Ingénieur/Post-Doc en Deep Learning et Image Processing – Sujet 1 (18 months) – Low contrast edges detection with supervision

Pollen Metrology

Publié il y a 1 mois

Pollen Metrology est une deeptech spécialisée dans la création de logiciels intelligents (IA) destinés à la production de matériaux à haute performance. Pollen a développé une technologie unique d’intelligence artificielle permettant d’analyser automatiquement tous types d’images provenant de microscope électronique à balayage, à transmission ou optique. 

Vous rejoignez une équipe d’une trentaine de collaborateurs possédant différentes expertises (métrologie, physique, informatique, traitement d’images, deep learning, fusion de données) pour fournir une technologie d’IA qui permet à nos clients d’optimiser leurs procédés industriels avancés.

Dans le cadre de la mise sur le marché de la 3ème génération de produits, Pollen recrute de nouveaux collaborateurs pour renforcer son équipe engineering afin de travailler avec nos clients de différents écosystèmes notamment: semiconducteur, data storage, chimie, réalité augmentée, écrans plats.

Vous serez basés dans les locaux de notre siège social à Moirans (zone Centr’Alp proche de la gare, 15 min de train de Grenoble) tout en ayant la possibilité de télétravailler chaque semaine.

Introduction

L’objectif de ce projet est de mettre en œuvre des techniques pour la détection de contours dans des images présentant des zones de faible contraste. Ces zones peuvent être minoritaires dans une image complète. 

Environnement

Pollen Metrology développe un framework propriétaire d’intelligence artificielle utilisant les techniques les plus avancées de machine learning. Cette technologie nous permet d’automatiser l’analyse des données, essentiellement des images, d’une chaîne de production (nanostructures sur silicium ; poudres et particules).

Les outils de traitement d’images et de machine learning développés par Pollen permettent de réaliser des mesures automatiques sur des images de microscopie électronique. Ils proposent à l’utilisateur de définir une région d’intérêt sur laquelle des mesures doivent être effectuées puis replacées automatiquement sur des régions d’intérêt semblables sur toute nouvelle image.  

Les travaux précédents visaient à augmenter le niveau d’autonomie des algorithmes vis à vis des utilisateurs en proposant des méthodes de moins en moins supervisées. Avec la diminution de la taille des objets et les nouveaux matériaux utilisés, la qualité des images et leur contrast tendent à diminuer et donc ouvre la voie à des méthodes plus supervisées afin d’obtenir une meilleure robustesse inter et intra utilisateur. 

Objectifs du projet

Ce projet s’inscrit dans le développement de méthodes permettant la détection de manière robuste de contours à faible contraste. 

Les outils actuellement proposés par Pollen sont soit du traitement d’image soit de la segmentation par Deep Learning. Pour les méthodes de traitements d’image, deux niveaux de supervision sont disponibles :  

  • pour la partie faiblement supervisée, nous avons différentes méthodes de segmentation en utilisant uniquement les valeurs de niveaux de gris.  
  • pour une méthode plus supervisée, nous avons mis en place une approche de contours actifs.  

Ces deux approches ont l’inconvénient de ne pas fournir des résultats stables quand les conditions d’initialisation varient faiblement. 

Il est donc envisagé de développer un outil qui soit supervisé mais qui permette d’obtenir des contours de manière plus robuste auprès d’utilisateurs différents. Dans le cadre de ce projet, il doit être noté que pour un cas donné, les images sont relativement stables en termes de contraste et d’illumination mais les objets présents sont déformés. Par contre, entre deux cas d’utilisation, il peut y avoir de grandes disparités.  
Les travaux se focaliseront donc  

  • soit sur l’établissement d’une méthode d’apprentissage très globale qui ne sera que faiblement ou pas réentraînée avec des données utilisateurs, 
  • soit sur des méthodes de traitement d’image utilisant des a priori provenant de la supervision utilisateur. 

Dans le cadre de ce projet, plusieurs datasets sont déjà disponibles chez Pollen pour des taches de segmentation par instance, segmentation sémantique ou détection de contours. Le candidat pourra être amené à annoter des données supplémentaires au besoin.  

Exemples d’images à traiter 

Ces exemples sont représentatifs et libres de droits. Nos images proviennent de microscope électronique et sont représentées en niveau de gris. Les dimensions sont variables de 256*256 à 4096*4096 selon les clients.  

Les travaux porteront sur des images qui ne sont pas la propriété de Pollen. 

Compétences demandées

  • Connaissance approfondie du Deep Learning. 
  • Bonnes connaissances en Python (TensorFlow ou PyTorch, scikit-learn, etc). 
  • Connaissances en traitement d’images. 
  • Maîtrise de l’anglais. 
  • Esprit d’équipe et adaptabilité. 

Organisation du projet

Le candidat devra être présent sur le site de Pollen afin de s’immerger dans la problématique posée, en comprenant parfaitement les contraintes technologiques de la métrologie mise en œuvre par Pollen. Ceci est aussi nécessaire pour être en mesure de rendre générique chaque mise en œuvre pour d’autres applications. 

Les méthodes utilisées dans le cadre du projet devront être démontrées dans le produit de Pollen avec l’aide de l’équipe afin de valider les résultats auprès des utilisateurs finaux. 

Des visites d’une semaine dans le laboratoire d’accueil seront possibles afin de favoriser les interactions avec l’environnement universitaire. 

La gestion sera faite au quotidien selon la méthodologie agile scrum, avec des engagements et des étapes toutes les 2 semaines. 

Le projet a une durée prévue de 18 à 24 mois. 

Postuler en ligne

Un numéro de téléphone valide est requis.
Un email valide est requis.