Stage M2

**Unité : CERI MP**

**Responsable hiérarchique**: Directrice du Centre d’Enseignement, de Recherche et d’Innovation Matériaux Procédés (CERI MP)

**Catégorie**: Étudiant

**Nature de l’emploi**: Douai - site de Lahure

**Lieu de travail**: IMT Nord Europe Centres de Recherche Matériaux et Procédés 764, Boulevard Lahure 59508 Douai

**Contexte**:
École sous tutelle du ministère de l’économie, des finances et de la souveraineté industrielle et numérique, IMT Nord Europe est née en 2017 de la fusion de Télécom Lille et de l’École des Mines de Douai. Elle compte aujourd’hui parmi les plus Grandes Écoles d’ingénieurs au Nord de Paris avec plus 2200 élèves, dont un quart d’apprentis, plus de 600 diplômés par an et un réseau de 15 000 diplômés. Elle fait partie de l’Institut Mines Télécom, premier groupe public de Grandes Écoles d’ingénieurs et de management de France, et est partenaire de l’université de Lille.

IMT Nord Europe a 3 missions principales : former des ingénieurs responsables aptes à résoudre les grandes problématiques du XXIème siècle ; mener des recherches débouchant sur des innovations à haute valeur ajoutée ; soutenir le développement des territoires notamment en facilitant l’innovation et les créations d’entreprises. Son objectif est de former les ingénieurs de demain, maîtrisant à la fois les technologies numériques et les savoir-faire industriels. Idéalement située au carrefour de l’Europe, à 1 heure de Paris, 30 minutes de Bruxelles et 1H30 de Londres, IMT Nord Europe a l’ambition de devenir un acteur majeur des grandes transformations industrielles, numériques et environnementales du XXIème siècle en combinant, tant dans ses enseignements et que dans sa recherche, les sciences de l’ingénieur et les technologies du digital.

Localisée sur 2 sites principaux d’enseignement et de recherche, à Lille et à Douai, IMT Nord Europe s’appuie sur plus de 20 000 m² de laboratoire pour développer un enseignement de haut niveau et une recherche d’excellence dans les trois domaines « Systèmes Numériques », « Energie Environnement » et « Matériaux et Procédés ».

Les approches classiques de détection et d’analyse des défauts présentent des limites importantes. Elles peuvent être coûteuses, nécessiter des temps d'inspection prolongés et manquer de précision, notamment pour des géométries complexes ou des défauts internes difficiles à repérer. Pour surmonter ces obstacles, des technologies numériques avancées basées sur la vision par ordinateur et l’apprentissage automatique (Machine Learning) émergent comme des solutions prometteuses. Ces outils permettent une détection rapide et automatisée des défauts, tout en offrant une capacité accrue à localiser et classifier précisément les anomalies. En intégrant ces méthodes, il est possible de répondre aux exigences de performance et de fiabilité des matériaux composites, tout en réduisant les délais et les coûts associés aux techniques traditionnelles.

**Méthodologie**:
Pour répondre à ces défis, la méthodologie proposée repose sur l’utilisation de modèles avancés de détection d’objets, tels que YOLO (You Only Look Once), reconnus pour leur rapidité et leur précision dans l’analyse d’images. Ces modèles seront initialement entraînés sur des ensembles de données génériques, puis adaptés aux spécificités des matériaux composites à l’aide de techniques de fine-tuning. Ce processus permettra d’ajuster les paramètres du modèle pour détecter et classifier efficacement les défauts en fonction de leurs formes, tailles et orientations. L’objectif est de concevoir un système capable de fonctionner de manière robuste sur des données réelles issues de conditions industrielle.

**Objectif du Stage**:
Ce stage a pour objectif de développer une méthode de détection et de classification des défauts dans les matériaux composites, en s’appuyant sur des techniques avancées de vision par ordinateur et d’apprentissage automatique (Machine Learning). Plus précisément, les missions incluront:

- Traitement d’images pour la détection des défauts:
Développer des algorithmes capables d’analyser des images issues de dispositifs de contrôle (par exemple caméras haute résolution) afin de localiser précisément les défauts.
- Classification des défauts:
Concevoir et entraîner des modèles d’apprentissage automatique pour classifier les défauts détectés selon leur géométrie (taille, forme, orientation) et leur impact potentiel sur les propriétés mécaniques.
- Validation sur des données expérimentales:
Tester et valider les méthodes développées sur des échantillons réels ou simulés de matériaux composites.

Adapter la méthode à des conditions de production réelles, en tenant compte des contraintes de rapidité et de coût, afin de proposer une solution utilisable dans le cadre du contrôle qualité industriel.

Les résultats attendus incluent une amélioration de la précision et de la rapidité de détection des défauts, une réduction des coûts liés aux essais expérimentaux, ainsi qu’un outil d’aide à