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.
Le ou la candidat(e) doit détenir :
Faire parvenir les documents suivants :
par courrier électronique aux adresses ci-dessous :
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
(c) GdR IASIS - CNRS - 2024.