Présentation de l’Ecole et du laboratoire

Créée en 1857, l’École Centrale de Lyon figure parmi le top 10 des écoles d'ingénieurs en France. Elle forme plus de 3 000 élèves de 50 nationalités différentes sur ses campus d'Écully et de Saint-Étienne (ENISE, école interne) : ingénieurs généralistes, ingénieurs de spécialités, masters et doctorants. Avec le Groupe des Écoles Centrale, elle dispose de 3 implantations à l’international. La formation dispensée bénéficie de l’excellence de la recherche des 6 laboratoires labellisés CNRS présents sur ses campus, des 2 laboratoires à l’international, des 6 réseaux de recherche internationaux et des 10 laboratoires communs avec des entreprises. Sa recherche d’excellence et son enseignement de très haut niveau lui permettent de nouer des accords de doubles diplômes avec des universités prestigieuses et des partenariats de pointe avec de nombreuses entreprises. Autour des thématiques de sobriété, d’énergie, d’environnement et de décarbonation, Centrale Lyon entend répondre aux problématiques des acteurs socio-économiques sur les grandes transitions.

Ce projet de recherche sera mené au sein du Laboratoire (UMR 5205), et en particulier de l’équipe dont les travaux visent notamment à développer de nouveaux modèles d’apprentissage et de vision pour l’analyse et la compréhension de données visuelles telles que les images et vidéos.

Présentation de la thématique :

Cette mission s’inscrit dans le cadre du projet Therm_I_Bat associant le LIRIS à l’entreprise CMDL Manaslut Ing. et dont l’objectif est de proposer de nouvelles méthodes d’IA et de Vision par Ordinateurs pour la détection automatique de défauts thermiques dans des prises de vues intérieures de façades pour l’aide au diagnostic de qualité des bâtiments.

Description de la mission

La performance énergétique réelle des bâtiments neufs ou rénovés reste souvent en deçà des performances visées en conception, créant un « energy gap » qui freine la décarbonation du secteur. CMDL a développé une solution robotisée capable de réaliser des campagnes de mesures exhaustives (thermographie infrarouge et images RGB) sur des plateaux de bureaux, logements ou usines d’environ 5 000 m² en une nuit. Cependant, aujourd’hui, le traitement est opéré par un expert sur un nombre restreint de fichiers. La multiplication du nombre de fichiers ne permet pas d’imaginer la mobilisation de l’expert, et seul un traitement automatisé sur la base d’un apprentissage du type Intelligence Artificielle est envisageable.

Le projet THERM_I_BAT vise à concevoir et valider une preuve de concept de diagnostic intelligent des façades de bâtiments, à partir de prises de vues intérieures réalisées par une plateforme robotisée.

Scientifiquement, le projet s’inscrit dans les travaux de recherche et R&D sur l’analyse d’images multimodales et l’apprentissage frugal, en développant de nouveaux modèles d’IA capables de fonctionner avec des jeux de données limités mais fortement contextualisés. Industriellement, il prépare une solution de diagnostic automatisé de la qualité d’enveloppe, compatible avec les outils de la filière (BIM, jumeau numérique) et économiquement acceptable pour un déploiement massif à la réception des bâtiments.

Le planning envisagé est le suivant :

Phase 1 – Acquisition et préparation des données (M1–M12)

•      Définition des protocoles de mesure avec CMDL (typologies de bâtiments, scénarios de défauts).

•      Réalisation de campagnes de mesures robotisées (IR + RGB) sur plusieurs sites pilotes.

•      Constitution d’un jeu de données annoté (défauts, zones saines, contexte BIM).

Phase 2 – Contextualisation spatiale et fusion multimodale (M3–M5)

•      Alignement spatial des images IR et RGB, prise en compte de la géométrie des façades.

•      Développement de méthodes de fusion multimodale pour produire des représentations conjointes robustes.

Phase 3 – Segmentation sémantique et filtrage des perturbations (M6–M9)

•      Développement de modèles de segmentation sémantique pour distinguer les zones pertinentes (parois, menuiseries, éléments techniques) des perturbations (mobilier, objets, reflets).

•      Intégration de connaissances expertes CMDL pour guider les classes et les règles de filtrage.

Phase 4 – Détection d’anomalies et classification des défauts (M10–M16)

•      Mise en place de modèles de détection d’anomalies thermiques et de classification des défauts (ponts thermiques, défauts d’étanchéité à l’air, artefacts liés aux matériaux).

•      Apprentissage frugal à partir de jeux de données limités, complétés éventuellement par des données simulées.

Phase 5 – Génération du diagnostic et validation en environnement pertinent (M16–M18)

•      Génération automatique de diagnostics structurés (liste de défauts, typologie, sévérité) et localisation dans le plan/BIM.

•      Campagnes de validation sur de nouveaux bâtiments, comparaison avec l’analyse d’experts humains (temps, précision, taux de faux positifs/faux négatifs).

•      Consolidation de la preuve de concept (TRL 5) et préparation des suites de valorisation.

Profil recherché / Compétences attendues

Diplômes : Doctorat en Informatique

Connaissances requises : Vision par Ordinateurs, Apprentissage automatique, Apprentissage profond

Compétences opérationnelles : Bonne maîtrise du langage Python et de librairies d’apprentissage profond telles que PyTorch, de l’anglais, et bonnes qualités rédactionnelles et de communication orale

Compétences comportementales : Motivation, rigueur, autonomie, proactivité.

Le processus de recrutement se déroule en deux étapes, supervisé par une commission de recrutement, en conformité avec la .

·         Étude du dossier écrit : CV + lettre de motivation + diplôme de doctorat

·         Entretien de sélection : en présentiel ou en visioconférence

Date limite de candidature : 8 novembre 2026