Ingénieur en Deep Learning et Image Processing – Sujet 3 (18 months) – Detect subtle texture transitions in images

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.

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. 

Objectifs du projet

L’objectif de ce projet est de mettre en œuvre des techniques de détection de transition de matériaux sur des images à très haute résolution. A cette échelle, les transitions ne s’effectuent plus sur l’intensité colorimétrique mais sur d’autres critères, comme la structure atomique ou la granulométrie de l’image. Ces différences sont parfois très ténues.

Les mesures effectuées sur un objet sont des mesures dimensionnelles (longueurs, surfaces, angles, …) ou en dérivant (rugosité, …). Toutes les extrapolations émanant de ces mesures dépendent de la précision avec laquelles elles sont obtenues. Il est donc primordial que les mesures soient placées sur des points caractéristiques de l’image ; la plupart du temps, il s’agit de placement sur des contours délimitant 2 zones distinctes.

La discrimination entre ces zones est de plus en plus ardue, comme illustrée sur les images suivantes :   

Les techniques connues par POLLEN reposent sur des méthodes de segmentation et de détection de contour.

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.

Environnement

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. 

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 mois.

Postuler en ligne

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