Cette classification est essentielle pour évaluer la qualité des perles de Tahiti et déterminer leur valeur sur le marché. Actuellement, cette expertise est entièrement réalisée de manière manuelle par des experts, un processus exigeant en temps et en effort. L’objectif est donc de recourir à l’intelligence artificielle et au traitement d’images pour simplifier et accélérer cette tâche. À terme, cela pourrait conduire à la création d’une machine de tri automatique capable de classer les perles en fonction des différents critères énoncés précédemment en utilisant l’intelligence artificielle.

Des avancées notables ont déjà été réalisées grâce à deux thèses en informatique, qui ont permis de lever d’importants verrous techniques :

• La mesure automatique de l’épaisseur de la nacre : Les résultats obtenus ont conduit au dépôt d’un brevet [1].
• L’apprentissage automatique du classement du lustre des perles de Tahiti [2].

Les défauts de surface des perles de Tahiti peuvent prendre diverses formes : il peut s’agir de piquages, comme sur la perle de qualité D illustrée dans la Figure 1, de rayures visibles sur les perles de qualité C ou B de la même figure, ou encore de dépôts de calcite et de trous dans les couches de nacre constituant la perle. La dispersion, la concentration et la profondeur des piquages influencent également la qualité de la perle. Par exemple, deux perles présentant cinq piquages en surface peuvent être évaluées différemment si la première montre des piquages plus profonds que ceux de la seconde, même si le nombre de piquages est identique.

Dans ce contexte, le stage vise à développer des méthodes permettant de détecter et de quantifier ces imperfections de surface, en mesurant précisément leur concentration, leur profondeur, et leur répartition sur la perle. En fin de compte, cela permettra de corréler la qualité attribuée à une perle avec le taux d’imperfections détecté, offrant ainsi une évaluation objective s’alignant avec la classification des experts[BD1] .

Pour cette détection et quantification des défauts, nous nous appuyons sur une base de données contenant des photos de 4000 perles, annotées en qualité par des experts de la Cellule de Contrôle de Qualité de la Perle (C.C.Q.P).

Cahier des charges

La mission du stagiaire débutera par une phase de familiarisation avec la littérature scientifique portant sur l’évaluation des défauts de surface d’objets, comme les roulements à billes. En parallèle, le stagiaire rencontrera les experts de la Direction des Ressources Marines (DRM) de Polynésie Française pour approfondir sa compréhension des critères de qualité appliqués aux perles de Tahiti et des différents types de défauts de surface existants.

Dans une seconde phase, le stagiaire sera chargé de créer une base de données d’images annotées pour la détection des défauts de surface, en s’appuyant sur un outil d’annotation tel que CVAT[3]. Cette base de données servira ensuite à entraîner un modèle de détection, comme YOLO[4], pour identifier automatiquement les défauts de surface. Cette étape de prétraitement permettra d’appliquer des opérations de traitement d’image ou d’utiliser un modèle de segmentation, comme SAM[5] ou ses variantes[6, 7], pour isoler les défauts détectés et caractériser des aspects spécifiques tels que la profondeur, la longueur ou la taille des défauts via des techniques de traitement d’images. De plus, tout au long du stage, si de nouvelles perles sont acquises, un travail d’acquisition photographique sera à réaliser sous la supervision du doctorant.

Enfin, dans la phase finale, le stagiaire travaillera à l’élaboration d’une pipeline automatisée capable de quantifier les défauts présents à la surface des perles et de classifier ces défauts avec des modèles de deep learning ou de machine learning [8–11] . Cette démarche vise à établir une corrélation entre les défauts détectés et la qualité attribuée par les experts, permettant ainsi une évaluation plus objective et reproductible des perles de Tahiti.

Bibliographie :

1.        Loesdau M, Chabrier S, Gabillon A (2016) Procédé de détermination de l’épaisseur de nacre sur une perle, notamment une perle de culture

2.        Mondonneix G (2019) L’apprentissage automatique du rangement d’objets et son application à l’évaluation du lustre des perles de culture de Tahiti. Université de la Polynésie française

3.        Sekachev B, Manovich N, Zhiltsov M, Zhavoronkov A, Kalinin D, Hoff B, TOsmanov, Kruchinin D, Zankevich A, DmitriySidnev, Markelov M, Johannes222, Chenuet M, a-andre, telenachos, Melnikov A, Kim J, Ilouz L, Glazov N, Priya4607, Tehrani R, Jeong S, Skubriev V, Yonekura S, truong vugia, zliang7, lizhming, Truong T (2020) Computer Vision Annotation Tool (CVAT)

4.        Redmon J, Divvala S, Girshick R, Farhadi A (2016) You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)

5.        Kirillov A, Mintun E, Ravi N, Mao H, Rolland C, Gustafson L, Xiao T, Whitehead S, Berg AC, Lo W-Y, Dollár P, Girshick R (2023) Segment Anything

6.        Zhang C, Han D, Qiao Y, Kim JU, Bae S-H, Lee S, Hong CS (2023) Faster Segment Anything: Towards Lightweight SAM for Mobile Applications

7.        Zhang C, Han D, Qiao Y, Kim JU, Bae S-H, Lee S, Hong CS (2023) Faster Segment Anything: Towards Lightweight SAM for Mobile Applications

8.        Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, Ye Q, Liu T-Y (2017) LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Guyon I, Luxburg U Von, Bengio S, Wallach H, Fergus R, Vishwanathan S, Garnett R (eds) Advances in Neural Information Processing Systems. Curran Associates, Inc.

9.        Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A (2018) CatBoost: unbiased boosting with categorical features. In: Proceedings of the 32nd International Conference on Neural Information Processing Systems. Curran Associates Inc., Red Hook, NY, USA, pp 6639–6649

10.       Chen T, Guestrin C (2016) XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM

11.       Cortes C, Vapnik V (1995) Support-vector networks. Mach Learn 20:273–297. https://doi.org/10.1007/BF00994018