A propos de la société

LINEACT - CESI

Mise en œuvre d’un modèle de détection d’objets en temps réel intégrant les connaissances antérieures

Titre: Mise en œuvre d’un modèle de détection d’objets en temps réel intégrant les connaissances antérieures

Domaines scientifiques: robotique industrielle, informatique, traitement des données,

Mots-clés : Fusion des données, Deep learning, détection d’objet,

Encadrement :  AL ASSAAD Hiba, (halassaad@cesi.fr), Enseignant-chercheur CESI – LINEACT

ACHOUR Abdessalem , (aachour@cesi.fr), Doctorant CESI – LINEACT

Sujet de stage:

Le secteur industriel est l’un des nombreux domaines dans lesquels l’automatisation de plusieurs tâches est possible grâce à la vision par ordinateur. Cependant, quelle que soit la tâche, par exemple la maintenance ou la manipulation par des robots mobiles, un système de détection précis est nécessaire. La détection d’objets consiste à localiser les différents objets dans une image (via une boîte englobante) et à associer une catégorie à chacun de ces objets. Cette tâche peut être une classification à l’échelle d’une image entière, et une segmentation à l’échelle d’un pixel. Les nombreux défis proposés au fil des années, consistant à résoudre l’une ou l’autre de ces tâches sur une base de données spécifique, ont permis de grandes avancées dans les méthodes de traitement d’images. Parmi ces méthodes, les réseaux de neurones convolutifs (CNN) ont montré une capacité supérieure à résoudre ces tâches, notamment avec l’amélioration continue des capacités de calcul des ordinateurs et la disponibilité de bases de données à grande échelle. Ces bases de données, qui comprennent des images et leurs annotations associées, permettent d’analyser le contenu des images avec différents niveaux de précision. [1]

Malgré toutes ces avancées, la détection d’objets dans un environnement industriel reste une tâche difficile, notamment en raison du manque d’images réelles ou de bases de données pour l’entraînement, et de la contrainte de temps réel requise pour l’algorithme, qui est généralement embarqué dans un dispositif mobile.

Ces dernières années, plusieurs chercheurs se sont intéressés à proposer des détecteurs d’objets légers pour les appareils mobiles, tels que PP-PicoDet [2], MobileNet SSD et Yolo [3]. Ces modèles ont des performances intéressantes qui leur permettent d’être utilisés dans des applications industrielles nécessitant une réponse en temps réel, mais il est encore possible d’optimiser leur fonctionnement pour les rendre plus légers. En effet, la plupart de ces modèles traitent l’image entière pour extraire les régions d’intérêt et ensuite déterminer les détections. Cependant, ils ne prennent pas en compte les connaissances préalables pour optimiser et réduire le temps d’exécution du modèle de détection. En effet, l’utilisation de ces connaissances peut permettre de ne traiter que certaines parties de l’image d’entrée, et de s’appuyer sur les détections précédentes pour réduire le nombre de régions à examiner. Par conséquent, l’objectif de ce stage sera de proposer un détecteur d’objets temps réel qui prend en compte les connaissances antérieures.

 

 

 

 

 

Le présent travail consiste en trois tâches principales :

–        Etudier et comparer les différents modèles de détection d’objets existants pour les appareils mobiles et identifier le modèle à exploiter.

–        Modifier la conception de ce modèle pour y intégrer les connaissances antérieures, et enfin.

–        Développer et tester ce modèle.

Références:

[1] Cohen, Julia, et al. “MobileNet SSD: étude d’un détecteur d’objets embarquable entraîné sans images réelles.” ORASIS 2021. 2021.

[2] Yu, Guanghua, et al. “PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices.” arXiv preprint arXiv:2111.00902 (2021).

[3] Cohen, Julia, et al. “MobileNet SSD: étude d’un détecteur d’objets embarquable entraîné sans images réelles.” ORASIS 2021. 2021.

 

Organisation de stage

Laboratoire: LINEACT (« Laboratoire d’Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires ) https://lineact.cesi.fr/

Lieu de travail: CESI Campus de Toulouse (Labège)

Date de début: Février-Mars 2023

Niveau d’étude : Bac+4

Financement: CESI

Durée: 4 à 6 mois

Processus de recrutement: Dossier de candidature et entretiens

Pour postuler, envoyez votre CV et votre lettre de motivation par e-mail à melzaher@cesi.fr

Voir le PDF