STAGE : Validation puis optimisation d'un outil de Deep Learning pour le contrôle non destructif F/H

Les aubes de turbine haute pression sont situées immédiatement en aval de la chambre de combustion des moteurs d'avion et sont soumises à des contraintes thermomécaniques extrêmes : la température y dépasse le point de fusion du matériau. Pour résister à cet environnement sévère, ces aubes sont réalisées en monocristal et intègrent des circuits internes de refroidissement.
La plateforme PFX – « Aubes de Turbine Avancée » développe actuellement une nouvelle génération d'aubes de turbine capables de fonctionner à des températures supérieures de plus de 150 °C par rapport aux générations actuelles. Cet accroissement de température visé doit permettre d'améliorer le rendement moteur, de réduire la consommation de carburant et de limiter les émissions de CO₂.
L'introduction de ces nouvelles aubes implique une refonte des procédés de fabrication, en particulier l'adaptation des moyens de contrôle non destrcutives à des géométries de plus en plus complexes. Pour automatiser ces contrôles, l'équipe explore l'intégration de méthodes de Deep Learning discriminatives, capables de modéliser la frontière entre pièces conformes et pièces anormales à partir de bases d'images de référence.
Sujet du stage
L'équipe a développé l'outil AnomalieView, basé sur la méthode PADIM, qui montre déjà des résultats prometteurs sur des cas d'usage simples.
La mission principale du/de la stagiaire sera :
1. Validation de l'outils t sur des géométries plus complexes (volumes 3D)
o Appliquer l'outil sur de nouveaux volumes 3D. ded 3D.
o Faire une étude de performance de l'outil (courbe de ROC, robustesse…)
o Adapter les paramètres de l'outils et analyser l'impact sur ses performances.
2. Optimisation des temps d'entraînement
o Les temps d'entraînement actuels dépassent 24 h.
o Exploiter au mieux les ressources GPU disponibles.
o Implémenter des techniques d'accélération récentes (optimisation des pipelines, gestion mémoire, parallélisation, etc.).
Livrables attendus
• Une ou plusieurs applications intégrées (démonstrateurs) illustrant des cas d'usage concrets.
• Un rapport de validation complet :
Métriques de performance, scripts d'évaluation, résultats reproductibles
• Améliorer la documentation de l'outil :
o README, guide d'utilisation, description des paramètres et bonnes pratiques.
o .
• Un rapport d'optimisation détaillant :
o Les actions menées,
o Les gains mesurés sur les temps d'entraînement,
o Les recommandations pour la suite (évolution, intégration, industrialisation).

Profil recherché
• Formation :
o Étudiant(e) Bac+2 / Bac+3 en informatique, data, intelligence artificielle, traitement du signal ou traitement d'image.
• Compétences techniques :
o Excellente maîtrise de Python.
o Connaissances appréciées : PyTorch, manipulation et prétraitement de données, gestion de versions (GitLab).
• Qualités personnelles :
o Autonomie et rigueur,
o Goût pour l'expérimentation,
o Intérêt marqué pour l'IA appliquée et la vision par ordinateur.