et al, 2016).

L’inconvénient de ce système est que les particules fines sont parfois manquantes, puisqu’elles
sont cachées derrière les particules grossières ou invisibles.

Pour résoudre ce problème Maerz et al en 2016 ont donné trois méthodes de correction :

• Méthode de base : consiste à prendre une ou plusieurs images et l’analyse avec

édition manuelle.
• Méthode calibrée : c’est une méthode empiriquement rapide, a presque le même
principe que la méthode de base, l’analyse est faite avec ou sans édition
manuelle. Le choix de facteur de calibration est fait par l’estimation de pente de
courbe de distribution réelle.
• Méthode fusion par zoom : c’est une méthode qui nécessite analyse de plusieurs
images à différentes échelles d’observation et nécessite plus d’interaction
manuelle.

La figure 3 présente les étapes de détermination de distribution de taille des particules avec
WipFrag.

7
 Figure 3. Exemple de résultats avec WipFrag : Vue du filet, des contours, de
l'histogramme et de la courbe de taille cumulative d'un bloc fragmenté au niveau
du banc des morts-terrains mous du projet Kusmunda (Singh et al. 2016)

La figure 4 illustre les étapes de détermination de distribution de taille des particules avec
WipFrag.

comme sortie
mesure en 2D de
identification de courbe cumulative ,
filet sur l'image et
réseau de contours histogrammes ,
reconstruction de
des fragments résultats d'analyse
dimension en 3 D
de matériau

Figure 4. Diagramme illustre les étapes de détermination de PSD avec WipFrag

8
1.3.1.2. FragScan

C’est un système qui estime la distribution des fragments de roches produits après dynamitage,
ce qui permet de prédire, surveiller et contrôler la qualité d’abatage par l’explosif pour faciliter
les opérations qui suivent l’abattage dans les carrières et les mines ( Nefis et Tahli, 2016).

La détermination de distribution des roches fragmentés par FragScan est résumée en 6 étapes :

• Traitement d’image qu’est obtenue par caméra par filtre passe bas
• Homogénéisation locale d’image
• Seuillage de l’image : devient image binaire
• Reconstruction : conversion de surface (2D) en volume (3D)
• Simulation de tamisage par FragScan par l’utilisation d’ouverture qu’est une érosion
suivie de dilatation
• Séparation des grosses particules de petites particules par l’ouverture
La figure 5 montre l’image après traitement de surface 2 D et l’application d’ouverture sur
l’image binaire par Outal (2006). Les zones blanches dans l’image (c) représentent les surfaces
passantes par l'ouverture utilisée.

Figure 5. a) image originale, b) résultats traitement de 2D d’image, c) application

d’ouverture sur l’image binaire : les zones blanches sont les surfaces passantes

9
1.3.2. Approche statistique
Cette approche extraire des données statistiques en se basant sur les textures des images. Pour
l’extraction les caractéristiques texturales, il y’a neuf méthodes : caractéristiques de Haralick,
histogrammes de gradients orientés, entropie, motifs binaires locaux, motifs de configuration
locaux, motifs binaires locaux complets, transformée rapide de Fourier, filtres de Gabor et
ondelettes discrètes de Haar (Manashti et al, 2020). Certaines de ces méthodes seront présentes
dans la partie suivante.

1.3.2.1. Entropie locale

L’entropie de Shannon a le même concept que l’entropie en thermodynamique. C’est une

méthode adéquate à la complexité d’image et d’autres objets bidimensionnels comme les
treillis, les motifs géographiques (Larkin, 2016).

L’entropie est introduite le 1948 par Claude Shannon qui permet de mesurer mathématiquement
la quantité d’informations qui contient une source d’information comme l’image.

L'entropie d'une image en niveaux de gris peut être calculée comme suit (Gonzales

Et Woods 2018) :

𝑁𝑔
𝐻(𝑋) = − ∑𝑗=1 𝑃𝑗 log 2 𝑃𝑗 (1)

• H(X) est l'entropie du voisinage X autour d'un pixel central

• Ng est le nombre de séquences de niveau de gris
• Pj est la probabilité d'occurrence du niveau de gris j dans le voisinage X

L’entropie est un paramètre lié aux textures d’image qui mesure le caractère aléatoire
d’intensité du niveau de gris dans le voisinage d’un pixel (Manashti et al, 2020).

L’entropie est calculée avec tous les pixels de voisinage et assignée au pixel central de
voisinage. La figure 6 présente un exemple de pixels de voisinage en bleu et le pixel central en
rouge. Lorsque les pixels de voisinage ont le même niveau de gris, l’entropie nul au contraire
l’entropie maximum lorsque les niveaux de gris du voisinage sont différents. Plus le voisinage
est grand, plus on peut accéder aux grandes particules (Temimi, 2020).

10
 Figure 6. a) 4 voisinages, b) 8 voisinages ou 3x3 voisinages, c) 5x5 voisinages (Temimi
,2020)

Dans ce cadre Duhaime et al (2021), ont utilisé l’entropie comme méthode d’extraction des
caractéristiques des images, l’écart-type et la moyenne d’entropie ont été utilisés comme
intrants pour le réseau de neurones pour prédire la distribution granulométrique des particules.
Ces paramètres varient selon la taille des filtres utilisées : 1, 2, 4, 6, 10, 15, 24, 39 et 61 pixels.
Ces filtres ont été appliqués sur les photographies réelles et les images synthétiques, les résultats
sont corrélables.

1.3.2.2. Textures de Haralick

Les textures de Haralick sont apparues en 1973 (Haralick, Shanmugam, & Dinstein, 1973).
Elles regroupent quatorze caractéristiques de l’image qui sont des statistiques de matrice de
cooccurrence (GLCM) de niveau de gris (Manashti et al, 2020).

En premier lieu, l’image est transformée en niveau de gris puis la GLCM est calculée. En
donnant l’exemple, la GLCM peut être calculée pour des pixels (x1, y1) et (x2, y2) voisins sur
une ligne horizontale (x1 = x2+1, y1 = y2). La GLCM est ensuite normalisée, en la divisant par
la norme de cette matrice, de manière à ce que la somme des éléments de la matrice soit égale
à 1 (Temimi,2020).

On peut citer les trois caractéristiques les plus utilisées, la suite des textures se trouvent dans
l’annexe I :

• Moment angulaire (2)

11
 • La corrélation (3)

(4)
• Variance

Sachant que :

• P (i, j) est la matrice normalisée (divisée par la norme) de la GLCM ;

• 𝜎 x, 𝜎 y, 𝜇 x et 𝜇 y : sont respectivement les moyennes et les écarts types des
probabilités relatives suivant x et y, px et py.
Les textures d’Haralick sont utilisées par Manashti et al. (2020) pour déterminer la
granulométrie des images de sols synthétiques dont la granulométrie varie de 75 à 1180 µm.
Les textures ont été utilisées comme intrants dans un réseau de neurones dans le but de prédire
les pourcentages de passants. L’RMSE des pourcentages de passants prédits est de l’ordre de 6 %.

Aussi Temimi en 2020, a utilisé les textures de Haralick pour déterminer la granulométrie des
images de sols synthétiques générées par Unity et Yade, dont la granulométrie entre 106 µm,
150 µm, 250 µm, 425 µm et 710 µm. Ces caractéristiques ont été utilisées comme intrants dans
ANN pour prédire les pourcentages de passants. Le tableau 2 présente l’RMSE affiché par le
réseau de neurones pour chaque ensemble d’images.

Tableau 2 . Les Valeurs du RMSE pour l’ensemble des tamis utilisées par Temimi (2020)

Textures de Haralick
Base de données
(RMSE en %)

Images Yade 6.5 %

Images Unity 7.5 %

Les images combinées 7.1 %

12
 1.3.3. Les bases de données pour granulométrie par technique d’analyse d’images

Il y’a plusieurs exemples des bases de données qu’ont été utilisées dans la littérature pour la
validation de l’analyse granulométrique par technique d’analyse d’images. Ces images ont été
utilisées pour l’entrainement des réseaux de neurones et la validation des méthodes
déterministe. Le tableau 3 montre des exemples des images réelles et synthétiques qui sont
générées et utilisées dans des anciens travaux.

Tableau 3. Bases de données qui sont utilisées dans la littérature pour analyse
granulométrique par analyse d’images

Nombre
Travaux de littérature Type de matériau Taille d’images (base Type d’image
de données)

Images
Matériaux Synthétiques
Temimi (2020) 75 à 1180 µm 3003
granulaires (générées par
Unity)

Yaghoobi, Mansouri, Quartz

Ebrahimi Farsangi, & 0,02 à 63,5 cm 226 Images réelles
Nezamabadi-Pour (2019) Gneiss

Images
synthétiques
Pirnia et al. (2018) Sable 75 à 1180 µm 53130
(générées par
YADE)

Thurley (2011) Calcaire 10 à 100 mm 600 Images réelles

Minerai de fer
Andersson (2010) roches de basaltes et 20 à 90 mm 1549 Images réelles
du calcaire broyé

Sable bitumineux,
Images
Ferrari et al. (2008) les copeaux de bois 3,15 à 45 mm 7000
synthétiques
et les grains de café

Ghalib et al. (1998) Sable de carrière 0,25 à 0,42 mm 133 Images réelles

13
1.4. Réseaux de neurones et intelligence artificielle
L’intelligente artificielle ou IA consiste à développer des algorithmes informatiques à des
performances de réflexion similaire à celle des humains (Beaulac, 2015).

Grâce à l’apprentissage automatique qu’est une sous branche de l’IA, le domaine de génie a eu
évolution intéressante par les algorithmes qui sont capable à effectuer des classifications, des
prédictions, l’estimation, et la commande de processus complexes.

Cette branche est basée sur l’utilisation des réseaux de neurones artificiels qui ont fonctionné
comme les neurones biologiques comme c’est illustré dans la figure 7. Les réseaux neuronaux
sont organisés en plusieurs couches : une couche d'entrée, une ou plusieurs couches cachées et
une couche de sortie. Toutes les couches sont composées d'un certain nombre de nœuds
interconnectés auxquels sont associées des fonctions d'activation (Sharma et al., 2020).

Figure 7. Analogie entre le neurone biologique et le neurone formel

(Zemouria et al.,2019)

1.4.1. Définition d’un neurone artificiel (formel)

Un neurone est une fonction algébrique non linéaire et bornée, qui dépend des paramètres
appelés poids (wij) et biais. Chaque neurone a des variables qui sont les entrées, et une valeur
de la fonction qu’est appelée sa "sortie". La figure 8 montre l’architecture d’un neurone formel
(Djeriri,2017).

14
 Figure 8. Illustration de modèle d’un neurone artificiel
(Djeriri,2017)

• Xi : les vecteurs d’entrés.

• Wij : le poids qu’est appliqué à l’entrée de chacun des neurones pour calculer une
donnée de sortie. Les réseaux de neurones mettent à jour ces poids de manière continue
(MonCoachData,2022).
• Biais : Les biais sont également des valeurs numériques qui sont ajoutées une fois que
les poids sont appliqués aux valeurs d’entrée (MonCoachData,2022).

 Ces deux paramètres sont des variables du modèle qui sont mises à jour pour améliorer
la précision du réseau.

• Noyau : intègre les entrées, le biais et calcul la sortie du neurone selon la fonction
d’activation (Djeriri,2017).

1.4.2. Fonction d’activation

Les fonctions d'activation ou de transfert en informatique s'inspirent du potentiel d'action en

neurosciences. Si le potentiel électrique entre l'intérieur et l'extérieur d'un neurone dépasse une
valeur appelée potentiel d'action, le neurone subit une réaction en chaîne qui lui permet de
"tirer" et de transmettre un signal aux neurones voisins. Ces types de fonctions introduisent la
non-linéarité dans les réseaux de neurones, nécessaire pour résoudre des problèmes complexes.

15
Lorsque les neurones calculent la somme pondérée des valeurs d’entrée + le biais, elles sont
transmises à la fonction d’activation, qui vérifie si la valeur calculée est supérieure au seuil
requis. Si la valeur calculée est supérieure au seuil requis, la fonction d’activation est activée et
une valeur de sortie est calculée (MonCoachData,2022). Des exemples de fonction d’activation
sont présentées dans l’annexe III.

1.4.3. Retro-propagation

Elle permet au réseau de neurones d’apprendre et d’ajuster lorsqu’il fait des erreurs pour cela
on utilise des fonctions de perte qui permettent de calculer le gradient de l’erreur pour chaque
réseau de neurones de la dernière couche vers la première.

Lorsque le résultat réel est différent du résultat attendu, les poids appliqués aux neurones sont
mis à jour. Parfois, les résultats attendus et réels se situent dans les limites du seuil d’erreur et
le réseau de neurones est considéré comme optimal. Cependant, la sortie attendue est parfois
différente de la sortie réelle. En conséquence, les informations sont renvoyées dans le réseau
et les poids et biais sont améliorés (MonCoachData,2022).

Ce calcul est fait jusqu’à avoir une erreur tend vers zéro entre les résultats attendus et les
résultats estimés (PATTERSON & GIBSON, 2017).

Parmi les fonctions utilisées on peut citer :

• MSE (erreur quadratique moyenne) représente la différence entre les valeurs

originales et prédites extraites en élevant au carré la différence moyenne sur
l'ensemble des données.

1
𝑀𝑆𝐸 = 𝑁 ∑𝑁 ̅𝑖 − 𝑦̂)2
𝑖=1(𝑦 (5)

• RMSE (Root Mean Squared Error) est le taux d'erreur par la racine carrée de
MSE.
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 (6)

Où,

: Valeur moyenne de Y
: Valeur prédite de Y
16
1.4.4. Les types des réseaux de neurones

Parmi les réseaux de neurones les plus utilisés on peut citer :

• Réseau de propagation vers l’avant (FeedForWard) ou à action directe : dans ce

réseau l’information se propage dans un seul sens (de l’entrée vers sortie). Ce
réseau utilise l’apprentissage supervisé avec ce type d’apprentissage la machine
peut apprendre à faire une certaine tâche en étudiant des exemples de cette tâche.
Par exemple, elle peut apprendre à reconnaître une photo de chien après qu’on
lui ait montré des millions de photos de chiens (Saint-Cirgue ,2019). La figure
9 présente un exemple de réseau de neurones (FeedForWard).

Figure 9. Architecture de réseau de neurones classique (Neural architecture Aspexit,

2019)

• Réseau de neurones récurrents : Ce type capable de sauvegarder les résultats de

traitement de l’information après qu’elle passe par le nœud. C’est un réseau
qu’a un système de mémoire intérieure, il est spécialisé dans le traitement de
données sous forme des séries temporelles comme la reconnaissance
automatique de la parole. La figure 10 montre un exemple de réseau de
neurones récurrents.

17
 Figure 10. Architecture de réseau de neurones récurrents (Kriger,2007)

• Réseau de neurones convolutifs : c’est un réseau spécialisé dans le traitement des

données qu’a une topologie en forme de grille (comme les images). Il utilise la
convolution qu’est une opération linéaire à la place de multiplication matricielle dans
l’une de ces couches au moins. La figure 11 présente l’architecture d’un réseau de
neurones à convolution (Goodfellow et al., 2016). L’avancée de l’intelligence
artificielle rend possible l’analyse et l’interprétation d’images par les ordinateurs. Tout
comme Lens (le système de reconnaissance d’images de Google) est capable de
reconnaitre une personne sur une image ou de rechercher un lieu à partir d’une
photographie, il existe de nos jours beaucoup d’algorithmes développés sur la
reconnaissance des formes et des textures d’images à usage commercial comme
Amazone Rekognition, EyeEM.

Figure 11. Architecture classique d'un réseau de neurones convolutifs (Blanc Durand
,2018)

18
1.4.5. Utilisation de réseau de neurones dans le domaine de géotechnique

L’utilisation de réseau de neurones, dans le domaine de géotechnique est plus en plus en

développement dans les dernières années. Il y’a beaucoup d’utilisation de réseau de neurones
dans le domaine de géotechnique dans la littérature mais la seule contrainte, c’est la faible
quantité de données disponibles.

En 2013, Mustafa a évalué la performance de quatre algorithmes d’apprentissage ANN pour

modéliser la dynamique d’eau interstitielle du sol en réponse aux variations aux précipitations.

Aussi dans le domaine d’hydrogéologie, Taormina (2012) a utilisé un réseau de neurones à

action directe pour prédire les niveaux des eaux souterraines dans les aquifères côtières non
confinées.

Dans la littérature, il y’a plusieurs exemples d’utilisation des réseaux de neurones pour la
détermination de distributions granulométriques à partir de photographie des sols, la figure 12
présente un exemple :

Figure 12. Réseau de neurones artificiels pour prédire le pourcentage de passant pour
une série de tamis (Manashti et al, 2020)

Pirnia et al (2018) ont utilisé un réseau de neurones convolutifs (ConvNet). Les données
utilisées sont des 53130 images synthétiques générées par Yade (code d’élément discrète).
ConvNet a été utilisé pour déterminer les pourcentages de passants pour les tamis : 75 μm, 106

19
μm, 150 μm, 250 μm, 425 μm, 710 μm. Les résultats de prédiction par CNN ont donné un
RMSE 6.94 % pour tous les tamis.

Dans le même concept, Temimi en 2020 a développé un réseau de neurones artificiels qui utilise
les textures d’images comme la moyenne et l’écart type : de l’entropie, de textures d’Haralick,
de transformée par ondelette de Haar pour prédire la distribution granulométrique des
particules, le résultat de prédiction par ANN a donné un RMSE : 7 % pour les images de Yade,
8,4% pour les images de Unity et 8,5 % pour Unity+Yade.

20
 Chapitre 2
Matériels et méthodes
 Chapitre 2 : Matériels et méthodes

2.1. Préparation et Séparation des échantillons

Les échantillons de matériau granulaire (sable) qui sont utilisés pour la génération de la base de
données de ce projet. Ils ont subi une séparation avec quatre méthodes d’échantillonnage
différentes (pile unidimensionnelle, Mini pile, pelletage fractionné, quartage) puis chaque
échantillon a été tamisé.

En premier lieu, pour la préparation de matériau à la séparation, le sable a été séché dans l’étuve
pendant 3 jours comme le montre la figure 13.

Après séchage, tout le matériau a été tamisé par un tamis de taille 10 mm comme c’est
mentionné dans la figure 14 présente.

Figure 13. Paniers de matériau granulaire Figure 14. Illustration de tamisage de

dans l’étuve matériau par un tamis 10 mm

Après séchage et tamisage, le reste de matériau (61 kg) subit une séparation par un séparateur
rotatif en huit échantillons. Quatre échantillons parmi les huit issus de séparateur rotatif sont
séparés en 16 sous-échantillons avec quatre méthodes d’échantillonnage différentes comme
c’est illustré dans les diagrammes (figure 15). La séparation des échantillons est faite selon la
norme ASTM D6913/D6913M – 17 (Standard Test Methods for Particle_Size Distribution
(Gradation) of Soils Using Sieve Analysis) et de sa directive ASTM C702/C702M-18 (Standard
Practice for Reducing Samples of Aggregate to Testing Size). Ensuite, ils ont été tamisés par
les tamis de type ASTM (150 µm, 250 µm, 425 µm, 850 µm, 2000 µm et 4750 µm).

22
Figure 15.les diagrammes de séparation des 4 échantillons en 64 sous échantillons avec les quatre méthodes utilisées
• Pile unidimensionnelle

Sur une règle contenant 64 divisions de 3 cm soient 3 fois le diamètre de la plus grosse
particule, 30 couches de sable ont été étalées en aller et retour tout au long de la règle
ont permis d’obtenir au final une pile de 4 cm de hauteur et 14 cm de largeur et de 192
cm de longueur. Le prélèvement des 16 échantillons a été fait à l’aide d’un dispositif
réglé à 3 cm d’écart. La figure 16 illustre l’échantillonnage selon la méthode de la pile
unidimensionnelle.

Figure 16.illustration d’échantillonnage par pile unidimensionnelle

• Mini pile
On a placé l’échantillon initial (7534 g) sur la table et ensuite à l’aide d’une truelle
d’échantillonnage, cinq pelletées d’environ 100 g ont été successivement déposées dans
chacune des 16 assiettes jusqu’à l’épuisement de lot. Le remplissage des 6 dernières
pelletées a été facilité par l’utilisation de la main afin de remplir la cuillère
d’échantillonnage. Cette méthode est illustrée dans la figure 17.

23
 Figure 17.illustration d’échantillonnage par mini pile

• Quartage
On a placé sur une table propre, les 7460 g de sable ont été mélangés en faisant 5 tours
complets de pelletage avec la pelle. Le cinquième tour consiste à former un tas conique
en déposant chaque pelletée par-dessus de la précédente. Après avoir formé la pile de
conique, il est suivi tout d’abord d’aplatissement de la pile sous forme de disque de
hauteur 8 cm, ensuite une division de la masse en quatre quarts égaux à l’aide d’une
règle et ensuite un ramassage à l’aide d’une truelle des quartiers opposés en diagonale,
incluant tous les matériaux fins. Les opérations ont été réalisées successivement jusqu’à
l’obtention des 16 échantillons. La figure 18 présente une illustration de
l’échantillonnage par quartage.

Figure 18.illustration de l’échantillonnage par quartage

24
 • Pelletage fractionné
On place le sol sur la table, on a utilisé une cuillère à soupe, pour pelleter des incréments
d’environ 21g qui ont été répartis dans 16 assiettes jusqu’à épuisement total des 7609 g
de sable. Après chaque cycle de 16 pelletées, il fallait recommencer le pelletage par
l’assiette numéro 1. Le remplissage de la cuillère des 11 dernières pelletées n’a été
possible que grâce à un ramassage à main. Au total 22 pelletées ont été versées dans
chaque assiette. La figure 19 illustre les différentes masses obtenues dans les 16
assiettes.

Figure 19. Illustration de l'échantillonnage par pelletage fractionné

2.2 Analyse granulométrique par tamisage

L'analyse granulométrique par tamisage est l'opération qui consiste à étudier la répartition des
différentes particules composant un échantillon, en fonction de leur taille. Cet essai est le plus
utilisé depuis plusieurs années. Sa durée d’exécution peut prendre trois jours.

En premier lieu, le matériau a été préparé : par séchage à l’étuve ou par séchage à l’air ou
humide.

La procédure d’obtention d’échantillon dépend :

• Les conditions initiales de matériau

• La taille maximale des grains
• La classe de taille des particules
• La plasticité du matériau

25
Après la préparation des échantillons, le tamisage se fait à l’aide d’une tamiseuse mécanique
pour les matériaux de taille inférieure à 19 mm et pour les matériaux de taille supérieure à 19
mm on procède au tamisage manuel.

Les matériels nécessaires pour la réalisation de cet essai sont :

• Tamiseuse mécanique
• Série de tamis
• Balance
• Assiettes

Selon La norme D6913-04 de l’ASTM (2017) le type de tamisage varie en fonction de la

taille des particules comme c’est mentionné dans le tableau 4 montre.

Tableau 4. Type de tamisage en fonction de classe des particules

Gamme des particules Type de tamisage

>19 mm Tamisage composite

Tamisage à une seule série de tamis ou

9.5mm-4.75mm
composite

< 75 um Tamisage à une seule série

Dans cette partie, on va expliquer les deux types de tamisage :

• Le tamisage composite est expliqué de façon simple (figure 20).

26
 Spécimen obtenu par échantillonnage

Séparation de grand échantillon sur le tamis

de séparation

Obtention de deux fractions granulométriques la plus grossière

et la plus fine

La fraction grossière tamise la fraction fine est sous échantillonné

à l’aide tamis de jeu tamis grossier puis tamisé par jeu de tamis plus fins

Les résultats de deux séries de tamis seront combinés

Pour donner la granulométrie de toute l’échantillon

Figure 20. Organigramme de tamisage composite

Le tamisage à une seule série de tamis est présenté dans la figure 21. On utilise un seul jeu de
tamis dans lequel on met le spécimen sous agitation pendant 10 à 20 minutes avec la
tamiseuse mécanique.

27
 On met le spécimen dans la série de tamis après que
on l’a pesé

Agitation de spécimen pendant 10 à 20 minutes

A l’aide de la tamiseuse mécanique

Récupération de retenue sur chaque tamis

et on pese le retenu

Détermination de pourcentage de passant cumulative

Sur chaque tamis

Détermination de distribution granulométrique

de spécimen

Figure 21. Schéma de tamisage à une seule série de tamis

Les échantillons du sable sur lesquels on a travaillé, subissent un tamisage à une seule série de
tamis, la masse moyenne des échantillons est 450 g. Les tamis utilisés sont respectivement 4.75
mm, 2 mm, 0.85 mm ,0 .425 mm, 0.25 mm, 0.15 mm (la figure 22). Les séries des tamis sont
mises sur une tamiseuse mécanique pendant 20 minutes. Les 64 échantillons ont été tamisés. A
chaque fois, la retenue sur chaque tamis a été récupérée et pesée, les résultats de cet essai sont
détaillés dans l’annexe II.

28
 Figure 22. Photo des séries des tamis utilisées pour tamisage des échantillons

2.3. Montage expérimental et base de données

La figure 23 montre le montage qu’a été mis en pied pour prendre des photographies de
l’échantillon du haut et du bas, L’échantillon a été mis dans un conteneur vitreux. Quatre
photographies du haut et du bas ont été prises pour chaque échantillon, entre chaque
photographie et l’autre, le matériau a été mélangé pour générer une sorte du nouvel échantillon.
Les photographies ont été prises par une caméra Nikon Z 6 II muni d’un objectif de distance
focale 50 mm, avec une sensibilité ISO 100 et une ouverture f\2.8. Le dispositif est fixé sur un
bras dont la distance entre caméra et le conteneur de l’échantillon est ajustable avec ce bras, car
la taille de conteneur varie en fonction de masse de l’échantillon comme c’est mentionné dans
le tableau 5. Cela est lié directement à la taille maximale des particules de l’échantillon. Cette
relation entre la taille maximale des particules et la masse des échantillons est inspirée de la
norme BNQ 2501-025 (2013).

Tableau 5. Caractéristiques des conteneurs

Dimensions du Taille maximale des Position du montant

Masse sèche (Kg)
conteneur (mm x mm) particules (mm) ajustable

<2kg 250X160 5 Petit (a)

Entre 2 et 8 kg 350X225 10 Moyen (b)

Entre 8 et 45 kg 500X325 20 Grand (c)

29
 Figure 23. Représentation de montage

Dans ce mémoire les échantillons sont photographiés pour créer cette base de données sont mis
dans un petit conteneur. On distingue trois tailles de conteneurs comme la figure 24 montre.

30
 Figure 24. Photos de trois conteneurs

Le but principal de ce mémoire est la création d’une base de données de matériau granulaire
afin d’avoir un jeu de données important pour entrainer, valider et tester le réseau de neurones
artificiel par la suite. La base de données contient 512 photographies (256 photos de haut et
256 photos de bas). Chaque image est de taille 4024 x 6048 pixels. Dans ce mémoire les
photographies du dessus seulement ont été utilisées, les photographies du dessous présentent
un reflet, ombre en plus elles sont les résultats d’un premier essai d’un nouveau montage qui
contient une deuxième caméra pour prendre les photos du dessous. La figure 25 montre la
différence entre la qualité de photo du dessus et du dessous d’échantillon 10 issu de quartage.

Cette série de photographies est faite pour un matériau granulaire (sable) échantillonné avec
quatre méthodes d’échantillonnage différentes. La figure 26 montre quatre photographies (du
dessus) de premier échantillon issu de pelletage fractionné.

31
Figure 25. Exemple de photographie : a) du dessus, b) du dessous

Figure 26. Les quatre photographies de premier échantillon issu de

pelletage fractionné

32
Les tailles des tamis utilisés ont été transformées en pixels pour les utiliser dans la suite de
projet Comme la figure 27 montre 1 cm équivalant à 321 pixels.

Figure 25. Photographie avec échelle

Le tableau 6 présente l’équivalent des tailles des tamis en pixels.

Tableau 6. L’équivalent des tailles des mailles de tamis en pixels

Taille de tamis (en mm) Taille de tamis (en pixels)

4.75 152
2 64
0.85 27.2
0.425 13.6
0.25 8
0.15 4.8

2.4. Traitement des images et extraction des caractéristiques

2.4.1. Traitement des images

Pour extraire les caractéristiques, les images avaient subi un traitement d’images en utilisant le
logiciel MATLAB. Les images ont été convertis en niveaux de gris par la fonction
Color.rgb2gray comme le montre la figure 28. Puis les histogrammes qui représentent la

33
répartition de la luminosité, ont été ajustés avec la fonction imadjust définie sur MATLAB
comme c’est mentionné dans le script dans la figure 29.

Figure 26. Conversion d’image en niveaux de gris : a) image réelle, b) image en niveaux de
gris

Par la suite, la résolution des images a été diminué par facteur de deux (4024x6048 pixels à
2012x3024pixels). Cette opération est faite pour 256 images du dessus en même temps à l’aide
d’une ligne de code MATLAB, qu’est la fonction imresize comme c’est mentionné dans la
figure 29.

34
Figure 27. Code MATLAB pour traitement d’images et calcul d’entropie

35
En plus de base de données DIlhem, les bases de données de projet Géo Niagara (Duhaime et al
(2021)) ont été utilisées dans ce mémoire :

• D1 : photographies réelles (matériau granulaire)

• D2 : images synthétiques
• D3 : images synthétiques

Les dimensions des images des bases de données d’entrainement (données Géo Niagara), de
validation et de test de ANN_ilhem sont présentés dans le tableau 5.

Tableau 5. Dimension des images des bases de données

Bases de données Dimension des images

D1 2848X4288

D2/D3 1920X1050

DIlhem 2012X3024

Après redimensionnement des images, l’échelle de photographies est divisée par facteur de
deux aussi (l’échelle devient 1 millimétré équivalent 16.05 pixels). Par conséquence la taille
des mailles des tamis change. Le tableau 6 montre les tailles de mailles après changement
d’échelle.

Tableau 6.taille des mailles des tamis après changement d’échelle

Taille des Tamis (en pixels) Taille des tamis (avec la nouvelle échelle)

152 76

64 32

27.2 13.6

13.6 6.8

8 4

36
La distribution granulométrique de données d’entrainement (base de données Géo Niagara : D1,
D2 et D3) est pour l’ensemble des tamis est 4.75, 2.36, 1.185, 0.850, 0.630, 0.600, 0.425, 0.300,
0.150, 0.075 mm qui correspondent respectivement à 122.2, 77, 48.6, 30.6, 19.4, 12.2, 7.7, 3.1,
1.9, 1.3 en pixels.

Les granulométries de ces données ont été interpolées pour les tamis utilisés dans ce projet (76,
32, 13.6, 6.8 et 4 pixels). Ainsi les photographies (DIlhem) ont été redimensionnées pour avoir la
même gamme des particules pour nos données .

2.4.2. Entropie locale

L'entropie locale permet de décrire le caractère aléatoire des niveaux de gris dans le
voisinage d'un pixel. La valeur d’entropie a été calculée pour chaque pixel en centrant le
voisinage. Les voisinages ont été définis en utilisant les filtres circulaires de différentes tailles.
Dans ce mémoire on a utilisé les filtres : 1, 2, 4, 6, 10, 15, 24, 39 et 61 pixels. La figure 30
présente quelques exemples des disques utilisés.

Figure 28. Exemple des disques (filtres) utilisés (r = 1, r= 2, r = 4 et r = 6) (Manshati, 2020).

Les neuf filtres de différents rayons vont donner 18 caractéristiques (moyenne et écart-type).
Ces rayons correspondent au rayon des particules pour lesquelles les pourcentages de passants
sont prédits par les réseaux neuronaux (Manshati, 2020).

37
L’entropie locale peut être calculée avec la fonction entropyfilt de MATLAB. Les filtres utilisés
vont parcourir tous les pixels, puis fait la moyenne et l’ecart-type de résultants d’entropie
qu’ont été déterminés à l’aide d’un script MATLAB qu’est presenté dans la figure 29 .

Le rôle du script est :

• Parcourir les images
• Calculer d’entropie
• Enregistrer la moyenne et l’écart type dans un fichier. Mat pour
utiliser par la suite comme intrant au réseau de neurones

2.5. Création de Réseau de neurones

Les réseaux de neurones sont simplement basés sur un apprentissage calqué sur le système
neuronal de l’homme. Le principe reste relativement simple, le réseau reçoit des informations
en entrée, ces données sont assimilées grâce à un système neuronal constitué d’une ou de
plusieurs couches de neurones interconnectés reliées à des données cibles en sortie du réseau.
Ce qui permet à l’ensemble de réaliser des tâches de classification ou de prédiction sur un autre
ensemble de données. Dans ce cadre, on a utilisé un réseau de neurones artificiel similaire à
celle de Duhaime (2021) pour prédire la PSD des échantillons photographiés dans ce projet.

Le tableau 7 présent les bases de données de projet Géo Niagara qui on a utilisé pour
l’entrainement et la base de données (D Ilhem) qu’on a généré pour valider et tester
ANN_ilhem, afin d’évaluer sa performance dans la prédiction des pourcentages de passants à
travers les tamis 76.2 ; 32.1 ; 13.6; 13,6 ; 6.8 ; 4 pixels.

38
 Tableau 7. Bases de données pour l’entrainement, la validation et le test de réseau de
neurones

Bases de données Exemples d’images Nombre d’images

D1 300

D2 387

D3 15

D Ilhem 256

39
L’ensemble de données est subdivisé :

• 70 % pour l’entrainement.
• 15 % pour la validation
• 15 % pour le test

On a utilisé l’outil MATLAB pour simplifier l’implémentation des réseaux de neurones grâce
à des toolbox et des fonctions déjà implémentées dans le logiciel (fitnet, patternet, network
etc…). Néanmoins certains paramètres peuvent améliorer la performance d’apprentissage du
réseau de neurones reste modifiable, tels que le taux d’apprentissage qui définit la vitesse à
laquelle notre réseau apprend, le nombre de couches cachées (intermédiaires), le nombre de
neurones, le nombre de paramètres d’entrée et de sortie ainsi que les fonctions de transfert et
de performance du réseau. Ces paramètres donnent un champ libre à l’utilisateur pour créer un
réseau de neurones sur mesure du problème auquel il fait face.

L’architecture du réseau est donnée par la fonction MATLAB « patternnet » utilisée ici pour
générer un ANN pour répondre à notre besoin qui est la prédiction. La figure 31 illustre
l’architecture de notre réseau de neurones sur MATLAB. Le tableau 8 présent les différents
paramètres utilisés dans ANN_ilhem et la figure 32 présente le code MATLAB de réseau de
neurones de notre projet.

Figure 29. Architecture de réseau de neurones MATLAB

40
41
Figure 30.code MATLAB d’entrainement, de validation et de test de réseau de neurones

42
 Tableau 8. Paramètres de réseau de neurones implémentés sur MATLAB

Paramètre Valeur

Nombre de couches 2

Taille de la couche cachée 9

Taille de la couche de sortie 5
Fonction d’activation de la couche cachée Sigmoïde
Fonction d’activation de la couche de sortie Purelin
Fonction de perte Erreur Quadratique moyenne (MSE)
Trainlm (Rétropropagation de
Fonction d’entrainement
Levenberg-Marquardt)

Taux d’apprentissage 0.01

Nombre d’itérations (epochs) 2000

Fonction de performance RMSE

• Purelin est une fonction de transfert linéaire qui calcule la sortie d'une couche à partir
de son entrée nette (Matsshworks, 2022).
• La fonction trainlm est une fonction d'apprentissage du réseau qui met à jour les valeurs
de poids et de biais selon l'optimisation de Levenberg-Marquardt qui permet d'obtenir
une solution numérique au problème de minimisation d'une fonction, souvent non
linéaire et dépendant de plusieurs variables (The MathWorks,2005).
• Le nombre d’itérations (epochs) : vu qu’on sait que le modèle va s’ajuster au fur et à
mesure, celui-ci doit savoir le nombre de fois qu’il va devoir faire. On a choisi une
répétition de 2000 parce que plus ce nombre est grand plus le modèle apprend.
• La fonction fitnet renvoie une fonction d’ajustement de réseau de neurones avec la taille
de couche cachée. (Mathworks, 2022).

43
 Chapitre 3
Résultats et discussion
 Chapitre 3 : Résultats et discussion
Ce chapitre présente l’ensemble des résultats et une discussion. En premier lieu, on va
interpréter les cartes d’entropie qu’ont été obtenues avec les scripts python, qui sont présentés
dans la figure 35 et 36. Les résultats de calcul d’entropie pour quelques images de DIlhem sont
présentés. Ensuite, les résultats d’analyse granulométrique par tamisage sont présentés par les
courbes granulométriques et on va présenter les résultats d’interpolation des bases de données
de Géo Niagara. Ainsi, on va présenter les résultats de réseau de neurones sont présentés par
la suite.

3.1. Résultats et discussion

3.1.1. Cartes d’entropie locale

Les figures 33 et 34 présentent les deux cartes d’entropie locale pour une photographie réelle
de l’échantillon E10(issu de quartage) qui sont obtenues à l’aide des codes python qu’on a
présenté dans les figures 35 et 36. On a utilisé pour obtenir la carte (figure 33) un filtre de
rayon (r = 1 pixels) qu’est le plus petit. Il permet de distinguer les contours des particules
grossières qui sont associés à des valeurs d’entropie élevées car les intensités de niveaux des
gris sont variables. En fait, la valeur d’entropie locale est plus élevée pour les contours des
particules grossières car les particules fines les entourent (Duhaime et al, 2021).

Pour l’obtention de la carte (figure 34), on a utilisé un filtre de rayon (r = 15 pixels). Avec ce
filtre, on peut distinguer facilement les particules grossières puisqu’elles sont associées à des
valeurs d’entropie plus faibles. Donc les valeurs d’entropie locale les plus faibles sont à
l’intérieur des particules grossières.

44
Figure 31.Carte d’entropie avec disque (r=1pixels)

Figure 32.Carte d’entropie avec disque (r=15 pixels)

45
Figure 33. Script python de carte entropie (r=1 pixels)

Figure 34. Script python de carte entropie (r=15pixels)

46
3.1.2. Les données pour l’entraînement, la validation et le test de Modèle

• Granulométrie des données

➢ Granulométrie de base de données DIlhem

Les figures 37, 38, 39 et 40 montrent l’ensemble des courbes granulométriques de 16

échantillons issus de chaque méthode d’échantillonnage.

Les courbes granulométriques des échantillons issus de pile unidimensionnelle et de

pelletage fractionné sont très serrées, ce qui nous permet de conclure que ces deux méthodes
sont représentatives par rapport aux autres méthodes : quartage et mini pile. Les courbes
granulométriques de ces dernières sont plus espacées ce qui reflète l’hétérogénéité dans les
échantillons obtenus par ces deux méthodes.

100
pourcentages de passants(%)

90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels

Figure 35. Courbes granulométriques de 16 échantillons issus de

quartage

47
 100

Pourcentages de passants(%)
90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels

Figure 36. Courbes granulométriques de 16 échantillons issus de

pelletage fractionné

100
Pourcentages de passants(%)

90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels

Figure 37. Courbes granulométriques de 16 échantillons issus de pile

unidimensionnelle

48
 100
90

Pourcentages de passants (%)

80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels

Figure 38. Courbes granulométriques de 16 échantillons issus de mini

pile

La figure 41 présente les courbes granulométriques de 64 échantillons. Les échantillons

ont presque la même répartition des gammes de particules formant un fuseau
granulométrique, la différence de PSD entre les échantillons est due aux différentes
méthodes d’échantillonnage utilisées.

) 100
Pourcentages de passants (%)

90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis (pixels)

Figure 39. Les courbes granulométriques des 64 échantillons (base de

données DIlhem)

49
 ➢ Granulométries des bases de données D1, D2, D3 et DIlhem (en utilisant l’échelle
originale)

Si on va utiliser pour l’interpolation des granulométries de données Géo Niagara les tamis 152,
64, 27.2, 13.6 et 8 pixels en utilisant l’échelle originale (32.1 pixels). Les deux fuseaux
granulométriques de données Géo Niagara (en bleu) et données D Ilhem (en noir) présentent un
décalage comme le montre la figure 42. Donc, on n’a pas la même gamme des particules pour
nos données par conséquent le réseau de neurones va donner des faux résultats et on va avoir
un RMSE important.

Figure 40. Les deux fuseaux granulométriques de données de Géo Niagara et données
de DIlhem

➢ Granulométries des bases de données D1, D2 et D3 et DIlhem après interpolation avec le

changement d’échelle de photographie

Pour régler ce décalage , on a redimensionné les images de D Ilhem , on a calculé les tailles des
mailles de tamis avec la nouvelle échelle (16.02 pixels) et on a interpolé les granulométries de
Géo Niagara avec les nouvelles tailles des tamis comme c’est mentionné dans le chapitre2 La
figure 43 montre les deux fuseaux granulométriques de données qui sont superposés après les
modifications qu’on a fait .

50
 100,00

90,00

80,00
pourcentages de passants(%)

70,00
Données de
60,00 validation et de test
50,00
Données
40,00
d’entrainement
30,00

20,00

10,00

0,00
1 10 100
Taille des mailles de tamis ( pixels)

Figure 41. les deux fuseaux granulométriques de données d’entrainement , de

validation et de test de ANN_ilhem

NB : La plupart des pourcentages de passants pour le tamis 0.15 mm (2 pixels) est égale à zéro
pour les données de Géo Niagara (données d’entrainement) par conséquent on ne peut pas
prédire le pourcentage de passants avec ce tamis pour les données de test.

Donc notre réseau de neurones va prédire les pourcentages de passants pour

l’ensemble des tamis 4.75 mm, 2 mm, 0.85 mm, 0.425 mm et 0.25 mm.

• Résultats de calcul d’entropie locale de DIlhem

Les tableaux 9 et 10 montrent les résultats de calcul d’entropie locale (moyenne et écart type)
avec les filtres (1, 2, 4,6,10 ,15,24 ,39,61 pixels) pour les dix premières images dans la base de
données DIlhem (les photographies des échantillons issus de quartage). Ces derniers sont obtenus
avec le code MATLAB (figure 29)

51
 Tableau 9.Résultats de calcul de moyenne d’entropie locale pour les 9 filtres utilisées

Rayon de filtre 1 2 4 6 10 15 24 39 61
Images de D Ilhem Moyenne d'entropie locale
1 2.603 2.4833 2.1875 1.5636 0.8322 0.222 0.4411 0.6275 0.6631
2 2.6151 2.4723 2.1358 1.4877 0.7807 0.2355 0.4845 0.654 0.6572
3 2.5926 2.4472 2.1118 1.4694 0.7693 0.2511 0.5075 0.6757 0.6736
4 2.5983 2.45 2.1125 1.4685 0.774 0.2447 0.5008 0.6568 0.6513
5 2.6095 2.4707 2.1596 1.5222 0.802 0.2561 0.4815 0.6532 0.6679
6 2.607 2.4583 2.1332 1.491 0.7817 0.2776 0.5028 0.6581 0.6578
7 2.6073 2.4756 2.1717 1.5331 0.8021 0.2545 0.4649 0.6366 0.6618
8 2.679 2.5686 2.306 1.6841 0.9007 0.1854 0.385 0.5853 0.6493
9 2.5887 2.4345 2.0767 1.4221 0.7402 0.2499 0.504 0.6653 0.6562
10 2.5891 2.4316 2.0832 1.4454 0.7615 0.2566 0.5123 0.6572 0.6457

Tableau 10. Résultats de calcul de l’écart type d’entropie locale pour les 9 filtres utilisées

Rayon de filtre 1 2 4 6 10 15 24 39 61
Images de D Ilhem Écart-type d’entropie locale
1 2.5641 2.3424 1.9055 1.2095 0.1565 0.3215 0.5302 0.6755 0.6039
2 2.5681 2.3096 1.834 1.1416 0.1577 0.3532 0.5729 0.6803 0.5955
3 2.5443 2.2845 1.8131 1.126 0.1621 0.3756 0.5945 0.7017 0.604
4 2.5484 2.2869 1.8113 1.1282 0.1532 0.371 0.5838 0.6766 0.5922
5 2.5618 2.322 1.8676 1.1711 0.1755 0.3645 0.5658 0.6884 0.6039
6 2.5552 2.3016 1.8363 1.1439 0.1824 0.3892 0.5818 0.6827 0.5952
7 2.562 2.3312 1.8815 1.1763 0.175 0.3546 0.5467 0.6777 0.5998
8 2.6406 2.4467 2.0336 1.3084 0.123 0.275 0.475 0.6492 0.5995
9 2.5382 2.2599 1.7674 1.0854 0.1724 0.3698 0.5907 0.6843 0.5927
10 2.5364 2.2606 1.7834 1.1105 0.171 0.3816 0.5922 0.6717 0.588

52
3.1.3. Prédiction de pourcentages de passants à partir de réseau de neurones

Dans cette partie, on va présenter les résultats obtenus avec les 958 images pour lesquels on a
extrait l’entropie locale. Ces paramètres texturaux ont été utilisés comme intrants dans
ANN_ilhem pour la prédiction des pourcentages de passants. La figure 44 représente les
résultats de prédiction de pourcentages de passants avec le réseau de neurones artificiels pour
l’ensemble des tamis 4.75 mm, 2 mm, 0.85 mm, 0.425 mm, 0.25 mm. Pour des prédictions
parfaites, l’ensemble des points seraient sur la diagonale. On remarque qu’il y’a une corrélation
entre les valeurs réelles et prédites (axe des abscisses : pourcentages de passants réels, axe des
ordonnées : pourcentages de passants prédits), la majorité des points sont sur la diagonale. Plus
la valeur de RMSE est proche de zéro plus la prédiction est correcte. Pour l’ensemble des tamis
de ce projet, la valeur de RMSE est de 4.14 %. Les résultats montrent parfaitement la fiabilité
et la performance de modèle qui on a utilisé. La valeur de RMSE est minimale pour le tamis
4.75 mm et maximale pour le 2 mm.

Figure 42. Résultats de prédiction de test granulométrie par ANN_ilhem : pour les tamis
4.75 mm, 2 mm, 0.85 mm ,0.425 mm et 0.25mm l’ensemble des tamis pour les images
(Dilhem)

53
Le réseau de neurones sur lequel on a travaillé dans le cadre de ce projet montre une
performance légèrement meilleure (RMSE=4.14%) que celles obtenues par Manashti (2020)
(3.4 à 6.9 %), Temimi (2020) (7.1 à 9.9 %) et Pirnia et al (2018) (6.9%). Le travail de Manashti
(2020) et Temimi (2020) était basé sur le jeu de données préparé par Pirnia et al. (2018). Les
images de base de données ont compris une plus petite gamme de taille de particules et une plus
grande gamme de pourcentages de passants pour chaque taille de particules. Ces deux
différences conduisent à des prédictions plus difficiles et à des valeurs RMSE plus importantes.
Par contre, les ensembles de données D1, D2, D3, Dilhem présentent la plus petite gamme de
pourcentages passants pour chaque taille de particules.

Les ANN1, ANN2 de travail de Duhaime et al (2021) montrent des valeurs de RMSE
légèrement meilleures qu’on a obtenu avec notre réseau de neurones comme c’est présenté dans
le Tableau 11.

Tableau 11. Résultats de RMSE de trois réseaux de neurones (Duhaime et al,2021) et

ANN_ilhem

Types des images (données

d’entrainement de validation et de test
ANN de réseau de neurones) RMSE (%)

ANN1 D1 3.8

D2+D3
ANN2 3.4

D1+D2+D3
ANN3 4.4

ANN_ilhem D1+D2+D3+Dilhem 4.14

54
On peut expliquer la différence entre la performance de notre réseau de neurones et les réseaux
de neurones ANN 1, ANN2 (qu’sont entrainés par le même type d’images) par les différences
des valeurs d'entropie entre les images synthétiques (D2 et D3) et les photographies réelles (D1
et Dilhem). Cela est dû aux différences de texture des particules pour les deux types d'images. La
surface des particules réelles présente une texture variable à cause de leur lithologie et leur
minéralogie (Duhaime et al,2021). Cette texture Conduira à des valeurs d'entropie plus élevées
pour les surfaces des particules. Par contre, les images de D2 et D3 sont composées des
particules lisses (générées par YADE) qui peuvent conduire à des valeurs d'entropie plus
faibles.

Néanmoins notre réseau de neurones (ANN_ilhem) et ANN3 de travail de Duhaime et al (2021)

sont similaires, mais la valeur de RMSE est plus faible pour notre réseau de neurones,

Cela est dû au volume de données (958 images) utilisée avec notre réseau de neurones qu’est
plus importante que la base de données (702 images) utilisée avec ANN3. Plus on a une quantité
de données qu’est plus important plus la performance de réseau de neurones est meilleure.

55
 Conclusion

Le tamisage et sédimentométrie sont des méthodes régulièrement utilisée pour déterminer la

taille des grains d’un sol, mais aussi de quantifier le pourcentage que chaque classe des
particules occupe dans ce sol. L’utilisation des réseaux de neurones nous permet de produire
des analyses granulométriques très fidèles à celles obtenues par les méthodes traditionnelles
grâce à des photographies du sol. Le premier objectif de ce travail consistait à préparer une base
de données importante afin de pouvoir entrainer et tester le réseau de neurones. Des
photographies de sable ont été faites en utilisant un dispositif de montage constitué d’une plaque
de verre sur laquelle repose notre échantillon de sol, ainsi que deux appareils photo avec objectif
de distance focale 50 mm. Nous avons développé un script MATLAB afin de recueillir les
différences texturales sur ces photographies en se basant sur l’entropie calculée grâce à la
fonction Entropyfilt sur exactement 9 filtres circulaires de rayons différents. Les moyennes
d’entropie sur chaque photographie ainsi que les écarts types soient un total de 9 moyennes et
9 écarts types ont été utilisés comme intrants de notre réseau de neurones.

Le second objectif était de développer un réseau de neurones de prédiction afin de déterminer

les pourcentages des particules passants sur chaque tamis en se basant sur le code ANN3 de
François Duhaime. ANN_ilhem a été produit grâce au toolbox Matlab Designer Network. Nous
avons utilisé la base de données Géo Niagara soit 702 images pour entrainer, 256 pour tester et
valider les réseaux de neurones. Une RMSE de 4.14% pour le réseau ANN a été obtenue
comparativement à un RMSE de 4.4% du script de François Duhaime. Ces valeurs nous
permettent de dire que les réseaux de neurones présentent des résultats convaincants et fidèles
aux granulométries obtenues par le tamisage sous un délai plus court ce qui nous amène à
créditer ces méthodes par rapport aux traditionnelles.

56
 Recommandations
• L’optimisation de réseau de neurones serait un autre point sur lequel pourrait porter les
futurs travaux. Le réseau de neurones qui avait pour objectif de prédire le pourcentage
passant en fonction de ces caractéristiques (écart type et moyenne de l’entropie) a donné
un RMSE 4.14 %. Il serait possible d’envisager d’améliorer les résultats en utilisant
d’autres hyperparamètres : changer le nombre de couches, la fonction d’activation, la
rétropropagation.
• Parmi les problèmes majeurs qu’on a vécus c’est la durée de calcul de l’entropie pour
les tailles de filtres assez grandes (24, 39 et 61 pixels). Pour réduire ce temps, on peut
explorer la notion de circonvolution Atrous de la nouvelle architecture DeepLabv3
développée par Google.
• Amélioration du montage expérimental avec lequel on a pris les photographies par
utilisation de LabVIEW pour contrôler le montage à distance car lors de l’utilisation de
télécommande à fils lié aux caméras pour éviter le déplacement des caméras lors de
prises de photographie comme conséquence les images deviennent floues.
• Changement de trépied qui fixe la caméra qui prend les photographies du dessous par
un bras qui fixe la caméra par un visé pour éviter tous mouvements.
• Amélioration de dispositif d’éclairage pour éviter les problèmes d’ombre et reflet qui
on a remarqué dans les photographies du dessous.

57
 Liste des références bibliographiques

ASTM International.(2021) .Standard Test Method for Particle-Size Distribution (Gradation)

of Fine-Grained Soils Using the Sedimentation (Hydrometer) Analysis .Norme D7928-21.
ASTM International.(2018).Standard Practice for Reducing Samples of Aggregate to Testing
Size.Norme . C702/C702M-18.
ASTM International. (2017b). Standard Test Methods for Particle-Size Distribution
(Gradation) of Soils Using Sieve Analysis. Norme D6913 / D6913M-17. West
Conshohocken, PA: ASTM International
ASTM International.(2017).Standard Practice for Classification of Soils for Engineering
Purposes (Unified Soil Classification System). Norme D2487 − 17´1.sssss
Basseville, M. (1979). Détection de contours: méthodes et études comparatives. Annales des
Télécommunications, 34(11), 559-579. doi:10.1007/BF03004242
Beaulac, C. (2015). INTELLIGENCE ARTIFICIELLE AVEC APPRENTISSAGE
AUTOMATIQUE POUR L'ESTIMATION DE LA POSITION D'UN AGENT MOBILE EN
UTILISANT LES MODÈLES DE MARKOV CACHÉS. UNIVERSITÉ DU QUÉBEC À
MONTRÉAL.Montréal. Canada . https://core.ac.uk/download/pdf/77618521.pdf
Blanc-Durand , P .(2018) .Réseaux de neurones convolutifs en médecine nucléaire :
Applications à la segmentation automatique des tumeurs gliales et à la correction
d’atténuation en TEP/IRM. Paris Descartes. Paris, France.
https://www.researchgate.net/publication/330995099_Reseaux_de_neurones_convolutifs_en_
medecine_nucleaire_Applications_a_la_segmentation_automatique_des_tumeurs_gliales_et_
a_la_correction_d%27attenuation_en_TEPIRM
Chapuis, R. (2012). Predicting the saturated hydraulic conductivity of soils: A review.
Bulletin of Engineering Geology and the Environment, 71(3), 401-434. doi:10.1007/s10064-
012-0418-7
Cowan,D.(2020).The Science of Machine Learning.https://www.ml-science.com/sigmoid-
activation-function
Cowan,D.(2020).The Science of Machine Learning.https://www.ml-science.com/tanh-
activation-function
Cyr t,M ., et Tagnit-Hamou ,A .(2001), Particle size distribution of fine powders by LASER
diffraction spectrometry. Case of cementitious materials. Département de Génie Civil,
Université de Sherbrooke, Qudbec, Canada,J1K 2R I .
https://link.springer.com/content/pdf/10.1007/BF02486485.pdf
Djeriri , Y.(2017). Les Réseaux de Neurones Artificiels. University of Sidi-Bel-Abbes.
Algérie. file:///C:/Users/DELL/Downloads/Polycopie_RNA.pdf
Duhaime,F.,Pirnia,P ., Manashti ,J.,Temimi,M ., Dubé ,S ., Toews ,M .(2021).
Particle size distribution from photographs: comparison of synthetic and real granular material
images. Department of Construction Engineering – École de technologie supérieure,
Montréal, Québec, Canada.
ES-SABERY ,F., HAIR , A., QADIR, J.,SAINZ-DE-ABAJO ,B., GARCÍA-
ZAPIRAIN,B.(2021).Sentence-Level Classification Using ParallelFuzzy Deep Learning
Classifier. IEEEAcces.
Ferrari, S., Piuri, V., & Scotti, F. (2008). Image Processing for Granulometry Analysis via
Neural Networks, IEEE International Conference on Computational Intelligence for
Measurement Systems and Applications, Istanbul, Turkey, (pp. 28-32),
doi:10.1109/CIMSA.2008.4595827 .
FOURNIER, J., BONNOT-COURTOIS, CH. (2012). Analyses granulométriques Principes
et méthodes. CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE ECOLE
PRATIQUE DES HAUTES ETUDES. Raphaël PARIS, Monique LE VOT.
https://www.researchgate.net/profile/Jerome-Fournier-
4/publication/262168222_Analyses_granulometriques_Principes_et_methodes/links/0deec53
6cc0f075b4e000000/Analyses-granulometriques-Principes-et-methodes.pdf
Facco, P., Santomaso, A. C., & Barolo, M. (2017). Artificial vision system for particle size
characterization from bulk materials. Chemical Engineering Science, 164, 246-257.
doi:https://doi.org/10.1016/j.ces.2017.01.053
Goodfellow , I . ,Bengio , Y. , Courville , A . (2016 ). Deep Learning
.file:///C:/Users/DELL/Downloads/DeepLearningBook.pdf
Gonzalez ,R. C. , et Woods,R.E(2018).Digital Image Processing ( 4th Edition) .New York ,
NY :Pearso
Hryciw, R., Ohm, H., & Zhou, J. (2013). Theoretical Basis for Optical Granulometry by
Wavelet Transformation. Journal of Computing in Civil Engineering, 29, 04014050.
doi:10.1061/(ASCE)CP.1943-5487.0000345
Hryciw, R., & Jung, Y. (2009). Three-point imaging test for AASHTO soil classification.
Transportation Research Record, 2101, 27-33. doi:10.3141/2101-04
Hamzeloo, E., Massinaei, M., & Mehrshad, N. (2014). Estimation of particle size distribution
on an industrial conveyor belt using image analysis and neural networks. Powder Technology,
261, 185–190. doi:10.1016/j.powtec.2014.04.038
https://www.memoireonline.com/12/09/3040/m_La-liaison-automatique-des-plusieurs-
images-percues-sur-un-scanner4.html
Keldenichk, T.(2021). Fonction d’activation, comment ça marche ? – Une explication
simple.Inside machine learning . https://inside-machinelearning.com/fonction-dactivation-
comment-ca-marche-une-explication-simple/#SELU
Kriger C. (2007), "Prediction of the influent wastewater variables Using Neural
Networktheory", thèse de Doctorat, Cape Peninsula University of Technology, RSA,
331pages.
 Larkin, K. (2016). Reflections on Shannon Information: In search of a natural
informationentropy for images. Image science and optics journal, 47. Repéré à
https://arxiv.org/abs/1609.01117
Michel, F., & Courard, L. (2006). Apport de la granulométrie laser dans la caractérisation
physique des fillers calcaires. Article présenté à the Septième édition des Journées
scientifiques du Regroupement francophone pour la recherche et la formation sur le
béton, Toulouse, France.
(PDF) APPORT DE LA GRANULOMÉTRIE LASER DANS LA CARACTÉRISATION
PHYSIQUE DES FILLERS CALCAIRES (researchgate.net)
Maerz, N., Palangio, T., & Franklin, J. (1996). WipFrag Image Based Granulometry System.
Article présenté à Proceedings of the FRAGBLAST 5 Workshop on Measurement of Blast
Fragmentation, Montreal, Quebec, Canada, (p 91-99).
Manashti, M. , Duhaime,F. , Toews , M., Pirnia,P .(2020). Predicting the Particle Size
Distributions of Spherical Particle Sets from Synthetic Images: A Comparison of 9 Classic
Image Features . Laboratory for Geotechnical and Geoenvironmental Engineering (LG2),
Systems Engineering Department, École de technologie supérieure, Montréal, Canada .
Manashti, M. (2020). Particle size distributions through image analysis. Ph.D. Thesis . École
de technologie supérieure de Montréal.
Mathworks R2022b, (2022),
https://ch.mathworks.com/help/deeplearning/ref/purelin.html#description
MonCoachData.(2022).Comprendre les réseaux de
neurones.https://moncoachdata.com/blog/comprendre-les-reseaux-de-neurones/
Mustafa, M., Rezaur, R., Saiedi, S., Rahardjo, H., and Isa, M. 2012. Evaluation of MLP-ANN
training algorithms for modeling soil pore-water pressure responses to rainfall. Journal of
Hydrologic Engineering, 18(1), 50- 57
Outal, S. (2006). Quantification par analyse d'images de la granulométrie des roches
fragmentées : amélioration de l'extraction morphologique des surfaces, amélioration de la
reconstruction stéréologique. (Thèse de doctorat en Géologie appliquée. Ecole Nationale
Supérieure des Mines de Paris, 2006).
PATTERSON, J., & GIBSON, A. (2017). Deep Learning a practitioner's approach.
O'REILLY .
Pirnia,P.,Duhaime,F.,and Manashti,M.(2018).Machine learning algorithms for applications in
geotechnical engineering.Ecole de technologie supérieure.Montréal,Canada
Scott, R.-F. (1989). Esaai en centrifugeuse et technique de la modélisation. Revue Française
de Géotechique, 48, 15-34. http://www.geotech-fr.org/sites/default/files/rfg/article/48-2.pdf
Saint-Cirgue,G.(2019).Apprentissage Supervisé.https://machinelearnia.com/apprentissage-
supervise-4-etapes/.London
Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical
Journal, 27(3), 379-423. doi:10.1002/j.1538-7305.1948.tb01338.x
 Sharma,S., Simone,S., Athaiya ,A.(2020). ACTIVATION FUNCTIONS IN NEURAL
NETWORKS. International Journal of Engineering Applied Sciences and Technology. Jaipur.
file:///C:/Users/DELL/Desktop/fonction%20d'activation.pdf.
Shin, S., & Hryciw, R. (2004). Wavelet Analysis of Soil Mass Images for Particle Size
Determination. Journal of Computing in Civil Engineering, 18(1).
doi:10.1061/(ASCE)0887-3801(2004)18:1(19)
Sobel, I., & Feldman, G. (1973). A 3×3 isotropic gradient operator for image processing.
Pattern Classification and Scene Analysis, 271-272.
Singh, P. K., Roy, M. P., Paswan, R. K., Sarim, M., Kumar, S., & Ranjan Jha, R. (2016).
Rock fragmentation control in opencast blasting. Journal of Rock Mechanics and
Geotechnical Engineering, 8(2), 225-237. doi:https://doi.org/10.1016/j.jrmge.2015.10.005
Sultan,H., Salem,N., Al-Atabany,W.(2019).Multi-classification of Brain Tumor Images using
Deep Neural Network .Department of Biomedical Engineering, Faculty of Engineering,
Helwan University, Cairo, Egypt .
Taormina, R., Chau, K.-W., and Sethi, R. 2012. Artificial neural network simulation of hourly
groundwater levels in a coastal aquifer system of the Venice lagoon. Engineering
Applications of Artificial Intelligence, 25(8), 1670-1676
Temimi , M. 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. École de technologie supérieure. Montréal , Canada .

The MathWorks, Inc. (1992-2005).http://matlab.izmiran.ru/help/toolbox/nnet/trainlm.html.

Zemouria ,R.,Devallandb ,CH. Valmary-Deganoc,S .,Zerhounid,N.2019. Intelligence

artificielle : quel avenir en anatomie pathologique ?. HESAM université . France.
https://doi.org/10.1016/j.annpat.2019.01.004
 Annexe I

Textures d’Haralick
 Annexe II : les Résultats d’analyse
granulométrique par tamisage pour
les 64 échantillons
 Quartage
E E E E E E E E E E E E E E E E
1(en 2 (en 3 (en 4 (en 5 (en g) 6 (en g) 7 (en g) 8 (en 9 (en g) 10 (en 11 (en 12 (en 13 (en 14 (en 15 (en 16 (en g)
g) g) g) g) g) g) g) g) g) g) g)
Masse Totale 455,0 455,87 458,25 451,96 428,22 418,1 499,17 439,15 468,84 491,66 468,48 511,66 459,28 461,39 478,88 486,42
initiale(g) 4
Tamis(mm) Pourcentages de passants sur les tamis

4,75
85,11 83,19 82,69 81,4 86,36 86,46 81,18 89,37 79,63 80,22 78,84 78,64 78,49 76,8 81,78 79,66
2
59,94 59,54 56,77 55,99 66,48 63,57 58 63,32 55,36 54,74 54,23 50,72 55,35 52,4 58,11 54,78
0,85
31,71 31,51 29,55 30,21 39,21 35,45 32,4 35,86 30,31 28,16 27,49 25,14 30,43 27,35 31,89 28,48
0,425
14,14 14,47 13,26 14,38 18,93 17,27 15,43 16,78 13,87 12,71 12,31 11,08 14,85 12,37 14,64 12,54
0,25
5,04 5,42 4,8 5,58 7,11 6,8 5,77 6,24 5,15 4,71 4,41 4,02 5,88 4,52 5,25 4,43
0,15
0,46 0,45 0,41 0,46 0,54 0,53 0,45 0,45 0,46 0,4 0,39 0,32 0,52 0,38 0,41 0,37
 Pile unidimensionnelle
E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 456,26 485,91 421,93 465,32 462,34 484,27 461,7 474,91 453,35 470,25 473,9 465,57 476,57 507,53 468,47 473,61

Tamis (mm) Pourcentages de passants pour les tamis

4,75 77,68 82,12 80,17 82,14 79,67 82,62 77,16 81,62 81,65 85,93 79,99 84,25 80,96 83,38 80,29 83,45

2 52,07 58,71 54,01 59,49 53,82 59,77 52,46 58,3 56,08 61,34 55,23 60,97 55,43 60,39 54,08 60,03

0,85 26,99 31,78 28,51 33,01 28,7 32,83 27,89 31,66 30,13 33,26 29,22 33,91 29,45 32,93 28,35 33,11

0,425 12,19 14,65 13,43 15,29 13,43 15,28 12,92 14,52 14,03 15,27 13,33 15,78 13,64 15,39 12,84 15,39

0,25 4,46 5,52 5,06 5,73 5,04 5,73 4,74 5,38 5,19 5,64 4,91 5,93 5,09 5,83 4,73 5,76

0,15 0,35 0,43 0,4 0,44 0,4 0,44 0,36 0,41 0,39 0,41 0,39 0,43 0,4 0,44 0,36 0,43
 Pelletage fractionné
E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 488,39 494,08 500,4 485,59 489,32 469,2 450,85 468,27 453,53 480,46 489,96 484,39 469,2 472,62 453,27 459,1

Tamis (mm) Pourcentages de passants pour les tamis

4,75 91,75 90,19 88,37 100,59 83,53 83,3 72,16 78,21 91,49 100,4 85,49 98,13 73,05 80,83 65,92 92,84

2 118,85 123,5 124,3 109,88 113,45 111,96 131,97 110,32 111,59 112,84 119,93 125,86 112,76 111,87 109,09 122,78

0,85 125,89 131,13 131,29 123,03 131,42 123,88 119,31 129,15 114,22 121,75 129,96 121,89 127,92 131,42 125,28 122,28

0,425 83,14 79,31 83,83 79,6 84,39 79,59 69,08 79,99 72,98 76,44 82,8 74,25 82,91 80,4 82,91 67,8

0,25 44,27 43,18 45,54 44,73 47,08 43,76 36,88 43,59 39,64 42,4 45,39 40,21 45,94 42,73 44,54 34,19

0,15 22,23 24,7 24,91 25,51 26,8 24,48 19,58 24,46 21,72 24,47 24,34 22,01 24,58 23,15 23,36 17,66
 Mini pile

E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 435,98 489,83 435,38 476,26 504,87 469,2 489,69 464,3 433,26 425,27 465,29 473,2 469,56 470,88 503,99 526,93

Tamis (en mm) Pourcentages de passants

4,75 74,27 81,51 78,7 77,01 81,42 77,28 84,56 84,07 86,7 80,66 84,73 84,47 82,65 84,21 79,74 73,55

2 47,45 58,65 55,23 49,93 59,4 53,9 64,36 59,76 66,24 55,03 61,86 61,57 55,9 60,36 53,24 45,87

0,85 22,21 32,83 28,93 25,39 32,62 28,97 37,14 32,61 39,22 29,53 36,19 35,76 27,31 33,9 26,36 21,68

0,425 9,14 14,84 12,85 11,14 15,19 12,9 18,18 15,35 19,59 13,45 18,03 18,16 12 16,09 11,28 9,51

0,25 3,02 5,09 4,56 3,97 5,66 4,54 7,11 5,85 7,72 4,85 7,18 7,2 4,42 5,96 3,92 3,63

0,15 0,27 0,36 0,35 0,33 0,41 0,36 0,5 0,45 0,54 0,38 0,53 0,53 0,35 0,43 0,32 0,42
 Annexe III exemples de types de fonction d’activation

• ReLU

La fonction Rectified Linear Unit (ReLU) est la fonction d’activation la plus simple. Elle
permet d’effectuer un filtre sur nos données.

Elle laisse passer les valeurs positives (x > 0) dans les couches suivantes du réseau de
neurones. Elle est utilisée souvent dans les couches intermédiaires mais surtout pas dans la
couche finale (Keldenich ,2021). La figure 1 présente la fonction d’activation ReLU.

Figure 1. La fonction Rectified Linear Unit (ReLU) (Sultan et al., 2019)

• Fonction sigmoïde (sigmoid)

La fonction Sigmoïde donne une valeur entre 0 et 1, une probabilité. Elle est donc très utilisée
pour les classifications binaires, lorsqu’un modèle doit déterminer seulement deux labels
(Keldenich ,2021). La figure 2 montre la fonction sigmoïde.
 Figure 2. La fonction sigmoïde (Cowan,2020)

• Softmax

Elle permet de transformer un vecteur réel en vecteur de probabilité. On l’utilise souvent dans
la couche finale d’un modèle de classification, notamment pour les problèmes multi-classe.
Dans la fonction Softmax, chaque vecteur est traité indépendamment (Keldenich ,2021). La
figure 3 présente la fonction d’activation Softmax.

Figure 3. La fonction Softmax (ES-SABERY et al. ,2021)

 • Tanh

La fonction tangente hyperbolique est une fonction trigonométrique hyperbolique qui donne un
résultat entre -1 et 1 (Keldenich ,2021). La figure 4 montre la fonction tangente hyperbolique.

Figure 4. La fonction tanh (Cowan,2020)

 Application des techniques de traitement d’images pour l’analyse
granulométrique des sols : utilisation d’entropie et de réseau de
neurones

Ilhem Msehli

‫ فإن لها‬،‫ ومع ذلك‬،PSD ‫ يتم استخدام عدة طرق لتحديد‬.‫اختبارا مه ًما للغاية في مجال الجيوتكنيك‬
ً ‫ تحليل حجم الحبيبات هو‬.‫الخالصة‬
‫ باستخدام تحليل الصور والذكاء‬،‫ سنمضي في طريقة أبسط وأسرع‬،‫ لتجنب إضاعة الوقت‬.‫عيوبًا من حيث وقت التنفيذ والتعقيد‬
‫ الستخراج خصائص الصور التي تم استخدامها كمدخالت في شبكة عصبية‬، ‫ استخدمنا االنتروبيا‬،‫ في هذا السياق‬.‫االصطناعي‬
‫ تم تدريب هذه الشبكة من خالل صور‬.‫ لدينا نموذج مدرب على التنبؤ بنسبة المرور من التربة‬، ‫اصطناعية من خالل هذه الشبكة‬
‫ تم استخدام النسب المئوية لعرض النطاق الترددي الفعلي للتحقق من أداء‬.‫حقيقية وتركيبية للتربة وتم اختبارها من خالل صور حقيقية‬
.‫ صغيرة جدًا بين النسبة المئوية المتوقعة والفعلية‬RMSE ‫ تكون النتائج صحيحة عندما يتم الحصول على قيمة‬.‫الشبكة العصبية‬

Résumé : L'analyse granulométrique est un essai très important dans le domaine de géotechnique.
Plusieurs méthodes sont utilisées pour déterminer PSD, néanmoins, elles présentent des inconvénients
en matière de durée d'exécution et de complexité. Pour éviter la perte de temps on va procéder à une
méthode plus simple et rapide, en utilisant l'analyse d'image et l'intelligence artificielle. Dans ce cadre
on a utilisé l’entropie, pour l’extraction des caractéristiques d’images qu’sont utilisés comme intrants
dans un réseau de neurones artificiels à travers ce réseau, on a un modèle entrainé pour prédire le
pourcentage passant d'un sol. Ce réseau a été entrainé par des images réelles et synthétiques de sols et a
été testé par photographies réelles. Les pourcentages de passants réels ont été utilisé pour la vérification
de performance de réseau de neurones. Les résultats sont valides lorsqu'on obtient une valeur RMSE
très petite entre pourcentages prédits et réelles.

Abstract : Particle size analysis is a very important test in the field of geotechnics. Several methods are
used to determine PSD, nevertheless, they have disadvantages in terms of execution time and complexity. In
order to avoid the loss of time we will proceed to a simpler and faster method, using image analysis and
artificial intelligence. In this framework we have used the entropy, for the extraction of the characteristics of
images that have been used as inputs in a network of artificial neurons through this network, we have a trained
model to predict the percentage passing of a soil. This network has been trained by real and synthetic images
of soils and has been tested by real photographs. The percentages of real passings were used for the
verification of the neural network performance. The results are valid when a very small RMSE value between
predicted and real percentage is obtained

RMSE ,‫ إنتروبيا‬،‫ الشبكة العصبية‬،‫ تحليل الصور‬،‫ قياس الحبيبات‬:‫المفاتيح‬

Mots clés: Granulométrie, Analyse d’images, Réseau de neurones,

Entropie, RMSE
Key-words: Granulometry, Analyze the images, Neural network, Entropy, RMSE