Stage - Modèles de Deep Learning en Nanométrologie Segmentation d'Instances de Particules Non Sphériques H/F - 95

Contexte

Les nanomatériaux s'imposent aujourd'hui dans de multiples secteurs d'activités et le cadre réglementaire a été adapté pour prendre en compte leurs spécificités. La première difficulté consiste à identifier le classement comme nanomatériau d'une substance à l'état particulaire en fonction des différentes définitions existantes au niveau français et européen. Dans le cas de nanomatériaux avérés, les différentes exigences réglementaires associées nécessitent la production de données sur les propriétés physico-chimiques (REACH, registre R-Nano) et sur leur transformation possible au cours de la vie de la substance (REACH, Règlement (UE) 2017/745 relatif aux dispositifs médicaux...). Par ailleurs, l'identification des substances comme nanomatériaux est indispensable pour avoir des données fiables pour les évaluations toxicologiques et éco-toxicologiques.

Le LNE travaille sur la caractérisation des principales propriétés des nanomatériaux (distribution de taille, surface spécifique, densité...) et ces travaux de stage visent à estimer automatiquement la distribution de taille de particules non sphériques à partir d'images obtenues au microscope électronique à balayage (MEB).

Une plateforme Web assure d'ores-et-déjà la segmentation automatique des échantillons par le biais d'algorithmes d'apprentissage profond [ (Monchot, et al., 2021)][ (Monchot , et al., 2025)] et cet outil fonctionne actuellement pour des particules quasi-sphériques (argent, or, dioxyde de titane, etc.). Enrichir cet outil permettra d'élargir le périmètre de caractérisation, faciliter le travail des experts en nanométrologie (gain de temps) et estimer précisément la distribution de taille des particules.

Ces travaux ambitieux verront le(a) stagiaire participer à la chaîne complète de traitement, de l'annotation des particules au sein des images MEB (enrichissement d'une base existante), à la sélection et à l'entraînement des modèles jusqu'à leur évaluation.

Missions

Intégré(e) au sein du département Science des Données et Incertitudes et en collaboration étroite avec le département Matériaux, les développements à réaliser au cours de ce stage s'articulent de la manière suivante :

- Participation à l'agrandissement de la base de données d'entraînement pour des particules non sphériques (annotation, extraction et prétraitement des segmentations pour utilisation par les modèles de segmentation d'instances) ;
- Sélection et entraînement d'un ou plusieurs modèles de segmentation d'instances ;
- Évaluation de la robustesse des modèles de segmentation d'instances développés à différents types de bruit sur les images MEB ;
- Proposition de techniques d'augmentation de données visant à améliorer la robustesse des modèles ;
- Rédaction d'un rapport scientifique synthétisant vos résultats ;
- Livraison des codes Python développés.

Profil

Étudiant(e) en M2 ou en dernière année d'école d'ingénieur, spécialisé(e) en mathématiques ou statistiques appliquées.

Doté(e) d'une forte curiosité scientifique et d'un goût pour le travail en équipe, vous souhaitez mettre en oeuvre et enrichir vos compétences en apprentissage automatique.

La maîtrise du langage de programmation Python est essentielle et la connaissance de PyTorch et des librairies couramment utilisées dans le domaine du Deep Learning est évidemment souhaitée.

Gratification

1280 € brut/mois pour une formation Bac +5.