Optimisation de la segmentation automatique de matériaux granulaires fragmentés

optimisation of automatic segmentation of granular fragmented materials

• Auteur / Autrice : Théodore-Flavien Chabardes
• Direction : Petr Dokladal, Michel Bilodeau, Matthieu Faessel
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance le 16/05/2018
• Etablissement(s) : Paris Sciences et Lettres (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Centre de morphologie mathématique (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : Etablissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Jean-Yves Buffière
• Jury : Examinateurs / Examinatrices : Petr Dokladal, Michel Bilodeau, Katja Schladitz
• Jury : Rapporteurs / Rapporteuses : Marc Van Droogenbroeck, Jos B. T. M. Roerdink

Mots clés

Mots clés contrôlés

Traitement d'images

Mots clés libres

Morphologie mathématique

CT-Scan

Segmentation

Matériaux granulaires

Algorithmie

Apprentissage artificiel

Mathematical morphology

CT-Scan

Segmentation

Granular materials

Algorithmics

Machine learning

Résumé

Les propriétés physiques macroscopiques des matériaux granulaires découlent directement de leurs micro-structures. L'étude de tels matériaux nécessite la segmentation de leur structures 3D à partir d'images acquises par CT-scans. Cependant, ces images sont parfois difficiles à analyser, car de nombreux défauts et artefactes de reconstruction peuvent apparaître. Obtenir des structures 3D proches des données réelles nécessite un filtrage adapté, qui ne peut être obtenu que par une analyse approfondie du matériaux.Un filtrage adapté améliore la perception de chacun des grains et la structure 3D peut être alors obtenue par segmentation. La complexité de ces structures rend la tâche difficile : les grains qui la représentent prennent des formes irrégulières, allongées et pas nécessairement convexes. Ces grains sont généralement fortement agglomérés et difficiles à séparer. De plus, des phénomènes de fracturation sont fréquemment observés. Les grains sont éclatés en petits fragments pouvant s'éloigner de la position d'origine du grain.Dans le cadre de cette thèse, une chaîne complète de segmentation est présentée. Les données brutes d'acquisition sont tout d'abord filtrés et pré-traités pour en extraire un certain nombre de mesures statistiques , telles que le nombre de phase, le nombre de grains de chaque phase, la distribution des tailles de grains et l'identification spectral de chaque phase. Une première segmentation grossière est effectuée en utilisant la transformation de ligne de partage des eaux. Une hiérarchie des contours obtenus permet d'éliminer la sur-segmentation. Enfin, une méthode permettant d'évaluer la similitude entre deux bords adjacents est présenté, et nous permettera de réassembler les grains fragmentés, dont les fragments ont été dispersés.Les acquitions par CT-scan sont conséquentes et leur étude nécessite une utilisation efficace des architectures récentes de calcul. Le choix de la chaîne de traitement est basé sur l'étude de l'état de l'art et son application aux données 3D, avec comme objectif d'équilibrer les coûts de traitement et la qualité de la segmentation. Une nouvelle méthode de segmentation nous permet d'atteindre de meilleurs performances en améliorant également la qualité des résultats. Enfin, deux nouveaux algorithmes sont proposés pour la détection de composantes connexes et la transformation de ligne de partage des eaux.

The physical properties of granular materials on a macroscopic scale derive from their microstructures. The segmentation of CT-images of this type of material is the first step towards simulation and modeling but it is not a trivial task. However, the quality of those images is often affected by the presence of noise and reconstruction artefacts. Obtaining 3D structures that fit the reality requires an adapted filter, which can only be obtained by a complete analysis of the material.This adapted filter enhances each grain and the full structure of the material is obtained by segmentation. However, non-spherical, elongated or non-convex objects fail to be separated with classical methods. Moreover, grains are commonly fragmented due to external conditions. Grains are ground into multiple fragments of different shape and volume; those fragments drift from one another in the binder phase.In this thesis, a complete process chain is proposed to segment complex structures that can be acquired by CT-scan. The raw data is first filtered and processed, and statistical features are extracted such as the number of phases, the number of grains of each phase, the size distribution and spectral identification of the phases. A primary segmentation is performed to identify every connection between touching grains and is based on the watershed transform. A hierarchy is built on the obtained contours to eliminate over-segmentation. Reconstruction of grains from fragments is achieved using affinities that match the local thickness and the regularity of the interface.Typical CT-images are voluminous, and the study of granular materials requires efficient use of modern computing architectures. Studying the state-of-the-art and its application to 3D data has oriented our choice has allowed us to balance the quality of segmentation and the computing cost. A novel segmentation method allows for higher performances while improving the quality of the result. Finally, two new algorithms are proposed for the labeling of connected components and for the watershed transformation.