Détection de béton concassé par analyse d’images
Nous recherchons un étudiant ou une étudiante de maitrise qui fait preuve de motivation pour rejoindre notre équipe de recherche sur un projet axé sur l'utilisation de techniques de vision par ordinateur capables de détecter et de segmenter les piles de béton concassé dans les décharges. Les images ont été recueillies par drone. Le projet vise à développer des systèmes automatisés pour l'identification et la classification des matériaux dans les sites de construction, afin de mieux surveiller le flux de matériaux dans l'environnement et le contrôle de l'élimination des déchets en vue d'une transition vers une économie circulaire. Le projet a été amorcé par un étudiant de niveau doctorat et il doit être terminé.
Responsabilités :
- Développer et mettre en œuvre des modèles d'apprentissage automatique pour la détection ou la segmentation d'objets dans des images de pieux en béton concassé.
- Travailler avec des ensembles de données de débris de construction pour entraîner, valider et optimiser les modèles.
- Générer des données synthétiques pour augmenter l'ensemble de données et améliorer la performance des modèles.
- Collaborer avec l'équipe sur le prétraitement des données, l'évaluation et l'optimisation des modèles.
- Mettre à jour les figures d'un article scientifique à soumettre, réviser le texte.
- Écrire un rapport de maitrise.
Connaissances requises
Les compétences requises sont les suivantes :
- Solide compréhension des techniques de vision par ordinateur, en particulier de la détection et de la segmentation d'objets (par exemple, YOLO, Faster R-CNN, U-Net).
- Maîtrise de Python et des bibliothèques d'apprentissage profond (par exemple, TensorFlow, PyTorch).
- Familiarité avec le traitement d'images, l'augmentation des données et l'optimisation des modèles.
- Capacité à travailler de manière indépendante.
Préférable :
- Formation en informatique, en intelligence artificielle ou dans un domaine connexe.
- Expérience dans le secteur de la construction ou de la gestion des déchets.
- Expérience dans la génération et l'utilisation de données synthétiques pour élargir les ensembles de données de formation (GANs, VAEs).
- Intérêt pour la rédaction scientifique.