Génération automatique d'images annotées pour les métiers de l'environnement : application au traitement des déchets et à la surveillance d'infrastructures de transport des eaux usées

Automatic generation of annotated images for the environmental sector: application to waste management and monitoring of wastewater transport infrastructures

• Auteur / Autrice : Aloïs Babé
• Direction : Serge Miguet
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 09/05/2023
• Etablissement(s) : Lyon 2
• Ecole(s) doctorale(s) : InfoMaths - Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information

Mots clés

Mots clés libres

Vision par ordinateur

Deep learning

Gestion des déchets

Gestion des eaux usées

Données synthétiques

Computer vision

Deep learning

Waste management

Water management

Synthetic data

Résumé

Cette thèse en convention CIFRE permet de concrétiser une collaboration entre l'équipe Imagine du LIRIS, spécialisée dans le traitement et l'analyse de données visuelles, et le groupe Veolia, spécialisé dans la transformation écologique, la valorisation des déchets, le transport des eaux usées. De plus en plus d'applications nécessitent l'acquisition de grandes quantités d'images, qui doivent être analysées en temps réel, pour déclencher des actions. Le traitement automatisé de ces grands volumes de données peut bénéficier des avancées récentes dans le domaine de l'apprentissage profond. Afin d'assurer une gestion optimale et sécurisée des ouvrages de transport des eaux usées, une inspection télévisée, au moyen d'un chariot équipé d'une caméra et inséré dans une canalisation, peut être utilisée. Le processus est majoritairement manuel et basé sur l'expertise de l'opérateur qui visualise les images en direct, détecte, identifie les défauts observables (fissures, ruptures, défauts de jointure entre tronçons...) et fournit un rapport d'inspection. De même, dans le contexte de la collecte et du tri de déchets solides, le contrôle qualité de flux de déchets complexes est réalisé à l'aide d'images au sein desquels les experts identifient les objets intrus. L'amélioration de ces processus de contrôle qualité et d'identification d'anomalies sur des images et des vidéo est donc un enjeu crucial. Différentes techniques d'apprentissage profond, de statistiques et de traitement d'images, ont été mises en œuvre pour répondre à ce besoin. Néanmoins, ces techniques nécessitent des volumes importants d'images annotées pour lesquelles le déséquilibre des classes d'objets ou de défauts à identifier représente un réel défi pour une utilisation opérationnelle. L'objet du projet de thèse est d'explorer différentes approches (synthèses d'images, annotation hiérarchique, apprentissage auto-supervisé, réseaux génératifs antagonistes, etc.) permettant de générer des images représentatives annotées à l'aide d'informations transférées d'autres contextes ou d'informations faibles.

This CIFRE thesis is the result of a collaboration between the Imagine team at LIRIS, specialized in the processing and analysis of visual data, and the Veolia group, specialized in ecological transformation, waste recovery and wastewater transport. More and more applications require the acquisition of large quantities of images, which need to be analyzed in real time to trigger action. Automated processing of these large volumes of data can benefit from recent advances in deep learning. To ensure optimal, safe management of wastewater transport facilities, televised inspection can be carried out using a camera-equipped cart inserted into a pipe. The process is mostly manual, and relies on the expertise of the operator who visualizes the live images, detects and identifies observable defects (cracks, breaks, joint defects between sections, etc.) and provides an inspection report. Similarly, in the context of solid waste collection and sorting, quality control of complex waste streams is carried out using images within which experts identify intruding objects. Improving these quality control processes and identifying anomalies in images and video is therefore a crucial challenge. Various deep learning, statistical and image processing techniques have been implemented to meet this need. However, these techniques require large volumes of annotated images, for which the imbalance in the classes of objects or defects to be identified represents a real challenge for operational use. The aim of this thesis project is to explore different approaches (image synthesis, hierarchical annotation, self-supervised learning, adversarial generative networks, etc.) for generating annotated representative images using information transferred from other contexts or weak information.