Thèse Détection d'Anomalies Visuelles pour l'Industrie du Futur Données de Confiance pour une IA de Confiance H/F - Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne
École doctorale : Sciences pour l'ingénieur
Laboratoire de recherche : Mécanique, énergie et électricité
Direction de la thèse : Alexandre DURUPT
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-09-15T23:59:59

Le sujet de thèse traite de la problématique générale de la détection de défauts visuels dans l'industrie. L'industrie doit de se doter d'outils d'inspection de confiance rapidement déployables en production. Les solutions d'IA supervisées les plus performantes reposent sur une activité préalable longue et couteuse d'étiquetage d'images par des experts-process (étiquetage de plusieurs centaines d'images). Les solutions dites non supervisées ne nécessitent pas d'étiquetage préalable mais déclenchent encore trop de fausses alarmes (de l'ordre 1 % à 10 % sur le jeu de données de référence MVTEC, selon les types de défauts). Ce projet de thèse, soutenu par le « groupe IA pour l'industrie de la SIA (Société des ingénieurs de l'automobile) » s'attachera à identifier de nouvelles méthodes pour renforcer et améliorer les performances des solutions d'IA dites « non-supervisées » en leur associant une étape d'étiquetage faible et d'explicabilité. Pour cela les méthodes s'appuieront sur l'introduction d'une démarche de sollicitation minimaliste des experts pour l'étiquetage d'images (Solution 1) et l'explicabilité des résultats d'inspection (Solution 2). Ainsi, l'apport de ces deux solutions permettra de mettre au point une approche d'IA dite « faiblement supervisée » combinant et tirant les avantages des solutions supervisées et non supervisées.

Support via des données réelles AutoVI (dataset) créé par l'UTC et Renault Group

Connaissances et expériences en Intelligence Artificielle, usage de réseaux neuronaux sur des images
Connaissances du milieu de la production industrielle