STAGE M2 – Application de l'intelligence Artificielle pour la détection de Corrosion F/H (2024-122175)

Description de l'offre

Description de l'offre

STAGE M2 – Application de l’intelligence Artificielle pour la détection de Corrosion 

Contexte

La corrosion sous contrainte (CSC) est un problème industriel majeur pour le bon fonctionnement du parc nucléaire français. EDF a mis en place des méthodes pour prévenir et maitriser ce phénomène.

Parmi celles -ci, les inspections télévisuelles (ITV) mises en place par la Direction de la Qualité Industrielle d’EDF, doivent permettre de détecter la CSC afin de garantir le bon fonctionnement des installations nucléaires.

Souhaitant exploiter au mieux les ITV, la Direction de la Qualité Industrielle d’EDF fait appel a la R&D d’EDF afin de développer des modèles visant à mieux détecter la CSC sur les images.

  Objectifs

L’objectif de ce stage est d’appliquer des méthodes d’Intelligence Artificielle aux ITV afin de fournir des outils supplémentaires a la Direction Qualité Industrielle pour la maîtrise de la CSC.

 

Plan de Travail

Plus précisément, le stage comportera deux volets :

·  Utilisation de l’IA Générative afin d’augmenter un échantillon d’images (formation des analystes pour l’examen des images, augmentation des jeux de données d’entrainement des modèles pour la détection de CSC …)
·   Développer un modèle d’IA de détection de la CSC à partir d’un jeu de données d’images annotées par les experts métiers

.

Modalités du stage : 

·  Durée : 6 mois ( a partir d’avril 2025 )
·  Localisation : EDF Lab Chatou

 

Contacts :

oussama.berguiga@edf.fr

Profil souhaité

Profil souhaité :  

·  3ème année d’Ecole d’ingénieurs, Master 2
·  Formation : Intelligence artificielle, Computer Vision,  Machine Learning, data science

Les compétences souhaitées sont les suivantes : 

·  Connaissances en programmation en langage Python (connaissance en Java/C serait un plus).
·  Connaissances en traitement du signal et en analyse de données notamment les techniques d’apprentissage sur les données.
·  Autonomie et qualités de synthèse.