{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:4065"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:4065","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Analyse granulométrique d'échantillons de sol par vision par ordinateur et réseaux de neurones","abstract":"L'analyse granulométrique optique couplée à l'apprentissage profond propose une alternative rapide au tamisage mécanique traditionnel pour la caractérisation des sols. Ce mémoire présente le développement d'une base de données ouverte, nommée Photogranulometry, comprenant 12 714 images à haute résolution de 316 échantillons de sols annotés avec leurs courbes de distribution granulométrique en laboratoire. Afin de traiter cette haute dimensionnalité visuelle sous une supervision faible, une architecture basée sur l'apprentissage par instances multiples avec mécanisme d'attention (ABMIL) et un extracteur de caractéristiques DINOv2 est introduite. Cette méthode analyse les photographies sous forme de tuiles regroupées pour prédire la courbe granulométrique globale sans segmentation explicite. Le modèle atteint une erreur absolue moyenne pondérée médiane de 4,06 %. L'étude démontre la viabilité de l'approche sur des échantillons humides, ce qui élimine l'étape de séchage en laboratoire et permet une analyse géotechnique in situ.","abstract_html":"L&#x27;analyse granulométrique optique couplée à l&#x27;apprentissage profond propose une alternative rapide au tamisage mécanique traditionnel pour la caractérisation des sols. Ce mémoire présente le développement d&#x27;une base de données ouverte, nommée Photogranulometry, comprenant 12 714 images à haute résolution de 316 échantillons de sols annotés avec leurs courbes de distribution granulométrique en laboratoire. Afin de traiter cette haute dimensionnalité visuelle sous une supervision faible, une architecture basée sur l&#x27;apprentissage par instances multiples avec mécanisme d&#x27;attention (ABMIL) et un extracteur de caractéristiques DINOv2 est introduite. Cette méthode analyse les photographies sous forme de tuiles regroupées pour prédire la courbe granulométrique globale sans segmentation explicite. Le modèle atteint une erreur absolue moyenne pondérée médiane de 4,06 %. L&#x27;étude démontre la viabilité de l&#x27;approche sur des échantillons humides, ce qui élimine l&#x27;étape de séchage en laboratoire et permet une analyse géotechnique in situ.","abstract_has_math":false,"creators":["Plante St-Cyr, Thomas"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-07-31","date_published":"2026-07-31","updated_at":"2026-11-18T22:11:27Z","subjects":["vision par ordinateur, apprentissage profond, granulométrie optique, géotechnique, apprentissage par instances multiples, distribution granulométrique"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE4065"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE4065","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/4065/1/PLANTE_ST_CYR_Thomas.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A4065","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Plante St-Cyr, Thomas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026-07-31"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["vision par ordinateur, apprentissage profond, granulométrie optique, géotechnique, apprentissage par instances multiples, distribution granulométrique"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE4065","https://espace.etsmtl.ca/id/eprint/4065/1/PLANTE_ST_CYR_Thomas.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["L'analyse granulométrique optique couplée à l'apprentissage profond propose une alternative rapide au tamisage mécanique traditionnel pour la caractérisation des sols. Ce mémoire présente le développement d'une base de données ouverte, nommée Photogranulometry, comprenant 12 714 images à haute résolution de 316 échantillons de sols annotés avec leurs courbes de distribution granulométrique en laboratoire. Afin de traiter cette haute dimensionnalité visuelle sous une supervision faible, une architecture basée sur l'apprentissage par instances multiples avec mécanisme d'attention (ABMIL) et un extracteur de caractéristiques DINOv2 est introduite. Cette méthode analyse les photographies sous forme de tuiles regroupées pour prédire la courbe granulométrique globale sans segmentation explicite. Le modèle atteint une erreur absolue moyenne pondérée médiane de 4,06 %. L'étude démontre la viabilité de l'approche sur des échantillons humides, ce qui élimine l'étape de séchage en laboratoire et permet une analyse géotechnique in situ."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Analyse granulométrique d'échantillons de sol par vision par ordinateur et réseaux de neurones"]}]}],"canonical_facts":{"dc:creator":["Plante St-Cyr, Thomas"],"dc:date":["2026-07-31"],"dc:description":["L'analyse granulométrique optique couplée à l'apprentissage profond propose une alternative rapide au tamisage mécanique traditionnel pour la caractérisation des sols. Ce mémoire présente le développement d'une base de données ouverte, nommée Photogranulometry, comprenant 12 714 images à haute résolution de 316 échantillons de sols annotés avec leurs courbes de distribution granulométrique en laboratoire. Afin de traiter cette haute dimensionnalité visuelle sous une supervision faible, une architecture basée sur l'apprentissage par instances multiples avec mécanisme d'attention (ABMIL) et un extracteur de caractéristiques DINOv2 est introduite. Cette méthode analyse les photographies sous forme de tuiles regroupées pour prédire la courbe granulométrique globale sans segmentation explicite. Le modèle atteint une erreur absolue moyenne pondérée médiane de 4,06 %. L'étude démontre la viabilité de l'approche sur des échantillons humides, ce qui élimine l'étape de séchage en laboratoire et permet une analyse géotechnique in situ."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE4065","https://espace.etsmtl.ca/id/eprint/4065/1/PLANTE_ST_CYR_Thomas.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["vision par ordinateur, apprentissage profond, granulométrie optique, géotechnique, apprentissage par instances multiples, distribution granulométrique"],"dc:title":["Analyse granulométrique d'échantillons de sol par vision par ordinateur et réseaux de neurones"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:11:27Z"}