STAGE - Machine Learning pour la détection de signal parasite dans des images de diffraction RX F/HLa plateforme « Aube de Turbine Avancée » de SafranTech dispose d'un moyen unique de diffraction des rayons X pour le contrôle non destructif de pièce monocristalline, type aube de turbine. Ce moyen de contrôle effectue une cartographie point par point de l'état des orientations cristallines des pièces, c'est-à-dire que pour chaque volume de la pièce illuminée par le faisceau de rayons X une image de diffraction est acquise. Celles-ci se composent de taches de diffraction générées par les plans cristallins en condition de Bragg. Dans le cas d'une pièce bonne, donc bien monocristalline, le pattern de taches de diffraction est unique et quasi-identique pour toutes les images de la cartographie. Lorsque la pièce présente un défaut, suivant la taille de celui-ci, soit le pattern de taches est complètement différent par rapport à celui du cristal principal, soit il y a des taches de petites tailles qui viennent se superposer au pattern du monocristal principal.
A ce jour, un logiciel basé sur les techniques de traitement d'image conventionnelle est en cours de développement. L'objectif de ce stage est de tester l'apport du machine learning pour la détection de taches de diffraction issues d'une désorientation cristalline ayant pris naissance dans le monocristal. Pour se faire, le stage s'effectuera au sein du « Digital Sciences & Technologies Department », autre plateforme de SafranTech spécialisé dans les approches IA.
Notre objectif est d'évaluer des modèles IA permettant la détection des signaux parasites dans les images de cristallographie par rayons X. Dans ce contexte, le stage vise à
1. Faire un état de l'art sur les approches IA pertinents à l'analyse des images cristallographiques par rayons X. Un intérêt particulier sera porté sur les méthodes de génération conditionné, de détection d'anomalies et des OODs,
2. Concevoir une architecture de détection de signal parasites en exploitant la connaissance à priori sur le pattern monocristallin attendu,
3. Valider le modèle de détection de signal parasite,
4. Fournir un code documenté et opérationnel pour une utilisation à SAFRAN pour l'inspection de pièce monocristalline.
Ce stage pourra aboutir à la rédaction de brevet et publication.
Compétences techniques : mathématiques appliquées, vision par ordinateur.
Compétences non techniques : Attentif aux détails, capacité à communiquer avec un public non technique IA, capacité à proposer des solutions/mises en œuvre innovantes, intérêt pour la recherche translationnelle.