Thèse Modèles Multimodaux pour l'Aide à la Décision en Contrôle Non-Destructif H/F Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : [CVN] Centre de la Vision Numérique
Direction de la thèse : Hugues TALBOT ORCID 0000000221793498
Début de la thèse : 2026-05-04
Date limite de candidature : 2026-10-01T23:59:59

Le sujet de cette thèse porte sur la conception, l'adaptation et l'intégration de nouveau modèles multimodaux de type « Multimodal Large Language Models » (MLLMs) pour l'aide à la décision en contrôle non destructif (CND) dans l'industrie aéronautique. L'objectif est de valoriser la diversité et la richesse des données industrielles - images 2D/3D, vidéos, rapports textuels, procédures d'inspection - afin d'optimiser la détection et l'interprétation des anomalies sur les composants stratégiques. Un volet clé de la thèse consiste à développer un outil unifié de détection d'anomalies, capable de remplacer les applications spécialisées, aujourd'hui segmentées par modalité (radiographie, thermographie IR, tomographie, ...). Cet assistant multimodal, doté d'une interface conversationnelle en langage naturel, facilitera la prise de décision des inspecteurs. La thèse vise à dépasser les limites des modèles généralistes actuels en les spécialisant pour les cas d'usage Safran, notamment via l'intégration de la connaissance métier et l'évaluation des performances dans des flux industriels réels. Cette démarche innovante contribue à l'avancement de l'IA multimodale appliquée à l'inspection industrielle et à l'optimisation des processus de contrôle chez Safran, tout au long de la chaîne de production - depuis les essais de développement et la production de nouvelles pièces jusqu'au domaine MRO (Maintenance, Repair and Overhaul).

Dans l'industrie aéronautique, la fiabilité, la sécurité et la traçabilité sont essentielles, notamment pour garantir la conformité des composants stratégiques. Le contrôle non destructif (CND) joue un rôle primordial à cet égard. Notamment, le CND regroupe un ensemble de méthodes d'inspection - radiographie, ultrason, thermographie, tomographie, courants de Foucault, etc. - visant à évaluer l'intégrité et la qualité des matériaux ou des assemblages sans en altérer la structure. En détectant précocement fissures, porosités ou inclusions, le CND garantit la fiabilité et la sécurité des pièces tout au long de leur cycle de vie. Chaque séance de contrôle est par ailleurs enregistrée et associée au numéro de série du composant, assurant ainsi une traçabilité complète des inspections. Cette traçabilité est cruciale pour répondre aux exigences réglementaires, faciliter les retours d'expérience et maintenir un historique détaillé de la conformité de chaque pièce. Chez Safran, les processus de CND s'appuient de plus en plus sur des méthodes d'inspection industrielle digitalisée qui produisent une grande variété de données : images 2D issues de multiples techniques (radiographie, caméras RGB, hyper-spectrales), volumes 3D obtenus par tomographie, vidéos issues de la thermographie infrarouge. Ces données sont analysées par des inspecteurs, souvent assistés dans cette tâche par des algorithmes d'aide à la décision spécifiques à chaque cas d'usage.

L'objectif principal de cette thèse est la conception et l'intégration effective de modèles multimodaux (MLLMs) dans le domaine de l'inspection industrielle et du contrôle non destructif. Il s'agit de développer des méthodologies et des outils permettant d'exploiter pleinement la diversité des données industrielles (images 2D, volumes 3D, vidéos, rapports textuels, procédures de contrôle, etc.) afin d'optimiser la détection, l'interprétation et l'explication des défauts. Le tout, dans le cadre d'un assistant virtuel conversationnel qui offrirait à l'inspecteur un mode d'interaction question-réponse, facilitant l'accès à l'information et la prise de décision directement en langage naturel pour l'aide à la décision.

La thèse portera sur la conception de modules, ainsi que sur l'adaptation et la spécialisation des modèles MLLM. Elle inclura la sélection d'architectures appropriées, le développement de modules spécifiques intégrant la connaissance métier et les processus de fabrication, ainsi que l'intégration de mécanismes de guidage permettant de focaliser l'analyse sur les régions d'intérêt identifiées par l'expertise ou par l'image.