Avec l’essor des systèmes de production d’énergie photovoltaïques (PV), le secteur fait face à de nouveaux défis liés à la variabilité à court terme de la production solaire. Les changements rapides de la couverture nuageuse peuvent provoquer des fluctuations importantes de l’irradiance solaire, impactant la stabilité du réseau et la gestion énergétique. Pour y remédier, une détection et une prévision précises des nuages sont essentielles.

Les caméras au sol orientées vers le ciel, notamment celles équipées de capteurs fisheye visibles et infrarouges, offrent une vue hémisphérique du ciel et permettent de capturer la dynamique des nuages en temps réel. L’imagerie infrarouge est particulièrement utile pour détecter les nuages dans des conditions difficiles (proximité du soleil, faible contraste ou nuit). L’entraînement de modèles de deep learning sur des masques de nuages dérivés de l’infrarouge peut améliorer considérablement la robustesse de la segmentation des nuages dans les images RGB, renforçant ainsi la fiabilité des prévisions solaires.

Dans le cadre de votre STAGE - Apprentissage cross-modal pour la segmentation des nuages H/F, vos missions seront :

Objectifs :

L’objectif de ce stage est de développer un modèle de deep learning pour la segmentation des nuages dans des images fisheye RGB en utilisant des masques de nuages basés sur l’infrarouge comme vérité terrain. Le stagiaire explorera des techniques d’apprentissage cross-modal, où les images RGB servent d’entrée et les masques binaires dérivés de l’infrarouge comme supervision. Cette approche vise à améliorer la précision de la segmentation dans des conditions d’éclairage difficiles et à contribuer à des prévisions plus fiables de la production solaire à court terme.

Méthodologie :

• Prétraiter et aligner les jeux de données d’images RGB et infrarouges.
• Générer ou affiner des masques binaires de nuages à partir des images infrarouges (possibilité de créer manuellement des masques de vérité terrain).
• Concevoir et entraîner un modèle de segmentation (ex. U-Net, U-Net++, SegFormer) adapté à la distorsion fisheye.
• Évaluer les performances du modèle par rapport aux méthodes internes basées sur RGB.
• Intégrer le modèle dans une chaîne de prévision et tester sur des données réelles de production PV.

 Vous évoluerez au sein d'une équipe de professionnels confirmés et auprès d'un tuteur-coach, le référent de votre futur métier. Un accompagnement individualisé vous permettra de favoriser votre autonomie et de vous mener à votre diplôme !

Actuellement en école d'ingénieur dans le domaine de la Recherche et du Développement, vous recherchez un stage de fin d'étude d’une durée de 6 mois à partir de mars 2026?

Vous maitrisez le calcul scientifique, vous avez des compétences en machine learning, en deep learning et en data science ?

Vous avez de solides compétences en computer vision, en segmentation d’image et en transformation géométrique ?

Vous maitrisez Python, Pytorch et Tensorflow ?

L'autonomie, la curiosité et la motivation font partie intégrante de vos qualités ?

Vous maitrisez autant le français que l’anglais ?

Alors n'attendez plus, postulez pour rejoindre notre équipe !

Cette offre concerne un stage conventionné à temp plein, les stages alternés ne sont possibles.
Pour postuler, merci de joindre un CV + lettre de motivation (vos dates de stage doivent être indiquées).