Particle size distribution from photographs: comparison of synthetic and real granular material images

Francois Duhaime, Pouyan Pirnia, Javad Manashti, Mehdi Temimi, Jean-Sebastien Dube, Matthew Toews

Dans les comptes rendus d’articles de la conférence: GeoNiagara 2021: 74th Canadian Geotechnical Conference; 14th joint with IAH-CNC

RÉSUMÉ: La distribution granulométrique des matériaux granulaires peut être déterminée à partir de photographies en utilisant les paramètres texturaux des images comme intrants dans des réseaux de neurones. Ces méthodes nécessitent un grand nombre d’images associées à des distributions granulométriques pour entrainer les réseaux de neurones. Cet article étudie la possibilité d’obtenir de plus grands ensembles de données en combinant des photographies de matériaux granulaires avec des images de synthèse créées avec le code d’éléments discrets YADE. Les textures de photographies réelles et d’images de synthèse présentant les mêmes granulométries ont été comparées en utilisant différents filtres d’entropie locale. Les deux types d’images montrent des textures semblables pour la même distribution granulométrique. Des réseaux de neurones distincts ont été entrainés pour prédire le pourcentage passant pour différentes tailles de particules en utilisant les photographies réelles, les images de synthèse ou une combinaison des deux. Des valeurs semblables de racine de l’erreur quadratique moyenne ont été obtenues pour les images de synthèse (3.4 %) et les photographies réelles (3.8 %).

ABSTRACT: The particle size distribution (PSD) of granular materials can be determined from photographs using image textural features as inputs for neural networks. These methods require a large number of images and the corresponding PSD for network training. This paper looks at the possibility of combining real photographs with synthetic images generated with the discrete element code YADE to build larger image datasets. The texture of real photographs and synthetic images with the same PSD was compared using different local entropy filters. Both types of images were shown to display similar textures for the same PSD. Separate neural networks were trained to predict the percentage passing for different particle sizes using real photographs, synthetic images, and both types of images. Similar root mean squared error on the percentage passing were obtained with the synthetic images (3.4 %) and real photographs (3.8 %).

Please include this code when submitting a data update: GEO2021_475

Retrouver cet article:
Les membres de la Société canadienne de géotechnique peuvent accéder à cet article, ainsi qu'à tous les autres articles de la Conférence Géotechnique Canadienne, dans le Espace membre. Les comptes rendus d'articles sont également disponibles dans de nombreuses bibliothèques.

Citer cet article: