La caractérisation d’objets de taille nanométrique par microscopie électronique à transmission (MET) est essentielle pour évaluer le comportement mécanique des matériaux de structure des réacteurs nucléaires ou dans le domaine de la nanotechnologie. Ces objets, visibles par contraste de phase (nanobulles) ou contraste de diffraction (boucles de dislocation ou précipités cohérents), sont des candidats de choix à l'automatisation. L'analyse manuelle de ces micrographies est souvent chronophage et non reproductible. Dans ce projet, l'objectif est de développer des outils informatiques en Python basés sur des techniques d'apprentissage automatique pour traiter des images de MET. Pour cela, le travail se décompose en plusieurs tâches:
- Recueil d’une base de données conséquente, indispensable au succès de toute approche de ce type. Dans ce projet, quatre microscopistes sont impliqués et enrichiront en permanence la base de données avec des images contenant des caractéristiques facilement reconnaissables.
- Débruitage des images et recherche des contours des objects (défauts) à la fois grâce à des logiciels en libre accès existants et à des descripteurs développés en interne. Une région d'intérêt (ROI) représentative sera générée sur les images.
- Conception de l'architecture du réseau de neurones de type CNN et apprentissage du modèle: Une identification collective sera effectuée sur l'ensemble des images afin d'identifier certaines régions (ou objets) d’intérêt (ROI). Chaque ROI est ensuite superposé à l’image initiale et est transmise au réseau de neurones pour établir des identifications particulières. Par ailleurs, les avancées récentes en matière de segmentation d'images seront intégrées au processus.
- Appréciation de la performance du modèle
Le processus sera appliqué à des défauts nanométriques formés dans des matériaux nucléaires (alliages à haute entropie sans Co, UO2) ainsi qu’à des précipités dans des matériaux d'intérêt technologique (Cr dans Cu).