Développement d'une solution par intelligence artificielle pour les analyses d'images en cosmét[...]

Développement d'une solution par Intelligence artificielle pour les analyses d'images en cosmétique // Development of an Artificial Intelligence solution for image analysis in cosmetics, Blois

Université d'Orléans

Blois, France

Topic description

L'intelligence artificielle a été appliquée initialement avec succès dans le domaine de l'imagerie médicale, offrant des outils et des techniques innovants pour améliorer le diagnostic, le traitement et la gestion des pathologies. L'IA dans ce contexte a largement aidé à accélérer le processus de diagnostic en identifiant rapidement les régions suspectes qui nécessitent une attention particulière. L'analyse d'images pour les soins cosmétiques constitue une solution majeure visant à analyser l'efficacité d'un produit cosmétique. Cependant, ces analyses sont souvent effectuées par un expert humain, ce qui peut être long, coûteux, et sujet à une variabilité de notation. Pour automatiser et accélérer ces analyses, le développement de solutions IA adaptées doit être déployé à grande échelle dans les entreprises spécialisées.

Des avancées restent à faire en termes d'automatisation, précision, réduction du temps et des coûts, ainsi que dans l'exploitation des résultats d'analyse (corrélations statistiques, etc.). Les méthodes actuelles reposent sur la prise de photos dans des conditions standardisées, suivie d'une notation par un expert, sujettes à des variations perceptives et incertitudes.

Les études montrent que peu de solutions d'analyse d'images en cosmétique basées sur l'IA sont disponibles, notamment pour les PME souhaitant intégrer ces outils dans leur démarche d'expertise, en raison de la nouveauté du paradigme et de la complexité multidisciplinaire requise (traitement d'images, IA, machine learning, programmation, etc.).

Dans le cadre de cette thèse, il est prévu de :

1. Développer une approche de pré-traitement et de segmentation des images utilisant l'IA, en testant des architectures pré-entraînées comme U-Net, SegNet, etc., et en les adaptant à la problématique.
2. Créer un algorithme basé sur l'IA, utilisant des techniques de CNN avec Python et TensorFlow, comprenant trois couches de convolution suivies de couches de max pooling pour réduire la taille des images. Des architectures pré-entraînées comme VGG, ResNet seront également explorées et adaptées.

Les entrées seront des images traitées et annotées, et les sorties, des classifications des caractéristiques de jeunesse et leur corrélation avec le type de soins.

#J-18808-Ljbffr