Post-doctorat 24 mois IA & phénotypage de précision

Post-doctorat 24 mois
IA & phénotypage de précision
CEA-tech Pessac / INRAE Bordeaux
PEPR Agroécologie et Numérique | Axe « Traitement de données et modélisation »
1 - Contexte et objectifs scientifiques
La transition agroécologique en viticulture exige une capacité accrue à quantifier les pathologies
foliaires avec une précision inédite. La détection d'oospores, spores fongiques responsables de
maladies cryptogamiques, représente aujourd'hui un goulot d'étranglement majeur : l'expertise
manuelle requise limite drastiquement le volume d'expérimentations possibles. Ce post-doctorat vise
à lever cette contrainte en développant une chaîne de traitement de données massives (big data) pour
l'analyse automatisée de feuilles de vigne à résolution micrométrique.
L'objectif est de concevoir des algorithmes hybrides combinant réseaux de neurones profonds et
intelligence artificielle intégrant des connaissances expertes, exploitant l'imagerie multispectrale pour
détecter les oospores avec une fiabilité experte tout en corrigeant les distorsions liées à la topographie
3D des feuilles.
2 - Contributions aux axes scientifiques du PEPR
Ce projet s'aligne parfaitement avec l'axe « Traitement de données et modélisation » du PEPR
Agroécologie et Numérique à travers trois contributions majeures :
• Extraction de connaissances à partir de données hétérogènes : Intégration de données
multispectrales et spatiales pour enrichir la caractérisation phénotypique au-delà du spectre
visible.
• Modélisation hybride et interprétable : Développement de réseaux de neurones profonds
couplés à de l'intelligence artificielle intégrant des connaissances expertes, garantissant
robustesse et explicabilité des prédictions.
• Industrialisation du traitement de données : Mise en place d'une infrastructure capable de
gérer des flux massifs d'images haute résolution, condition sine qua non pour l'élargissement
des campagnes expérimentales.
3 - Résultats attendus
Le titulaire du post-doctorat produira des livrables tangibles à fort impact scientifique et technique :
• Un algorithme de correction de focalisation adaptatif pour surfaces végétales 3D, optimisé
pour l'imagerie à haute résolution.
• Une architecture de Deep Learning hybride (réseaux neuronaux + intelligence artificielle)
validée pour la détection automatique d'oospores.
• Une base de données annotées et structurée, servant de référence pour l'apprentissage
supervisé et la communauté scientifique.
• Un pipeline de traitement automatisé, déployable sur la plateforme d'imagerie existante,
réduisant le temps d'analyse de plusieurs ordres de grandeur.
• Publications dans des revues à comité de lecture et communications dans des conférences
internationales de premier plan.
4 - Impacts attendus
Au-delà de l'excellence scientifique, ce projet vise une transformation opérationnelle de la recherche
en viticulture :
• Accélération de la R&D : Multiplication significative du nombre de tests phénotypiques
réalisables, permettant d'explorer un espace expérimental beaucoup plus vaste.
• Transition agroécologique : Fourniture d'outils de diagnostic précis pour évaluer l'efficacité de
solutions de protection biologique, réduisant la dépendance aux intrants chimiques.
• Montée en compétence technologique : Renforcement des capacités numériques du CEA
TECH et de l'INRAE, positionnant les laboratoires comme leaders en phénotypage de précision.
• Valorisation : Potentiel de transfert technologique vers des solutions logicielles ou matérielles
applicables à d'autres cultures.
5 - Programme de travail et calendrier prévisionnel
Le contrat s'étend sur 24 mois, avec une répartition équilibrée entre développement algorithmique,
validation expérimentale et valorisation :
Mois 1-6 : Immersion et cadrage Intégration aux équipes, maîtrise de la plateforme d'imagerie
existante, collecte initiale de données et définition des protocoles d'annotation avec les experts
biologiques.
Mois 7-12 : Développement des briques technologiques Implémentation des algorithmes de
correction de focalisation 3D et conception de l'architecture de Deep Learning. Premiers tests sur sous-
ensemble de données.
Mois 13-18 : Intégration et optimisation Couplage des modules (Deep Learning + intelligence
artificielle), entraînement sur la base de données complète, validation croisée et optimisation des
performances.
Mois 19-24 : Déploiement et valorisation Déploiement du pipeline sur la plateforme, rédaction des
publications scientifiques, préparation des supports de valorisation et transmission des savoir-faire.
6 - Partenariat et interdisciplinarité
Ce post-doctorat s'inscrit dans un écosystème collaboratif unique, à cheval entre Pessac et Bordeaux,
deux pôles d'excellence scientifique à proximité immédiate.
• CEA TECH Nouvelle Aquitaine : Expertise en imagerie multispectrale, développement des
outils de capture et traitement d'images.
• INRAE - SAVE : Expertise en biologie végétale, pathologie de la vigne, et constitution de la base
de données d'apprentissage.
Le candidat bénéficiera d'un environnement stimulant, à l'interface du numérique et du vivant, avec
des opportunités de networking au sein du réseau PEPR et des collaborations internationales. Une
mobilité régulière entre les deux sites est prévue pour assurer la synergie entre les compétences
digitales et biologiques.
Profil recherché : Doctorant(e) en informatique, intelligence artificielle, ou traitement d'images, avec
une appétence pour les applications en sciences du vivant. Maîtrise des frameworks de Deep Learning
(PyTorch/TensorFlow) et expérience en traitement d'images médicales ou biologiques fortement
appréciée.
Contact : Pour candidater ou obtenir plus d'informations, contactez les équipes du CEA TECH Nouvelle
Aquitaine et de l'INRAE SAVE.
CEA : Jérôme Hazart – jerome.hazart@cea.fr
INRAE : François Delmotte - francois.delmotte@inrae.fr
