Contexte
Nous développons des solutions de vision industrielle basées sur l’intelligence artificielle pour automatiser le contrôle qualité chez des industriels (production 24/7, environnements contraints, exigences élevées de fiabilité).
Un des freins majeurs au déploiement de modèles robustes est le manque de données de défauts, en particulier pour les défauts rares ou critiques. Pour lever ce verrou, nous souhaitons renforcer notre capacité à générer artificiellement des images défectueuses réalistes, exploitables pour l’entraînement de réseaux de neurones utilisés en production chez nos clients.
Objectif du stage
L’objectif principal du stage est de concevoir, implémenter et évaluer des méthodes de génération artificielle de défauts sur images industrielles, afin d’augmenter et d’enrichir nos jeux de données d’entraînement.
Le ou la stagiaire travaillera à l’interface entre recherche appliquée (IA générative, data augmentation avancée) et opérations terrain, avec un impact direct sur la performance des modèles déployés chez nos clients.
Mission principale – Génération artificielle de défauts (≈ 80 %)
-
Étudier et comparer différentes approches de génération de défauts :
- data augmentation avancée (géométrique, photométrique, contextuelle),
- approches d'inpainting,
- modèles génératifs (GAN, Diffusion Models, VAEs, etc.),
- méthodes hybrides combinant règles physiques + IA.
Implémenter des pipelines de génération d’images défectueuses réalistes à partir d’images saines.
Travailler sur le réalisme visuel, la diversité des défauts et la cohérence industrielle (textures, éclairage, contraintes optiques).
Définir des métriques pour évaluer l’utilité des images générées (impact sur les performances des modèles de détection/classification).
Documenter les méthodes retenues et formuler des recommandations d’usage en production.
Mission secondaire – Support aux opérations (≈ 20 %)
-
Collaborer avec l’équipe opérations pour :
- adapter les méthodes de génération aux cas clients réels,
- produire des datasets augmentés pour l’entraînement de modèles en production,
- analyser les échecs des modèles liés à des manques de données.
Participer à l’amélioration continue des workflows data (annotation, validation, entraînement).
Stack technique
- Python, Pytorch, Numpy, FastAPI, Docker, Lightning, OpenCV, PIL, MLFlow, Azure, grafana
