Vision sous-marine en conditions difficiles : amélioration des images et rejet des perturbations, pour la localisation des robots sous-marins.
Contacts et encadrants :
Cette thèse comporte 2 parties :
Le ou la doctorant(e) devra proposer des solutions originales et en comparer les performances avecdes techniques de l’état de l’art. Les données seront traitées dans un premier temps hors ligne à partir de fichiers vidéo existants. Elles pourront faire l’objet, dans un second temps, d’expérimentations en mer avec des robots en situations réelles
Vision sous-marine en conditions difficiles : amélioration des images et rejet des perturbations, pour la localisation des robots sous-marins.
Encadrants :
Localisation :
La thèse se déroulera en présentiel au LIRMM (université de Montpellier / CNRS) dans l’équipe RSM
(Robotique Sous-Marine). https://www.lirmm.fr/equipes/rsm/
Mots clefs :
Vision par ordinateur, robotique sous-marine, localisation, techniques d’amélioration des images.
Description du sujet :
Il existe plusieurs approches pour évaluer les déplacements (odométrie) des véhicules sous-marins autonomes ou téléopérés. Le plus souvent, on utilise un DVL (Doppler Velocity Log), qui exploite des faisceaux acoustiques pour mesurer la vitesse du robot par rapport au fond marin. Cette méthode présente parfois des inconvénients (accumulation d’erreurs de position lors de l’intégration de la vitesse, mesures aberrantes dans certaines circonstances…) et nécessite un capteur assez coûteux (>8k€).
Pour ces raisons, de nombreuses équipes scientifiques ont proposé des approches alternatives plus économiques, exploitant l’observation du fond marin par vision monoculaire [FER 19] ou stéréoscopique [CAR 15], éventuellement complétée par les données d’autres capteurs [EUS 08]. Il s’agit essentiellement d’algorithmes de SLAM (Simultaneous Localization and Mapping), dont la plupart exploite les données d’une caméra monoculaire. Pour évaluer les déplacements du robot entre deux images, il est nécessaire de suivre et de comparer les variations de position de points caractéristiques. Cette tâche de base des algorithmes de SLAM ou d’odométrie repose soit sur du suivi par flux optique,soit sur de l’appariement de points par comparaison de descripteurs (ORB, SIFT, SURF…). Ces méthodes fonctionnent en milieu sous-marin assez profond et d’aspect varié, mais connaissent de grosses difficultés près de la surface (profondeur < 7 mètres), dans les zones d’aspect monotone (sable,vase) ou au contraire trop répétitif (corail, galets, filet). En effet, les méthodes basées sur lesdescripteurs peinent par exemple à distinguer un galet d’un autre, un trou de ver d’un autre (sable), unemaille d’un filet d’une autre maille (aquaculture). A l’inverse, les méthodes basées flux optique nerencontrent aucune difficulté à gérer ces motifs répétitifs, mais sont totalement déstabilisées par lesreflets mobiles du soleil, générés par les vaguelettes de surface. L’algorithme a en effet tendance àchoisir les reflets comme points d’intérêt à suivre, ou lorsque ce n’est pas le cas, les reflets balaient l’image en la saturant, ce qui fait temporairement disparaître l’information d’éventuels points caractéristiques légitimes et empêche leur suivi.
Dans cette thèse, nous souhaitons étudier des moyens de débruiter des images monoculaires couleur pour parvenir à effectuer de l’odométrie par flux optique malgré la présence de reflets du soleil sur lefond marin observé. Toutes les approches conventionnelles de traitement du signal et de l’imagepourront être envisagées (filtrage, retracking de points, filtrage statistique…). Des techniques basées sur l’intelligence artificielle (réseaux de neurones convolutifs, GAN…) pourront également être testées afin soit de segmenter les zones correspondant à des reflets afin de créer des zones d’exclusion de calcul du flux optique, soit, à l’aide des images précédentes de la séquence, de compenser ces zones par des techniques d’inpainting.
Dans un deuxième temps la thèse pourra s’intéresser aux techniques d’amélioration d’images lors dela présence de turbidité dans l’eau ou de particules flottantes. Ces perturbations peuvent en effet pénaliser les détections de points caractéristiques. Les méthodes classiques [HOU 20] [HAN 20] [ WEI 23] utilisent soit des modèles de diffusion ou d’absorption génériques que l’on cherche à inverser, soit des techniques d’amélioration qualitative des images permettant un meilleur rendu (colorimétrie, flou). Dernièrement des méthodes exploitant des réseaux de neurones ont également été proposées pour compenser les effets de la turbidité et de l’atténuation des couleurs. Pour ces méthodes, les images utilisées pour l’apprentissage du réseau de neurones sont toujours simulées (soit avec une modélisation du bruit, soit par des procédés tels que l’ajout de lait ou de thé dans l’eau pour la rendre trouble) et représentent mal la réalité. La construction d’une base de données d’images dans un environnement contrôlé (de type aquarium ou piscine) permettrait d’avoir des paires d’images (nettes / troubles) afin d’entraîner correctement un réseau. Une comparaison avec les approches simulées sera à envisager pour mesurer les performances.
Le ou la doctorant(e) devra proposer des solutions originales et en comparer les performances avecdes techniques de l’état de l’art. Les données seront traitées dans un premier temps hors ligne à partir de fichiers vidéo existants. Elles pourront faire l’objet, dans un second temps, d’expérimentations en mer avec des robots en situations réelles.
Profil recherché :
Le ou la candidat(e) devra être titulaire d’un diplôme de niveau master 2 ou Ingénieur au démarrage dela thèse. Il est souhaitable que le ou la doctorant(e) ait des connaissances dans le domaine de la robotique sous-marine. Il est indispensable qu’il ou elle ait de solides connaissances en traitement d’images et en utilisation de réseaux de neurones La programmation se fera avec la bibliothèque OpenCV pour la partie traitement d’images. Une bonne maîtrise d’OpenCV est attendue, de préférence en langage C, sous environnement Windows ou Linux. Pour la partie réseau de neurones une connaissance de PyTorch ou TensorFlow est souhaitable. Une excellente maîtrise de la langue anglaise est indispensable.
Déroulement de la thèse et rémunération :
La durée de la thèse est de 3 ans à partir du 1er octobre 2024, avec inscription à l’école doctorale I2Sde l’université de Montpellier. Il s’agit d’un contrat doctoral de droit public conclu pour une durée de 3 ans. Le contrat doctoral de droit public fixe, pour une activité de recherche seule, une rémunération qui a été revalorisée dans le cadre de la LPR selon le calendrier suivant :
Des missions complémentaires d’enseignement peuvent être effectuées dans le cadre du contrat et donner lieu à un complément de rémunération mensuel calculé en fonction du nombre d'heures ou de jours effectués selon le barème des travaux dirigés.
Contacts et candidature :
Les candidats sont invités à déposer leur candidature sur le site de l’école doctorale I2S de l’université de Montpellier : https://edi2s.umontpellier.fr/
En parallèle et pour tout complément d’information au sujet de la thèse, les candidats sont invités à
contacter :
en joignant un CV et un relevé des notesde BAC+4 et BAC+5.
Calendrier du recrutement :
(c) GdR IASIS - CNRS - 2024.