La thèse a pour objectif d’étudier les possibilités du deep learning pour la segmentation de ces défauts d’aspects sur pneumatiques. Une machine industrielle permet l’acquisition d’images haute résolution de la totalité du pneu, ainsi un jeu de données de l’ordre de plusieurs dizaines de milliers d’images est disponible. L’objectif serait donc de détecter automatiquement ces défauts et leur type selon les normes définies par Michelin, mais surtout de prédire la sévérité du défaut qui détermine l’étape suivante dans le cycle de vie du pneu (à réparer, à jeter etc …). Un autre aspect concerne l’utilisation des images non annotées en vue de les intégrer pour l’entrainement avec les images annotées de la manière la plus efficace possible (apprentissage auto/semi supervisé), car obtenir des données annotées est long et coûteux. De surcroit, certaines informations comme le type de défaut ne sont renseignées que depuis peu de temps, ainsi de nombreuses annotations sont incomplètes. Pour résumer, les objectifs de la thèse sont multiples :     • Prédire correctement les zones de défauts (segmentation d’instances)     • Classer les zones de défauts selon leur classe de défaut dans un premier temps     • Classification de la sévérité de chaque défaut à partir du type de défaut prédit et de ses caractéristiques en lien avec les normes définies.     • Utiliser au mieux les données non-annotées et les intégrer avec les données annotées Différents axes de recherche seront donc à explorer, principalement autour des architectures de segmentation et des techniques d’entrainement auto/semi supervisés.