Soutenance de thèse de Mohamad DHAINI Lundi 17 juin 2024 à 14h00, Amphi D - Université de Rouen - UFR Sciences et Techniques

Mohamad DHAINI soutiendra sa thèse  lundi 17 juin à 14h00 dans l'amphi D de l'UFR Sciences et Techniques (Site du Madrillet, Av. de l'Université, 76800 Saint-Étienne-du-Rouvray).

Cette thèse CIFRE a été réalisée au sein de l'Université de Rouen Normandie et s'intègre dans le cadre d'une collaboration entre le laboratoire LITIS et l'entreprise Tellux. Cette thèse s'intitule :

“Apprentissage Profond pour l’Analyse de la Pollution des Sols par Imagerie Hyperspectrale”

La soutenance aura lieu devant le jury composé de :

M. CHARLES SOUSSEN, Professeur, CentraleSupélec, Rapporteur
M. MATTHIEU PUIGT, Maître de Conférences HDR, ULCO - UNIVERSITE DU LITTORAL COTE D'OPALE, Rapporteur
Mme. SAMIA AINOUZ, Professeur, INSA de Rouen Normandie, Membre du Jury
Mme. SOPHIE FABRE, Directeur de Recherche, Office National d'Etudes&recherches Aéro, Membre du jury
M. ALAIN RAKOTOMAMONJY, Professeur, Université de Rouen Normandie | Membre du jury
M. PAUL HONEINE, Professeur, Université de Rouen Normandie | Directeur de thèse
M. MAXIME BERAR, Maître de Conférences, Université de Rouen Normandie, co-encadrant de thèse
M. Antonin Van Exem, CEO, TELLUX, Personnalité invitée

La soutenance sera également transmise sur Teams via le lien ici.

Résumé :

Ces dernières années, l'apprentissage profond a été étudié pour un large spectre d'applications. Dans cette thèse, nous visons à explorer un domaine moins connu, mais d'une importance cruciale : l'apprentissage profond au profit de l'environnement. Plus précisément, nous étudions l'utilisation de l'apprentissage profond pour l'analyse de la pollution des sols à l'aide de l'imagerie hyperspectrale. Dans notre travail, nous fournissons des réponses aux besoins industriels identifiés par la société Tellux spécialisée dans les analyses environnementales tels de la pollution par les hydrocarbures ou la matière organique des sols. L'application de modèles d'apprentissage profond sur des données spectrales des sols n'est pas simple en raison des variabilités liées à la composition des sols, des types de contaminants ainsi que les paramètres d'acquisition. La thèse est divisée en deux parties principales en fonction de la nature et des objectifs des modèles développés. Dans la première partie, nous abordons les modèles conçus pour caractériser les structures stratigraphiques des données d'un seul site de sol. À cette fin, en utilisant des techniques d'apprentissage non supervisé, notre contribution consiste à développer un autoencodeur convolutionnel complet pour le démélange hyperspectral non-linéaire conçu pour estimer la composition du sol. L'autoencodeur proposé surpasse des ensembles de données hyperspectrales aéroportées bien connus et il est utilisé dans une étude de cas opérationel de Tellux pour estimer les structures lithologiques du sol. Dans la deuxième partie, nous abordons les modèles généralisables à différents types de données géologiques, principalement des données synthétiques à des données réelles enregistrées sur le terrain. Nous proposons des modèles de régression conçus pour estimer la concentration en hydrocarbures des sols. À cette fin, nous explorons les techniques d'adaptation au domaine pour les tâches de régression sur les données hyperspectrales. L'adaptation de domaine pour les tâches de régression est très difficile par rapport à la classification en raison de la sensibilité du modèle à la dispersion des données dans l'espace des caractéristiques en fonction de la variable de sortie. Notre contribution consiste en deux nouvelles fonctions de perte de domaine adaptées aux problèmes de régression avec une mise en œuvre stable dans un réseau neuronal. Enfin, pour accroître la robustesse du modèle face à plusieurs variabilités spectrales possibles, nous explorons les techniques d'apprentissage contrastif pour les tâches de régression. À cette fin, nous proposons des techniques d'augmentation spectrale et spatiale adaptées aux données hyperspectrales et nous fournissons un cadre pour l'apprentissage contrastif spectral et spectral-spatial pour la régression sur les données hyperspectrales. Les techniques d'adaptation au domaine et d'apprentissage contrastif proposées améliorent les scores de régression des modèles de base les plus récents sur des données hyperspectrales aériennes, synthétiques et réelles. De plus, les techniques proposées améliorent la généralisation des modèles Tellux des ensembles de données synthétiques de laboratoire et des ensembles de données réelles enregistrés sur le terrain.