Dépôt institutionnel de l'UQO
RECHERCHER

A learning-based method for 3D object modeling and deformation prediction using neural networks

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Tawbe, Bilal (2021). A learning-based method for 3D object modeling and deformation prediction using neural networks. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 141 p.

[thumbnail of Tawbe_Bilal_2021_these.pdf]
Prévisualisation
PDF
Télécharger (4MB) | Prévisualisation

Résumé

La représentation réaliste des déformations d’objets 3D reste un domaine de recherche actif, notamment pour les déformations dont le comportement ne peut pas être décrit simplement en termes de paramètres d'élasticité. Plusieurs méthodes ont été proposées dans la littérature pour modéliser des objets déformables. La plupart de ces méthodes supposent que les paramètres décrivant le comportement de l'objet sont connus à l'avance ou que les valeurs de ces derniers sont choisies manuellement en les ajustant jusqu'à ce que la forme et le comportement de l'objet paraissent plausibles. Ce n'est pas un processus facile et ne peut pas être adopté lorsqu'une certaine précision du modèle est souhaitée. Ces problématiques justifient l’intérêt porté au développement des nouvelles méthodes qui ne tiennent pas compte des matériaux de l’objet, comme notre méthode proposée.
Dans cette thèse nous proposons une nouvelle méthodologie pour la modélisation et à la prédiction de la déformation d’objets souples qui ne font pas d’hypothèses sur les matériaux de l’objet. Nous capitalisons sur les solutions d’intelligence informatique, notamment sur la combinaison de la technique de neural-gas avec les réseaux de neurones à propagation avant (feedforward neural network).
Une nouvelle approche basée sur l'ajustement du neural-gas est proposée pour décrire les particularités d'une déformation sur la surface 3D sélectivement simplifiée de l'objet, sans avoir de connaissance des matériaux de l'objet. Une procédure d'alignement, un regroupement basé sur la distance et l'inspiration de l'échantillonnage stratifié sont des blocs de soutien supplémentaires à cette fin.
Une série de réseaux de neurones à propagation avant (feedforward neural network) est ensuite entraînée pour prévoir la correspondance entre les paramètres de force caractérisant l'interaction avec l'objet et la modification de la forme de l'objet, tels que capturés par la méthode de gaz neuronal ajusté. Cette méthode permet de prédire la position des noeuds gazeux neuronaux pour des amplitudes de force et des angles non mesurés. Des tests sur des ensembles de données ont permis de valider l’approche et évaluer sa performance par rapport aux travaux de la littérature.
Cette méthode est améliorée et adaptée pour pouvoir prédire la déformation d'un objet en utilisant des forces importantes pouvant atteindre 100 N. Alors que, dans la première version de notre méthode, nous avons prédit les objets en augmentant la force utilisée dans l'entraînement des réseaux de neurones jusqu'à un maximum de 5 N. Dans la première version de notre méthode, nous avons utilisé 3 réseaux par cluster (5 clusters pour représenter chaque objet déformé) et dans la version améliorée, nous avons utilisé un seul réseau pour prédire l'objet entier. De cette façon, nous avons réduit le nombre d'opérations et le temps de calcul est devenu beaucoup plus court.
Nous avons adapté notre méthode de prédiction pour pouvoir transférer l'apprentissage entre plusieurs réseaux de neurones. Par cette méthode, nous pouvons prédire la déformation d'un petit objet en utilisant de grands objets déformés et prédire la déformation sur un grand objet en utilisant de petits objets déformés. Cette méthode fonctionne en utilisant des objets qui ont les mêmes formes et matériaux. Enfin, la méthode proposée est comparée à une méthode de modélisation classique pour la modélisation d'objets déformables, la méthode des éléments finis (FEM).

Type de document: Thèse (Thèse)
Directeur de mémoire/thèse: Allili, Mohand Saïd
Co-directeurs de mémoire/thèse: Cretu, Ana-Maria
Départements et école, unités de recherche et services: Informatique et ingénierie
Date de dépôt: 14 févr. 2022 19:47
Dernière modification: 14 févr. 2022 19:47
URI: https://di.uqo.ca/id/eprint/1341

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt