Segmentation sémantique de nuages de points LiDAR acquis avec des systèmes de télémétrie mobile dans des mines souterraines 12 mai 2021 Maîtrise

La compagnie Point Laz a développé un nouveau système innovant permettant d’effectuer la surveillance des puits de mines souterraines. Celui-ci comporte des caméras dédiées à la localisation du système, des caméras dédiées à l’inspection visuelle et des capteurs LiDAR permettant de numériser en 3D l’environnement. Son mode opératoire consiste à le faire descendre le long d’un câble situé au centre du puits. Le traitement des données issues des systèmes LiDAR mobile afin d’en faire la segmentation et classification demeure un problème difficile compte tenu de la nature même des nuages de points. Récemment, les approches exploitant les réseaux de neurones profonds ont émergé. Cependant, elles exploitent en grande partie des architectures développées pour des images. Plusieurs travaux ont investigué l’utilisation du nuage de points dans sa forme native 3D. Cependant, on constate que ces travaux s’inscrivent principalement dans le contexte des véhicules sans chauffeur et de la robotique. Pour ce qui est des architectures de réseaux de neurones profonds, les nuages de points ont fait l’objet d’une grande attention et de plusieurs articles de recension ces dernières années. Ceux-ci mettent en évidence la grande diversité des architectures applicables et donc la difficulté de sélectionner celle adaptée au contexte applicatif visé.

L’objectif général du projet de recherche est de concevoir et développer une solution basée sur les réseaux de neurones profonds permettant de réaliser la segmentation sémantique de nuages de points 3D acquis avec le système de Point Laz, et qui soit adaptée à l’inspection de puits de mines souterraines. La démarche méthodologique anticipée implique le conditionnement des nuages de points de manière à s’adapter au contexte des puits de mines et au système de Point Laz et l’exploration de solution en lien avec le manque de données étiquetées. 

L’étudiante ou l’étudiant participera au développement de technologies de pointe dans plusieurs domaines qui connaissent un essor remarquable (i.e. l’intelligence artificielle, les réseaux de neurones profonds, les balayeurs laser 3D, les jumeaux numériques 3D) et elle/il contribuera également à la définition de nouvelles méthodes dans des contextes peu explorés (ex. adaptation des réseaux de neurones profonds aux nuages de points LiDAR et au contexte minier). Le projet lui permettra d’acquérir les compétences multidisciplinaires et professionnelles requises dans un contexte où les compétences transversales (i.e. savoir travailler en synergie avec des acteurs multidisciplinaires, savoir inventer de nouvelles façons de résoudre des problèmes) deviennent essentielles à la collaboration au sein de projet d’envergure et à lui assurer ainsi une meilleure intégration professionnelle. L’étudiante ou l’étudiant aura des occasions uniques de réseautage avec le partenaire industriel Point Laz et de se familiariser avec les réalités industrielles de la recherche. 

L’étudiante ou l’étudiant impliqué(e) dans cette recherche sera membre du CRDIG. Ce centre de recherche lui offrira un milieu de recherche stimulant et un environnement d’accueil et de formation de qualité. Ses nombreuses activités scientifiques, conférences et séminaires contribuent de manière significative à l’enrichissement du savoir et des connaissances. Les ressources présentes au sein du CRDIG offriront également de l’aide en manipulation et analyse d’informations géospatiales notamment LiDAR, en intelligence artificielle, en modélisation 3D, en informatique nuagique et en rédaction d’articles scientifiques. Le CRDIG pourra également fournir du soutien au moment d’utiliser des serveurs de calculs et du traitement multi-GPU lors de l’entrainement des réseaux de neurones profonds. 

L’étudiante ou l’étudiant impliqué(e) dans cette recherche aura aussi accès à des équipements spécialisés de pointe (i.e. serveur informatique; plateforme de télémétrie mobile, …) et à des jeux de données acquis et documentés au préalable grâce à la collaboration avec le partenaire. L’accès à de tels jeux de données (aussi bien brutes qu’étiquetés), aux plateformes les ayant acquises, et aux métadonnées relatives à l’acquisition, constitue un avantage significatif au moment de concevoir des méthodes de traitement de ces données. 

Pour postuler, faites parvenir dès maintenant à Sylvie Daniel (sylvie.daniel@scg.ulaval.ca) 

• une lettre de motivation en lien avec le projet proposé 
• votre curriculum vitae 
• votre plus récent relevé de notes 
• les coordonnées de 2 références