• Hi Interns
Principal
  • Mon Espace
  • Mon Espace
  • Offres
  • Profil
  • Hi Academy
  • Monthly Check-Up
  • LeaderboardNew
Outils
  • Hi Resume
  • Hi Resume
  • PDF to Hi Resume
  • AI Outreach
  • CV Sur Mesure
  • LinkedIn to Email
  • Fiche entretien
  • PDF to Hi Resume
  • AI Outreach
  • CV Sur Mesure
  • LinkedIn to Email
  • Fiche entretien
Accompagnement(Premium↗︎)
  • Career Consultant
  • Hi Agent
  • Career Consultant
  • Hi Agent
  • Passer au Premium
  • Premium / Plus
  • Tarifs

 

Info session

Gratuit

La méthode pour décrocher des entretiens, en live avec l’équipe.

  1. Offres
  2. Détail de l'offre
Se connecter

INRAE – UMR FARE

FranceFrancePublication : 19 nov. 2026

Offre de stage de Master 2 Deep learning pour l’analyse d’images 4D (espace + temps) de microscopie confocale de la déconstruction de biomasses végétales

  • Stage
  • 4-6 mois
  • Présentiel
  • 4,50 € / heure
  • Échéance : 3 déc. 2026
  • Deep Learning / AI
  • Traitement d’images
  • imagerie scientifique
  • microscopie confocale
  • IA / Vision par ordinateur
  • Excel/Python
  • Python/PyTorch
  • TensorFlow Lite
  • Mathématiques appliquées

Description du poste

Contexte

La conversion biotechnologique de la biomasse lignocellulosique (BL) en bioproduits constitue une voie prometteuse pour le développement d’une bioéconomie durable. L’hydrolyse enzymatique, ou saccharification, représente une étape clé de ce processus. La récalcitrance de la biomasse lignocellulosique à la déconstruction constitue un frein à l’amélioration des rendements de saccharification et contribue à augmenter les coûts de production des bioproduits.

Le laboratoire FARE a développé des pipelines d’imagerie 4D (espace + temps) combinant la microscopie confocale de fluorescence et des outils innovants de traitement d’images afin de suivre et quantifier la déconstruction de la paroi cellulaire à des échelles cellulaires et tissulaires. L’un des principaux défis est la segmentation précise et le suivi des cellules individuelles, notamment en raison de la perte d’intégrité des parois cellulaires au cours de l’hydrolyse enzymatique.

Les méthodes de Deep Learning (DL), notamment les réseaux de neurones convolutifs (CNN), seront utilisées pour améliorer les étapes de segmentation et de suivi des cellules. Un pipeline de segmentation fondé sur le modèle PyTorch 3D U-Net de Wolny et al. (2020) a déjà été développé et entraîné au sein de l’équipe. Sa précision a été vérifiée sur des images pré-hydrolyse de biomasses de peuplier.

Mission

La mission consiste à implémenter un pipeline basé sur le Deep Learning pour la segmentation d’images 4D, en conservant sa pertinence au cours de l’hydrolyse enzymatique.

Une stratégie envisagée consiste à propager dans le temps la segmentation pré-hydrolyse enzymatique en utilisant des transformations permettant de recaler l’image brute initiale sur l’image brute acquise à un temps donné de l’hydrolyse. Alors que des algorithmes classiques de recalage ont été utilisés précédemment, le stage portera également sur l’utilisation d’algorithmes fondés sur le Deep Learning pour cette étape.

Objectifs

  • Écrire les scripts nécessaires à l’entraînement et à l’inférence du modèle de Deep Learning pour le recalage d’images.
  • Préparer les données d’entraînement.
  • Évaluer la qualité des recalages prédits.
  • Améliorer la stratégie d’entraînement du modèle, notamment par l’agrandissement du jeu de données d’entraînement et l’optimisation des hyperparamètres.
  • Exploiter les ressources de calcul du supercalculateur ROMEO.

Selon l’avancement du stage, des objectifs complémentaires pourront être envisagés :

  • Développer « from scratch » un modèle de Deep Learning pour le recalage d’images.
  • Utiliser des réseaux de neurones récurrents pour le recalage d’images issues de séquences temporelles 4D.

Le stage contribuera à une meilleure exploitation des séquences 4D de l’hydrolyse enzymatique sur différentes typologies et différents prétraitements de biomasses, dans le cadre du projet FillingGaps. À terme, les caractérisations structurales pourront être combinées aux caractérisations chimiques afin d’étudier l’efficacité de saccharification de biomasses lignocellulosiques contrastées.

Formation et compétences requises

  • Dernière année d’école d’ingénieur ou Master 2.
  • Spécialisation en traitement d’images, Deep Learning ou mathématiques appliquées.
  • Maîtrise du langage de programmation Python.
  • Expérience avec des frameworks de Deep Learning tels que PyTorch ou TensorFlow.
  • Connaissances en imagerie cellulaire et tissulaire.
  • Rigueur et organisation.
  • Écoute et capacité à travailler en équipe.
  • Capacité à interagir avec plusieurs personnes et à s’intégrer rapidement dans un collectif de recherche.
  • Capacité à rendre compte des résultats et à les communiquer.

Mots-clés

Lignocellulose, caractérisation, microscopie, fluorescence, Deep Learning, segmentation, recalage d’images.

Conditions

  • Durée : 6 mois.
  • Démarrage dès que possible, à partir du 1er février 2027.
  • Lieu : UMR FARE, 2 esplanade Roland Garros, 51100 Reims.
  • Gratification : indemnisation selon la réglementation en vigueur, soit 4,50 € par heure.

Candidature

La candidature doit comprendre un CV, une lettre de motivation ainsi que les coordonnées d’au moins deux référents universitaires acceptant d’être contactés au sujet de la candidature.

Offres similaires

  • PFE PROJECT 01 - Wound-AIMedCalc · Tunisie · Stage
  • IA vocale · Recherche - Speech AI — Derja tunisienB2H · Tunisie · Stage
  • Marketing - REF 19 - Détection intelligente de la fraude télécom par les Graph Neural NetworksOoredoo Tunisie · Tunisie · Stage
  • PFE-08 — Diagnostic des cultures par photoORCADEEP · Tunis · Stage
  • SUJET 01 - SAV Vision : suivi intelligent des véhicules en atelier par camérasEBS INTEGRA · Tunisie · Stage
  • Octomiro Studio Edge : l'IA sur systèmes embarquésOctomiro · France · Stage
  • Stages et emplois en intelligence artificielle
  • Stages et emplois en génie civil et construction
  • Stages en France