Adam El Bergui soutiendra sa thèse le lundi 5 ocotbre 2026 à 10h à l’amphithéâtre Prestige de Longuenesse (Saint-Omer).
La thèse est dirigée par Nicolas Vandenbroucke et la co-direction de Alice Porebski.
Titre :
Détection et classification de déchets marins par imagerie hyperspectrale
Résumé :
La pollution aquatique par les déchets, majoritairement constitués de plastiques, représente un enjeu environnemental majeur pour les écosystèmes aquatiques. Les méthodes classiques de suivi, fondées sur des observations visuelles, des campagnes ponctuelles ou des prélèvements manuels, restent coûteuses, limitées spatialement et difficiles à automatiser. Dans ce contexte, cette thèse étudie l’apport de l’imagerie hyperspectrale pour la détectionet la classification de déchets marins flottants, avec une attention particulière portée à l’identification des matériaux plastiques.
L’imagerie hyperspectrale permet d’acquérir, pour chaque pixel, une signature spectrale composée de nombreuses bandes contiguës. Cette information rend possible une caractérisation plus fine des matériaux que celle obtenue par imagerie couleur ou multispectrale. Toutefois, les images hyperspectrales génèrent des données massives de grande dimension et nécessitent des méthodes adaptées pour extraire des informations discriminantes tout en limitant le coût de calcul. Cette thèse propose donc un cadre d’analyse spectrale-spatiale pour la reconnaissance automatique de déchets aquatiques à partir d’images hyperspectrales.
Les contributions portent d’abord sur la constitution et la description de jeux de données hyperspectrales dédiés aux plastiques et aux déchets flottants. Plusieurs protocoles d’acquisition sont considérés, depuis des conditions de laboratoire contrôlées jusqu’à des acquisitions proches de la surface de l’eau au moyen d’un système hyperspectral embarqué sur une plateforme aquatique. Ces jeux de données permettent d’étudier progressivement les contraintes liées aux matériaux, aux capteurs, au prétraitement, à la représentation spectrale des données, à l’analyse des données et aux conditions d’observation en milieu aquatique.
Sur le plan méthodologique, la thèse analyse l’intérêt des représentations de texture pour l’imagerie hyperspectrale. Elle examine des descripteurs inspirés des représentations classiques de texture et développe des approches d’apprentissage profond légères pour exploiter conjointement l’information spatiale et spectrale. En particulier, une architecture convolutionnelle légère, appelée LSS-HCNN, est proposée afin d’extraire séparément les réponses spatiales par bande spectrale, de pondérer leur importance spectrale, puis de combiner les informations inter-bandes pour la classification. Une analyse de complexité et une interprétation de l’importance des bandes spectrales sont également intégrées afin de mieux comprendre le comportement du modèle et de réduire la dimensionnalité des données.
Les expérimentations évaluent les méthodes proposées sur différents jeux de données et configurations de classification. Elles mettent en évidence l’intérêt des informations spectrales-spatiales pour améliorer la reconnaissance des déchets et des polymères, tout en maintenant une architecture compacte et interprétable. Les résultats montrent que l’imagerie hyperspectrale, associée à des modèles d’apprentissage profond adaptés, constitue une voie prometteuse pour le suivi automatisé des déchets marins, l’identification des plastiques et, à terme, la surveillance ainsi que l’aide à la collecte, au tri et à la valorisation des matériaux polluant les milieux aquatiques.
Jury :
Mme Christine Fernandez, Université de Poitiers.
M. Jean-Christophe Burie, La Rochelle Université.
M. Ludovic Macaire, Université de Lille
Mme Périne Doyen, Université du Littoral Côte d’Opale.