Post doctoral développement de modèles d’automl/dl pour l'imagerie hyperspectrale dans l'industrie agroalimentaire - h/f

Description entreprise :
Yncréa Ouest est un Établissement d'Enseignement Supérieur Privé d'Intérêt Général (EESPIG) sous contrat avec le ministère de l'Enseignement Supérieur et de la Recherche. Yncréa Ouest gère l'école d'ingénieurs ISEN Yncréa Ouest, implantée sur les villes de Brest, Caen, Nantes, Rennes et de Paris. L'école forme des élèves ingénieurs dans les technologies du numérique et notamment les systèmes numériques embarqués, la robotique, l'énergie, les objets connectés (IoT), l'intelligence artificielle, le big data, l'environnement, le développement durable, les technologies marines et la cybersécurité.

Au sein d'Yncréa Ouest, le laboratoire L@bISEN [https://isen-brest.fr/labisen] concentre ses activités autour d'un projet commun de recherche tourné vers les systèmes autonomes et intelligents. Ce projet est constitué de trois lignes de force : les réseaux de capteurs, le traitement des données et les smart grids. Le laboratoire compte à ce jour 126 personnes dont 55 enseignants-chercheurs, dont 7 HDR. Le L@bISEN a été évalué par le Hcéres en 2021 (vague B, voir site HCERES).

Description du poste :
Sujet post-doctorat mené par le L@bISEN, s'inscrit dans le cadre du projet SIIRI, financé par la région Bretagne, dans l'axe "innovation collaborative au croisement des filières". Ce projet implique des entreprises de renom opérant dans le domaine des solutions optiques, aussi la conception, la fabrication, et la maintenance de systèmes technologiques.

Contexte applicatif :

L'utilisation de l'IA en imagerie spectrale offre des opportunités prometteuses pour améliorer les solutions actuelles dans l'industrie agroalimentaire. Les modèles auto-apprenants sont de plus en plus populaires car ils permettent aux systèmes d'apprendre à partir de données sans programmation explicite. Cette adoption croissante est due à leur facilité d'utilisation, rendant l'IA accessible même aux non-experts. Ces techniques sont explorées en imagerie hyperspectrale pour améliorer la précision, l'efficacité, la rapidité et la fiabilité dans l'industrie agroalimentaire.

Objectif :

Développer un moteur IA doté de capacités d'apprentissage basées sur des modèles auto-apprenants pour interpréter en temps réel des données hyperspectrales selon divers besoins. Ce moteur conférera une polyvalence à la machine de contrôle, lui permettant de s'adapter à divers domaines d'application dans l'industrie agroalimentaire (détection d'objets étrangers, recette qualité, …). L'intégration de ces modèles auto-apprenants pour les données hyperspectrales constitue une innovation majeure, ouvrant de nouvelles perspectives pour l'analyse et l'exploitation de ces données complexes et riches en informations. Cette approche vise à maximiser le potentiel de l'imagerie hyperspectrale et à améliorer les performances des modèles d'interprétation dans un temps rapide. Cette capacité représente une avancée sans précédent dans le contexte des solutions industrielles basées sur l'imagerie hyperspectrale rapide.

Mots-clés : imagerie hyperspectrale, modèles auto-apprenants, apprentissage automatique, apprentissage en profondeur, Interprétation de données, données complexes, adaptabilité, accessibilité, optimisation, Industrie agroalimentaire.

Références :

(1) Ravikanth, L., Jayas, D.S., White, N.D.G. et al. Extraction of Spectral Information from Hyperspectral Data and Application of Hyperspectral Imaging for Food and Agricultural Products. Food Bioprocess Technol 10, 1–33 (2017). https://doi.org/10.1007/s11947-016-1817-8

(2) H. Su, Z. Wu, H. Zhang and Q. Du, "Hyperspectral Anomaly Detection: A survey," in IEEE Geoscience and Remote Sensing Magazine, vol. 10, no. 1, pp. 64-90, March 2022, doi: 10.1109/MGRS.2021.3105440

(3) Shubhra Kanti Karmaker (“Santu”), Md. Mahadi Hassan, Micah J. Smith, Lei Xu, Chengxiang Zhai, and Kalyan Veeramachaneni. 2021. AutoML to Date and Beyond: Challenges and Opportunities. ACM Comput. Surv. 54, 8, Article 175 (November 2022), 36 pages. https://doi.org/10.1145/3470918

(4) Chang C-I. Hyperspectral Data Processing : Algorithm Design and Analysis. Hoboken NJ: John Wiley & Sons; 2013. http://www.books24x7.com/marc.asp?bookid=46767. Accessed June 1 2023

(5) Hu, X.; Xie, C.; Fan, Z.; Duan, Q.; Zhang, D.; Jiang, L.; Wei, X.; Hong, D.; Li, G.; Zeng, X.; Chen, W.; Wu, D.; Chanussot, J. Hyperspectral Anomaly Detection Using Deep Learning: A Review. Remote Sens. 2022, 14, 1973. https://doi.org/10.3390/rs14091973

Profil recherché :
Le ou la candidat(e) doit détenir :

Doctorat en informatique, en science des données, en apprentissage automatique, en vision par ordinateur ou dans un domaine connexe.
Solides compétences en programmation, en particulier en Python et en bibliothèque de deep learning tels que TensorFlow ou PyTorch.
Expérience de travail avec des données d'imagerie hyperspectrale / 3D étant appréciée.
Compréhension approfondie des réseaux de neurones profonds, de l'apprentissage automatique et des techniques de prétraitement des données.
Capacité à travailler de manière autonome et à résoudre des problèmes de manière créative.
Excellentes compétences en communication orale et écrite, avec la capacité de présenter des résultats de recherche de manière claire et concise.