Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : ImViA (https://imvia.u-bourgogne.fr), équipe CoReS
Durée : 36 mois
Contact : alamin.mansouri@u-bourgogne.fr
Date limite de publication : 2024-08-31

Contexte :
Financement : Projet ANR23 PRCE intitulé RTI 4.0 (CES 10 : Usine du futur)
Partenaires : Laboratoire l’IRDL (UBS), entreprise Altimet, Laboratoire LAMIH (UPHF), Stellantis Excelcar
Encadrement : Alamin Mansouri, David Fofi et Gaëtan Le Goïc
La présente thèse s’inscrit dans la continuité de plusieurs projets prestigieux dans l’équipe (Horizon Europe23 Research & Innovation Action intitulé Cheminova, H2020 MSCA ITN intitulé CHANGE, ANR17 JCJC intitulé NAPS, ANR18 PRC intitulé SUMUM, Défi Imag’In Fiat-Lux, etc.) qui ont permis des avancées significatives en termes de recherche ainsi qu’en en termes de systèmes innovants d’imagerie (matériels et logiciels).

Sujet :
L’imagerie RTI est aussi considérée comme une technique de photo-stéréométrie qui permet de faire le lien entre des attributs surfaciques étudiés et la fonction d’apparence mesurée mais aussi d’extraire des descripteurs locaux en lien avec la géométrie de la surface tels que ceux liés aux pentes et aux courbures. Ces derniers ont par ailleurs une forte influence sur les comportements/fonctionnalités mécaniques. Les développements de la technique du RTI offrent des perspectives prometteuses mais soulève de réels challenges :
• Comment numériser l’information d’apparence à l’échelle des états de surfaces de façon robuste ?
• Comment modéliser et caractériser l’information pour permettre l’extraction de descripteurs objectifs corrélés avec la perception visuelle ?
• Comment corréler la fonction d’apparence avec les propriétés de géométrie que l’on souhaite maîtriser ?
• Comment automatiser la maîtrise des états de surface à l’aide des outils liés à l’intelligence artificielle ?
Le travail de recherche dans le cadre de cette thèse portera principalement sur le 4ème point, c’est-à-dire, sur le couplage des méthodes par apprentissage automatique avec la technique du RTI afin d’automatiser ses différentes étapes (numérisation, modélisation et analyse) et par conséquent d’en augmenter la robustesse et l’efficacité.
En effet, les méthodes d’apprentissage automatique et notamment celles à base de réseaux de neurones ont révolutionné les domaines d’application de l’imagerie numérique, y compris dans le domaine de l’imagerie non conventionnelle et ont montré leur pertinence pour différentes tâches (segmentation, détection, localisation/suivi, etc.) dans différents domaines d’application (médecine, télédétection, contrôle qualité́, bio-mécanique, etc.), en substituant des modèles analytiques exhaustifs parfois couplés, par un modèle implicite construit à partir de données expérimentales qualifiées. Ces méthodes sont souvent privilégiées lorsque les données d’entrainement sont accessibles (maîtrise du processus d’acquisition) et même nécessaires lorsque les phénomènes sous-jacents aux processus sont complexes (forte non-linéarité et/ou absence de modèle analytique exhaustif). C’est très souvent le cas pour les applications de caractérisation fonctionnelles liées à la perception de l’apparence (processus cognitifs complexes et multiphysiques). Ainsi, l’objectif du travail de recherche de cette thèse sera de développer des méthodologies à base d’apprentissage automatique/profond adaptées aux données RTI (multimodales, multi-échelles et multi-temporelles) à des fins de caractérisation et de suivi d’état de surface (analyse 4D du changement de la surface selon la dimension du temps, de la température, de la pression ou tout autre variable linéaire ou non). Il sera également question de pouvoir interpréter le processus d’apprentissage profond dans le cadre de framework eXplainable Artificial Intelligence (XAI) et de le corréler aux évaluations et qualifications opérés par des experts. L’Institut américain des normes et de la technologie (NIST) définit quatre principes de l’intelligence artificielle explicable [15] :
• Le système doit fournir des preuves, un fondement ou un raisonnement pour chaque résultat.
• Le système doit fournir des explications que ses utilisateurs peuvent comprendre.
• Une explication doit refléter avec précision le processus utilisé par le système d’intelligence artificielle pour parvenir au résultat.
• Le système doit fonctionner uniquement dans les conditions pour lesquelles il a été conçu et ne pas fournir de résultats dont la fiabilité lui paraît insuffisante.
Enfin, un outil d’aide à la décision pourra aussi être développé, et saura s’adapter automatiquement selon les besoins des utilisateurs finaux, pour aider les contrôleurs qualité humain dans leurs taches d’analyses sensorielle (formations et assistance au contrôle qualité).

Les actions scientifiques structurant le travail de recherche :
Bases de données pour l’apprentissage
▷ les échantillons qui peuvent être utilisés pour l’apprentissage et pour les tests des méthodes à développer seront définis par les utilisateurs finaux en fonction de la finalité (détection d’anomalie, classification, qualification, etc.). Il y aura différents types d’échantillons d’entraînement, en fonction de la disponibilité́ des données des capteurs. Calibrage et fusion de données.
▷ Le calibrage est nécessaire en raison des limitations des conditions d’acquisition (non-uniformités spatiales et spectrales de l’éclairage, objets non-planaires, matériaux hétérogènes, variation de la sensibilité́ des capteurs, etc.). À cette fin, des modèles d’illumination généralises aidés parfois par des cibles de référence seront utilisés.
▷ Mise en cohérence géométrique (alignement et mosaïquage) et fusion en vue de l’étape d’apprentissage
Développement d’architecture et de méthodologie d’apprentissage profond
▷ Annotation par les experts des données images acquises des échantillons identifiés
▷ propagation des annotations aux structures multimodales obtenues à l’issue de la fusion. Les annotations vont être intégrées en tant que couche supplémentaire aux structures.
▷ Définition des stratégies de partitionnement des données d’apprentissage et de test en fonction des données et de degré́ de confiance.
▷Développement du RN et de stratégies d’apprentissage profond capable de caractériser et prédire les anomalies locales et globales à partir des données RTI-multimodales.

Test et interprétation
▷ les modules de classification développés seront évalués sur la base des échantillons annotés sélectionnés précédemment. Dans ce processus, les modules seront affinés sur la base des problèmes identifiés au cours des expériences sensorielles menées pour l’évaluation.
▷ corrélation aux modèles d’IA explicables (XAI) pour la compréhension et la modélisation du processus de perception visuelle des anomalies d’apparence par les experts.

Profil du candidat :
Pour candidater, il faut être titulaire (ou en cours de validation) d’un Master2 ou équivalent dans l’un des domaines suivants ou un domaine proche : vision par ordinateur, traitement du signal et de l’image, Machine learning et/ou intelligence artificielle appliqué en Image et vision.
Envoyer le dossier de candidature par email à alamin.mansouri@u-bourgogne.fr
Le dossier doit comporter :
– CV
– Lettre de motivation
– Relevé des notes de trois dernières années
– Exemples de travaux réalisés dans le cadre des études (publications, mémoires, projet de développement, etc.)

Date limite de candidature : les candidatures doivent parvenir au plus tard le 30 mai 2024

Formation et compétences requises :

Adresse d’emploi :
Laboratoire IMVIA – Dijon

Équipements et matériel à disposition : Le candidat ou la candidate retenu.e aura à sa disposition plusieurs systèmes d’acquisition RTI multimodale de pointe (RTI, couleur/multispectal, Variation de Focus) ainsi que plusieurs logiciels de d’acquisition, traitement et visualisation : deux systèmes d’acquisition opérationnels, l’un à base d’un dôme et le deuxième à base d’un bras robotisé.

Document attaché : 202405131220_Sujet_Thèse_ANR_RTI40.pdf