Dans les installations nucléaires, la surveillance de la contamination aéroportée repose sur la mesure de l'activité des aérosols collectés sur filtre par un moniteur. Or, la nature des particules rencontrées ? taille, composition, morphologie, concentration, ... ? influence profondément la réponse du moniteur. Ces instruments de surveillance, conçus pour des conditions standardisées, peinent à prendre en compte les variations de bruit de fond dans des situations complexes, telles que celles rencontrées sur des chantiers de démantèlement des installations nucléaires. Nous présentons une approche novatrice fondée sur l'utilisation d'un réseau de neurones convolutionnel, capable d'estimer les résultats de comptage dû aux transuraniens, ainsi que l'incertitude associée. Cette méthode intègre la variabilité des caractéristiques réelles des aérosols dans la mesure et améliore la fiabilité des systèmes de surveillance atmosphérique.

In nuclear facilities, monitoring airborne contamination relies on measuring the activity of aerosols collected on a filter by a monitor. However, the nature of the particles encountered ? size, composition, morphology, concentration, etc. ? profoundly influences the monitor's response. These monitoring instruments, designed for standardised conditions, struggle to take into account background noise variations in complex situations such as those encountered on nuclear facilities decommissioning sites. We present an innovative approach based on the use of a convolutional neural network, capable of estimating the counting results due to transuranic elements, as well as the associated uncertainty. This method integrates the variability of the actual characteristics of aerosols into the measurement and improves the reliability of atmospheric monitoring systems.