Stage pré-embauche – Exploration de la détection des défauts par vision numérique basée sur des techniques d’apprentissage non supervisé

Missions • Étude d’état de l’art et justification des choix méthodologiques • Jeux de données collectés ou constitués (images des trappes, équipements, etc.) • Code source documenté des expérimentations (IJEPA et méthodes classiques) • Résultats expérimentaux et analyses comparatives • Rapports de déplacement (si collecte de données sur site) • Rapport final détaillant la démarche, les résultats et les recommandations Compétences et connaissances requises • Solides bases en mathématiques appliquées, apprentissage automatique et réseaux de neurones • Maîtrise de Python, PyTorch ou TensorFlow et connaissance des bibliothèques de vision (OpenCV, TorchVision, etc.) • Capacité à sortir des approches classiques et à concevoir des architectures originales adaptées au contexte industriel Objectif de stage • Étudier les techniques classiques de détection supervisée et évaluer leur pertinence pour le cas d’usage ferroviaire • Explorer les techniques non supervisées pour la détection d’anomalies visuelles, avec un focus sur le modèle IJEPA • Concevoir un prototype expérimental basé sur un modèle non supervisé capable d’identifier les anomalies (ex. trappes mal fermées, pièces endommagées, etc.) • Constituer un jeu de données d’images ferroviaires, annotées ou non, pour l’entraînement et la validation • Comparer les résultats obtenus entre les approches supervisées et non supervisées et proposer une feuille de route pour un déploiement potentiel en environnement de maintenance