Les poudres nanostructurées, c'est-à-dire constituées de plus de 50% en nombre d'objets ayant au moins une dimension comprise entre 1 nm et 100 nm, sont utilisées dans de nombreux secteurs industriels. Pour évaluer l'exposition des salariés à des nano-objets, leurs agglomérats et agrégats (NOAA), le caractère nanostructuré des aérosols collectés dans l'air est étudié via la microscopie électronique. La taille d'un nombre représentatif de particules constitutives doit être mesuré manuellement sur les images obtenues. Cette opération chronophage et fastidieuse rend nécessaire l'automatisation de l'analyse. Plusieurs outils d'analyse d'images appliqués à des nanomatériaux ont été comparés dans ce travail qui a permis de démontrer l'intérêt des algorithmes d'apprentissage pour effectuer cette tâche.

Nanostructured powders, i.e. comprised of more than 50% by number of objects with at least one dimension between 1 nm and 100 nm, are used in numerous industrial fields. To determine the exposure of workers to nano-objects, the nanometric character of collected aerosols in the workplace air is studied using electron microscopy. The size of a large number of constituent particles needs to be measured on the obtained images. This task being time-consuming and tedious, it is useful automatizing the analysis. We compare some tools for image analyses applied to nanomaterials and show the interest of deep learning algorithms to perform this task.