Stage Data Scientist : Détection d'anomalies dans les images en impression 3D métallique F/H

La fabrication additive est un procédé stratégique pour Safran car il permet de fabriquer des géométries de pièces optimisées et ainsi de réduire le poids des systèmes embarqués mais également d'améliorer leur performance mécanique ou thermique. C'est donc un levier important pour réduire la consommation de carburant des avions. Afin d'accélérer la maitrise de ce procédé, on peut tirer parti des très gros volumes de données produits lors de chaque impression pour analyser et surveiller le bon déroulement de la fabrication de chaque pièce.

Le stage porte sur la détection d'anomalies dans les images obtenues couche par couche. L'objectif est de vérifier si les images obtenues après balayage de la poudre métallique par les lasers à chaque couche sont ‘normales' par rapport au plan de fabrication envoyé à la machine. L'approche proposée pour le Stage est non-supervisée: un modèle génératif serait utilisé pour apprendre la distribution ‘normale' des images conditionnellement au plan de fabrication, et les images testées par la suite qui s'écarteraient de cette distribution seraient classées comme anormales. Le stage pourra creuser dans d'autres directions en fonction des résultats obtenus avec cette approche.

Références :
Jun-Yan Zhu, R. Z. (2018). Toward multimodal image-to-image translation.
Samet Akcay, A. A.-A. (2018). GANomaly: semi-supervised anomaly detection via adversarial training.