Description Depuis 1989, CIMES réunit ingénieurs, doctorants et experts techniques afin d'apporter une vision holistique des performances système en synchronisant : • la simulation numérique, • l'ingénierie d'essais, • le data management. Notre objectif : fournir une expertise de pointe pour caractériser le comportement mécanique des structures et analyser les écoulements de fluides. CIMES, c'est un écosystème unique composé de 5 départements complémentaires : Structure – Thermo-fluidique – Digital Lab – AEC – Logiciels Nous nous appuyons sur plus de 30 années d'expérience, avec nos propres outils internes : logiciels développés en interne, HPC (cluster de calcul haute performance), moyens d'essais dédiés (laboratoire & site d'exploitation). CONTEXTE DU STAGE Le train constitue aujourd’hui un pilier du transport durable en Europe grâce à sa rapidité et à ses faibles émissions. L’alimentation électrique des trains repose sur l’interaction entre la caténaire et le pantographe, dont la bande de captage en carbone est soumise à une usure progressive. Actuellement, cette usure est évaluée principalement via des inspections manuelles, sans solution de suivi en temps réel. L’émergence des technologies de vision et du machine learning ouvre de nouvelles perspectives pour développer des outils de surveillance continue et de maintenance prédictive. OBJECTIF DU STAGE Le stage vise à concevoir et développer un système de vision capable de mesurer l’usure de la bande de captage du pantographe en conditions d’exploitation. Les objectifs principaux sont : Détecter automatiquement le contour de la bande de captage à partir d’images. Estimer ses dimensions réelles (épaisseur notamment) via des techniques de calibration et d’homographie. Mettre en place un prototype de suivi de l’usure dans le temps. Explorer des approches de machine learning adaptées à un faible volume de données. Proposer un système de diagnostic avec génération d’alertes. Mission Analyse du besoin et état de l’art (vision industrielle, inspection ferroviaire). Développement d’algorithmes de traitement d’images 2D. Mise en œuvre de méthodes de détection d’objets à géométrie complexe. Génération de données synthétiques pour enrichir les jeux de données. Implémentation de modèles de deep learning (CNN, U-Net ou équivalent). Évaluation des performances et optimisation du système. Participation à l’intégration d’un démonstrateur. Profile Formation Étudiant(e) en école d’ingénieur ou Master (Bac4 / Bac5) en informatique, vision par ordinateur, data science ou domaine connexe. Intérêt pour les systèmes embarqués, le ferroviaire ou la maintenance prédictive. Compétences techniques Très bonne maîtrise de Python. Expérience en traitement d’images (OpenCV). Connaissances en géométrie projective et homographie. Notions en analyse de données 2D. Expérience ou intérêt pour le machine learning / deep learning (TensorFlow, PyTorch). Idéalement : familiarité avec Open3D ou la vision 3D. Qualités personnelles Esprit analytique et rigueur scientifique. Autonomie et capacité à proposer des solutions. Goût pour l’expérimentation et les approches innovantes. Capacité à documenter et communiquer les résultats.
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.