Apprentissage profond et proche infrarouge pour intensifier l’usage des méthodes spectroscopiques

La spectroscopie proche infrarouge (PIR) couplée à la chimiométrie est déployée depuis des années dans divers domaines afin de prédire des propriétés, quantifier des espèces, classer des échantillons, etc. Au sein d’IFPEN, cette approche est utilisée quotidiennement en laboratoire, mais aussi en ligne sur unités pilote, afin de prédire des propriétés d’intérêt de coupes pétrolières et est aujourd’hui en développement pour la caractérisation de la biomasse ou pour le suivi des procédés de recyclage des plastiques. L’optimisation de ces modèles multivariés est un compromis entre trouver les prétraitements des spectres adéquats et trouver les bons paramètres du modèle choisi (régression, classification, etc.). C’est un processus d’essai-erreur chronophage qu’il faut réitérer au changement de modalités expérimentales (appareillage, conditions d’acquisition, augmentation de la base d’étalonnage, etc.). Dans ce contexte, ce sujet de thèse propose de garantir la qualité de prédiction en utilisant les approches récentes par apprentissage profond. 
L’utilisation de l’apprentissage profond sur les données spectroscopiques est en croissante évolution depuis les 5 dernières années, en particulier les réseaux de neurones convolutifs (CNN pour Convolutional Neural Networks). Il est proposé de travailler sur des données PIR déjà disponibles à IFPEN depuis plus de 20 ans, acquises sur différents spectromètres, en laboratoire comme en ligne. Ainsi, la pertinence d’utiliser l’apprentissage profond sur les données spectrales sera évaluée sur une approche globale, de l’étalonnage en laboratoire au transfert vers l’analyse en ligne. La richesse des données existantes à IFPEN permettra de développer des approches pour faciliter la maintenance et le transfert des calibrations à partir d’un réseau profond, sans perdre en performances et en connaissances.    

Mots-clés : Apprentissage profond, spectroscopie proche infrarouge, chimiométrie, réseau de neurones, transfert