Détection d'anomalies one class sur des données images H/F

Description de l'offre : La détection d’anomalies (défauts notamment) dans des objets est une thématique de recherche importante ainsi qu’un enjeu industriel. Détecter une anomalie tôt dans un processus de production représente un enjeu écologique (arrêt et correction avant de produire des éléments inutilisables, gains de matière première) et financier (coût de la matière première et temps machine). Cela vaut aussi pour le domaine agroalimentaire, où par exemple détecter de la moisissure sur un fruit et l’éliminer peut permettre d’éviter la contamination du cageot complet. L’une des problématiques rencontrées est que la collecte de données présentant des anomalies est complexe (notamment en environnement industriel) et fastidieuse. Et ce sans même compter la nécessité d’annoter lesdites données. La tendance générale de l’état de l’art est donc soit de réduire le nombre de données en entrée nécessaire pour entraîner de l’IA, soit de pouvoir générer de la donnée de synthèse réaliste (par exemple, rendu photoréaliste), soit de pouvoir transférer un apprentissage plus facilement à une nouvelle donnée. Notre laboratoire s’intéresse naturellement à ces trois problématiques : modélisation (pour le rendu) et approches utilisant peu de données tout en permettant de segmenter et localiser des défauts géométriques et colorimétriques par géométrie et par apprentissage (outils statistiques, deep learning). Objectifs du stage Le premier objectif de ce stage sera d'étudier et évaluer des approches de l’état de l’art récentes ([1,2,3,4]) de détection de défauts industriels par apprentissage (non-supervisée et/ou OneClass) ainsi que d’améliorer une ou plusieurs méthodes développées au CEA: - Trouver les jeux de données pertinents et les approches utilisées pour les traiter (par exemple, le dataset MVTEC Anomaly detection et ses descendants) – Mettre en place et comparer les approches (évaluation qualitative et quantitative) – Prendre en main les approches développées par le CEA et les comparer à l’état de l’art Le second objectif de ce stage consistera à améliorer les approches CEA, par exemple : – Proposer des modifications sur la donnée (augmentations, …) et sur l’approche (structure de réseau, procédure d’entraînement, …) – Constituer un dataset pour la détection de défauts permettant d’entraîner les approches (le laboratoire dispose d’un robot UR10 permettant d’automatiser certaines tâches) – Coupler les approches géométriques et deep learning – Évaluer les performances obtenues.

Profil du candidat : Le candidat devra disposer de connaissances en vision par ordinateur et en machine learning, d’une bonne maîtrise du langage Python et du framework d’apprentissage Pytorch. La maîtrise d’autres frameworks (Tensorflow 2, etc.) est un plus. La connaissance du C++ et des bonnes pratiques du développement logiciel est souhaitable. Le candidat disposera d’une grande autonomie, un esprit d’initiative est attendu.

Langues : Français Courant,Anglais Courant