En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorant / Deep-learning and image processing for tree knot detection and prediction H/F

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 13 août 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : IRL2958-NADWER-036
Lieu de travail : METZ
Date de publication : vendredi 2 juillet 2021
Nom du responsable scientifique : CEDRIC PRADALIER
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 15 novembre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Cette these de doctorat se place dans le contexte du projet WoodSeer, un projet financé par l'ANR et focalisé sur l'utilisation de machine learning pour la détection et la prédiction des défauts dans le bois. Traditionnellement, cette tache est réalisées dans les grosse scierie avec des scanners rayon X. Ceci permet de voir à travers le bois et de détecter et de suivre les noeuds et autres défauts, pour prédire où le bois de plus haute valeur se trouve. Notre objectif dans WoodSeer est d'utiliser du machine learning pour apprendre à prédire la forme et la trajectoire de ces défauts à partir de l'apparence de surface de l'arbre. Techniquement, cela demandera de développer de nouvelles architectures de réseaux profonds capables de prédire la structure interne à partir de données de surface extérieure. Un travail préliminaire a déjà été conduit au sein de l'IRL2958, pour montrer la faisabilité de l'approche. L'objectif de ce doctorat sera de traiter les challenges liés à la définition pratique, à l'entrainement et au déploiement de ces solutions de deep-learning. Un objectif secondaire sera de travailler avec les partenaires du projets pour permettre la reconstruction en 3D de modèle d'arbres à partir de dispositifs fixes ou portables.

Contexte de travail

Cette these sera réalisée dans le contexte de l'IRL 2958 GT-CNRS, un laboratoire commun entre le Georgia Institute of Technology et le CNRS, sous la direction du prof. C. Pradalier, spécialiste en traitement d'image, robotique et machine learning. Comme tout projet ANR, ce projet est une collaboration avec un ensemble de partenaire nationaux venant de domaines différents (INRAe, industrie du bois, INRIA, ...) et demandera donc une certaine quantité de travail collaboratif et de communication.

Contraintes et risques

Travail dans un environnement bilingue, nécessité de pouvoir participer à des campagnes d'acquisition en foret (rare).
Travail en informatique et machine learning : une partie importante du temps de travail sera faite sur écran, et une partie de la these demandera de passer du temps à labeliser des données manuellement.

Informations complémentaires

Les auditions se feront à partir du 23/08/2021

On en parle sur Twitter !