Hormis quelques techniques expérimentales permettant d’accéder à la structure granulaire 3D de matériaux le plus souvent métalliques, la connaissance de la microstructure des matériaux est acquise à partir d’observations 2D micrographiques (microscopie optique et Microscopie Electronique à Balayage - MEB en différents modes). Dans le cas des matériaux céramiques, la mise en évidence de la microstructure est toujours partielle et donc difficile à automatiser dans le cadre d’une analyse d’image classique. Il faut souvent recourir à une interprétation manuelle des images (tracé des joints de grains manquants, par exemple) pour permettre une analyse numérique des images.

Dans ce contexte, l’analyse d’image par deep learning est très prometteuse puisqu’elle permet de s’affranchir de ces difficultés pour, à l’instar d’un opérateur, distinguer correctement les caractéristiques microstructurales sur une micrographie 2D. La principale difficulté de cette technique, outre la définition d’un modèle de réseau à même de mener à bien l’analyse, est de disposer d’un nombre suffisant d’images analysées pour effectuer l’apprentissage du réseau. Ce nombre assez élevé (plusieurs milliers) dépasse largement la quantité d’images traitées disponibles, même en considérant qu’une observation sur une image de grande taille peut fournir plusieurs sous-images d’entrée.

Une première partie du sujet consiste alors à simuler ces images de manière suffisamment réaliste pour que le réseau constitué soit capable de traiter les images expérimentales qui lui sont soumises. Des essais préliminaires montrent que cette voie est pertinente.  

La deuxième partie concerne la construction du réseau qui, même si la littérature propose un certain nombre de modèles applicables, devra être optimisé en fonction des caractéristiques des images étudiées.

L’objectif de ce stage est de construire une modélisation des images micrographiques analysées de manière à alimenter l’apprentissage d’un réseau deep-learning.  Il s’agira également d’optimiser la construction de ce réseau (les essais préliminaires sont basés sur un réseau de type U-net).

Le candidat devra disposer de compétences en deep-learning.
Des connaissances en science des matériaux seront appréciées mais pas indispensables.