Approches d'apprentissage automatique pour la détection et la classification des déchets dans les vidéos sous-marines en vue du nettoyage robotisé des fonds marins.

Machine learning approaches for detecting and classifying litter in underwater videos for robotic seabed cleaning.

• Auteur / Autrice : Cyril Barrelet
• Direction : Marc Gouttefarde, Marc Chaumont
• Type : Projet de thèse
• Discipline(s) : SYAM - Systèmes Automatiques et Micro-Électroniques
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)
• Partenaire(s) de recherche : Equipe de recherche : Département Informatique

Mots clés

Mots clés libres

Apprentissage profond

Apprentissage par renforcement

Traitement d'image

Deep Learning

Reinforcement Learning

Image processing

Résumé

L'objectif de la thèse de doctorat est de construire un système capable de fournir des suggestions - sous la forme de zones/objets mis en évidence dans l'image interactive vue par l'opérateur du robot - concernant les régions ou objets du fond marin qui devraient être marqués pour être retirés. Le système utilisera des techniques d'apprentissage automatique de l'intelligence artificielle telles que l'apprentissage profond ou l'apprentissage par renforcement. Ces algorithmes permettront au robot d'apprendre des décisions précédentes prises par l'opérateur pendant le mode de contrôle partagé. Un ensemble de données pour l'apprentissage de l'algorithme d'apprentissage automatique sera généré sur la base du travail de l'opérateur humain qui clique sur les images pour sélectionner les déchets à collecter par le robot. L'algorithme d'apprentissage automatique améliorera continuellement sa capacité à identifier les cibles potentielles et les zones d'intérêt. Dans tous les cas, la décision de nettoyer une cible relèvera de la responsabilité de l'opérateur qui devra veiller à la préservation d'éventuels objets archéologiques ou éviter tout contact avec des munitions immergées ou des produits chimiques dangereux.

The objective of the Ph.D. thesis is to build a system able to provide suggestions - in the form of areas/objects highlighted in the interactive image seen by the robot operator - regarding which regions or objects on the seafloor should be marked for removal. The system will use Artificial Intelligence machine learning techniques such as Deep Learning of Reinforcement Learning. These algorithms will allow the robot to learn from previous decisions made by the operator during the shared control mode. A dataset for the training of the machine learning algorithm will be generated base on the human operator work which clicks in the images to select the litter to be collected by the robot. The machine learning algorithm will continuously improve its ability to identify potential targets and areas of interest. In all cases, the decision to clean a target will be on the operator's responsibility to deal with the preservation of potential archaeological artifacts or to avoid any contact with submersed ammunition or dangerous chemicals.