Stage M2 - Détection et Classification des Défauts dans les Matériaux Composites via la Vision par Ordinateur

Unité : CERI MP

Responsable hiérarchique : Directrice du Centre d’Enseignement, de Recherche et d’Innovation Matériaux Procédés (CERI MP)

Catégorie : Étudiant

Nature de l’emploi : Douai – site de Lahure

Lieu de travail : IMT Nord Europe Centres de Recherche Matériaux et Procédés 764, Boulevard Lahure 59508 Douai

Contexte :

École sous tutelle du ministère de l’économie, des finances et de la souveraineté industrielle et numérique, IMT Nord Europe est née en 2017 de la fusion de Télécom Lille et de l’École des Mines de Douai. Elle compte aujourd’hui parmi les plus Grandes Écoles d’ingénieurs au Nord de Paris avec plus 2200 élèves, dont un quart d’apprentis, plus de 600 diplômés par an et un réseau de 15 000 diplômés. Elle fait partie de l’Institut Mines Télécom, premier groupe public de Grandes Écoles d’ingénieurs et de management de France, et est partenaire de l’université de Lille.

IMT Nord Europe a 3 missions principales : former des ingénieurs responsables aptes à résoudre les grandes problématiques du XXIème siècle ; mener des recherches débouchant sur des innovations à haute valeur ajoutée ; soutenir le développement des territoires notamment en facilitant l’innovation et les créations d’entreprises. Son objectif est de former les ingénieurs de demain, maîtrisant à la fois les technologies numériques et les savoir-faire industriels. Idéalement située au carrefour de l’Europe, à 1 heure de Paris, 30 minutes de Bruxelles et 1H30 de Londres, IMT Nord Europe a l’ambition de devenir un acteur majeur des grandes transformations industrielles, numériques et environnementales du XXIème siècle en combinant, tant dans ses enseignements et que dans sa recherche, les sciences de l’ingénieur et les technologies du digital.

Localisée sur 2 sites principaux d’enseignement et de recherche, à Lille et à Douai, IMT Nord Europe s’appuie sur plus de 20 000 m² de laboratoire pour développer un enseignement de haut niveau et une recherche d’excellence dans les trois domaines « Systèmes Numériques », « Energie Environnement » et « Matériaux et Procédés ».

Pour plus de détails, consulter le site internet de l’École : www.imt-nord-europe.fr

La fabrication de matériaux composites constitue un domaine clé pour de nombreuses industries telles que l’aéronautique, l’automobile et les énergies renouvelables, grâce à leurs excellentes propriétés mécaniques et leur légèreté. Cependant, cette technologie rencontre des défis importants liés à la qualité et à la fiabilité des matériaux. L’adhésion de la résine aux fibres ou aux tissus est un point critique du processus de fabrication. Elle peut générer des défauts sous diverses formes (fissures, délaminages, inclusions) et orientations (parallèles ou perpendiculaires aux fibres). Ces défauts, parfois localisés dans des zones entourées de fibres, sont difficiles à détecter et peuvent être à l’origine de concentrations de contraintes ou d’amorces de fissuration. En conséquence, ils altèrent les propriétés mécaniques des matériaux, leur durabilité et leur résistance, compromettant leur performance dans des applications critiques.

Les approches classiques de détection et d’analyse des défauts présentent des limites importantes. Elles peuvent être coûteuses, nécessiter des temps d'inspection prolongés et manquer de précision, notamment pour des géométries complexes ou des défauts internes difficiles à repérer. Pour surmonter ces obstacles, des technologies numériques avancées basées sur la vision par ordinateur et l’apprentissage automatique (Machine Learning) émergent comme des solutions prometteuses. Ces outils permettent une détection rapide et automatisée des défauts, tout en offrant une capacité accrue à localiser et classifier précisément les anomalies. En intégrant ces méthodes, il est possible de répondre aux exigences de performance et de fiabilité des matériaux composites, tout en réduisant les délais et les coûts associés aux techniques traditionnelles.

Méthodologie :

Pour répondre à ces défis, la méthodologie proposée repose sur l’utilisation de modèles avancés de détection d’objets, tels que YOLO (You Only Look Once), reconnus pour leur rapidité et leur précision dans l’analyse d’images. Ces modèles seront initialement entraînés sur des ensembles de données génériques, puis adaptés aux spécificités des matériaux composites à l’aide de techniques de fine-tuning. Ce processus permettra d’ajuster les paramètres du modèle pour détecter et classifier efficacement les défauts en fonction de leurs formes, tailles et orientations. L’objectif est de concevoir un système capable de fonctionner de manière robuste sur des données réelles issues de conditions industrielle.

Objectif du Stage :

Ce stage a pour objectif de développer une méthode de détection et de classification des défauts dans les matériaux composites, en s’appuyant sur des techniques avancées de vision par ordinateur et d’apprentissage automatique (Machine Learning). Plus précisément, les missions incluront :

• Traitement d’images pour la détection des défauts :

Développer des algorithmes capables d’analyser des images issues de dispositifs de contrôle (par exemple caméras haute résolution) afin de localiser précisément les défauts.

• Classification des défauts :

Concevoir et entraîner des modèles d’apprentissage automatique pour classifier les défauts détectés selon leur géométrie (taille, forme, orientation) et leur impact potentiel sur les propriétés mécaniques.

• Validation sur des données expérimentales :

Tester et valider les méthodes développées sur des échantillons réels ou simulés de matériaux composites.

• Optimisation pour les applications industrielles :

Adapter la méthode à des conditions de production réelles, en tenant compte des contraintes de rapidité et de coût, afin de proposer une solution utilisable dans le cadre du contrôle qualité industriel.

Les résultats attendus incluent une amélioration de la précision et de la rapidité de détection des défauts, une réduction des coûts liés aux essais expérimentaux, ainsi qu’un outil d’aide à la décision pour optimiser la fiabilité et la sécurité des matériaux composites dans des environnements critiques.

Profil recherché :

• Étudiant(e) en dernière année de cycle ingénieur ou master en sciences des matériaux, mécanique, ou data science.

• Compétences en mécanique des matériaux, intelligence artificielle (Machine Learning/Deep Learning).

• Autonomie, rigueur, esprit d’analyse, et capacité à travailler en équipe.

Références

[1] Suriani, M. J., et al. "Delamination and manufacturing defects in natural fiber-reinforced hybrid composite: A review." Polymers 13.8 (2021): 1323.

[2] Naouar, N., et al. "Meso-FE modelling of textile composites and X-ray tomography." Journal of Materials Science 55 (2020): 16969-16989.

[3] Ding, Keyan, et al. "Comparison of full-reference image quality models for optimization of image processing systems." International Journal of Computer Vision 129.4 (2021): 1258-1281.

[4] Liu, Jiaqi, et al. "Deep industrial image anomaly detection: A survey." Machine Intelligence Research 21.1 (2024): 104-135.

Conditions :

Le stage est à pourvoir à compter de la date de début de stage selon les conventions pour une durée de 5 à 6 mois.

Renseignements et modalités de dépôt de candidature :

•          Pour tout renseignement sur le poste, merci de vous adresser à Nikzad Motamedi ou Dmytro Vasiukov 

Nikzad Motamedi (Enseignant Chercheur) : nikzad.motamedi@imt-nord-europe.fr       

Dmytro Vasiukov (Enseignant Chercheur) : dmytro.vasiukov@imt-nord-europe.fr          

•          Pour tout renseignement administratif, merci de vous adresser à la Direction des Ressources Humaines : jobs@imt-nord-europe.fr          

•          Cet emploi est proposé en mobilité pour un fonctionnaire ou bien sous forme de contractuel de droit public.

•          Par ailleurs, le poste peut être aménagé pour une personne en situation de handicap.

Date limite de candidature : 15/01/2025