Photonique · Vision · Intelligence artificielle · CEM

Beyond what you see.

It's just different.

De la mesure de la lumière jusqu'à l'IA qui décide en temps réel : nous concevons, simulons et déployons des systèmes de vision complets, avec des résultats mesurés.

61

bandes spectrales mesurées, de 430 à 910 nm

500+

simulations Monte Carlo de transfert radiatif

96 %

de la précision conservée, sans réentraînement

< 1,5 ms

pour classer chaque objet sur GPU embarqué

01Expertises & méthode

Toute la chaîne de vision, sous un même toit.

La performance d'un système de vision se joue autant dans la lumière que dans l'algorithme. Nous maîtrisons les deux, ainsi que l'électronique qui les porte : conçue et validée pour la compatibilité électromagnétique (CEM).

Optique & photoniqueMesurer et maîtriser la lumière : bancs, lasers, hyperspectral, simulation.
Vision & IAVoir, comprendre et décider : caméras, éclairage, deep learning embarqué.
CEM & électroniqueDes équipements conformes et fiables : essais, PCB, marquage CE.

Conception optique & éclairage

Le bon capteur, la bonne optique, le bon éclairage : une image exploitable dès la prise de vue, plutôt qu'un algorithme qui compense.

Détail technique

Dimensionnement de caméras et d'objectifs, choix des sources et des diffuseurs, contrôle de l'éclairement, photométrie (CIE V(λ), luminance), caractérisation angulaire.

  • Photométrie
  • Éclairage
  • Caméras

Imagerie hyperspectrale & acquisition

Voir ce qu'une caméra classique ne distingue pas : matière, composition, émission, sur des dizaines de bandes spectrales.

Détail technique

Acquisition snapshot jusqu'à 61 bandes (430–910 nm), séquences temporelles, lecture de cubes ENVI, conversion radiance → luminance, chaînes de traitement Python validées par tests automatiques.

  • VIS–NIR
  • ENVI
  • Spectroscopie

Simulation optique & transfert radiatif

Tester un scénario en simulation avant de construire ou d'essayer en réel : moins de prototypes, des décisions chiffrées.

Détail technique

Simulation Monte Carlo du transfert radiatif en milieux diffusants (fumées), scènes 3D physiquement réalistes, études de convergence, textures émissives HDR (OpenEXR), modèles de visibilité.

  • Monte Carlo
  • Blender
  • OpenEXR

Optoélectronique & bancs de mesure

Des mesures fiables et reproductibles, sur des bancs conçus pour votre question, avec des incertitudes assumées.

Détail technique

Bancs tout-fibre à 1550 nm (laser DFB, fibre à maintien de polarisation, séparateur polarisant), polarimétrie, magnéto-optique, dimensionnement de bobines, exploitation statistique des mesures.

  • Fibre optique
  • Polarimétrie
  • Laser

IA & vision par ordinateur

Détecter, détourer, classer et mesurer automatiquement, puis intégrer de nouveaux produits sans tout réentraîner.

Détail technique

Détection et segmentation d'instances (Mask R-CNN, FPN), Vision Transformers auto-supervisés (DINOv3) avec adaptateur à attention déformable en CUDA, classification, régression, apprentissage few-shot par prototypes, évaluation COCO.

  • PyTorch
  • DINOv3
  • Few-shot

IA embarquée & industrialisation

De l'algorithme à la machine : une IA rapide, fiable, versionnée et maintenable en production.

Détail technique

Export ONNX contrôlé, compilation TensorRT FP16/INT8 calibrée, NMS intégrée au moteur, runtime C++, conteneurs Docker CUDA, entraînement multi-GPU, pipelines reproductibles, versionnage et non-régression automatique.

  • TensorRT
  • ONNX
  • MLOps

CEM : essais & conformité

Réussir le marquage CE du premier coup : pré-qualification, diagnostic et corrections avant le laboratoire officiel.

Détail technique

Émissions conduites et rayonnées (CE/RE), immunité ESD, Burst, Surge et RF selon CISPR, FCC et EN 61000-4-x ; analyseur de spectre, LISN, CDN, antennes, chambres semi-anéchoïque et réverbérante ; diagnostic (filtrage, blindage, routage, mise à la masse) et rapports selon la directive 2014/30/UE.

  • CISPR
  • EN 61000
  • Marquage CE

Électronique & PCB optimisés CEM

Une carte électronique conçue pour être silencieuse : moins de perturbations, moins de prototypes à refaire.

Détail technique

Routage PCB sous Altium (boucles haute fréquence, plans de masse, découplage), modélisation de convertisseurs DC-DC sous LTspice, analyse FFT des modes commun et différentiel, filtres CEM, simulation de blindage (CST, FEKO), diaphonie et règles de câblage, modèles prédictifs par machine learning.

  • Altium
  • LTspice
  • CST · FEKO

02Réalisations & secteurs

Des résultats mesurés, pas des promesses.

Chaque projet est mené de la physique de la mesure jusqu'au déploiement : résultats chiffrés, validés, et limites documentées.

Secteurs servis

Industrie & recyclage

Tri automatique, contrôle qualité, détection de défauts sur ligne ; conformité CEM des machines.

Infrastructures & sécurité

Signalétique, visibilité en milieu enfumé, tunnels et bâtiments ; équipements électroniques robustes aux perturbations.

Agroalimentaire & agriculture

Qualité, maturité et contaminants par imagerie spectrale.

Télécoms & photonique

Composants fibrés, polarisation, caractérisation optique ; CEM des équipements radio et réseau.

Santé & biomédical

Imagerie, instrumentation optique, aide à l'analyse ; conformité CEM des dispositifs médicaux.

Recherche & innovation

Preuves de concept, bancs de mesure, partenariats R&D.

Aéronautique, spatial & ferroviaire

Règles CEM de câblage, inspection par vision, essais et conformité des équipements embarqués.

Automobile & mobilité électrique

Convertisseurs et batteries conformes CEM, contrôle visuel de soudures et d'assemblages.

Défense & sécurité

Vision en environnement dégradé, reconnaissance et détection de falsification, durcissement électromagnétique.

Électronique & énergie

Cartes électroniques, convertisseurs, onduleurs : routage, filtrage, marquage CE et conformité CEM.

IA & vision

Trier automatiquement des matériaux sur une ligne, en temps réel

Le besoin
Identifier chaque objet qui défile sur un tapis, même s'ils se chevauchent, pour automatiser le tri.
Notre réponse
Un système de vision IA qui repère, détoure et reconnaît chaque objet à la volée.
Temps réelsur ligne de production
Au pixeldétourage de chaque objet
0,50mAP COCO (boîtes)

Bénéfice : Un tri plus fiable et plus rapide, avec moins d'interventions humaines.

Détail technique

Segmentation d'instances de type Mask R-CNN ; backbone Vision Transformer auto-supervisé (DINOv3) couplé à un adaptateur multi-échelle à attention déformable développé en C++/CUDA ; FPN sur 5 niveaux ; entraînement distribué multi-GPU en précision mixte ; évaluation COCO.

  • PyTorch
  • DINOv3
  • Mask R-CNN
  • CUDA

IA & vision

Reconnaître un nouveau produit en quelques minutes, pas en quelques mois

Le besoin
Chaque nouvelle référence exige habituellement des semaines d'annotation manuelle et un réentraînement coûteux.
Notre réponse
Il suffit de faire passer la nouvelle matière seule sur le tapis et de lui donner un nom : le système l'apprend tout seul.
96 %de la précision conservée
0réentraînement nécessaire
5exemplaires suffisent souvent

Bénéfice : Votre système évolue au rythme de votre production, sans immobiliser la ligne.

Détail technique

Classification par prototypes dans l'espace des embeddings (similarité cosinus) ; annotation automatique d'un lot mono-matière par un détecteur agnostique à la classe ; versionnage du classifieur avec retour arrière instantané ; non-régression classe par classe sur cache, sans GPU. mAP 0,48 contre 0,50 pour le modèle entièrement entraîné.

  • Few-shot
  • Embeddings
  • COCO

Embarqué & industrialisation

De l'algorithme à la machine : une IA embarquée, rapide et évolutive

Le besoin
Un modèle performant en laboratoire est souvent trop lourd pour tourner en temps réel sur l'équipement de production.
Notre réponse
Nous optimisons et compilons le modèle pour la puce de la machine, et le rendons évolutif directement sur site.
256catégories ajoutables sans recompiler
< 1,5 mspour l'étage de classification
1moteur d'inférence unique

Bénéfice : Mise en production rapide et maîtrisée, sans dépendance au cloud, et mises à jour sans arrêt prolongé.

Détail technique

Export ONNX avec contrôle de fidélité numérique ; chirurgie de graphe pour intégrer la NMS (EfficientNMS) ; compilation TensorRT FP16/INT8 avec calibration sur images réelles ; prototypes passés en entrée du graphe pour éviter toute recompilation ; export brut pour runtime C++ ; conteneurs Docker CUDA ; pipelines MLOps (multi-GPU, verrous d'exécution, vérification des types, reprises automatiques).

  • ONNX
  • TensorRT
  • INT8
  • C++
  • Docker

Photonique & hyperspectral

Garantir qu'une signalétique de sécurité reste visible dans la fumée

Le besoin
En cas d'incendie en tunnel, la fumée masque l'éclairage : un panneau d'évacuation lumineux reste-t-il visible, et jusqu'à quelle distance ?
Notre réponse
Nous avons mesuré la lumière réelle du panneau, recréé la scène en simulation dans la fumée et calculé à quelle distance un usager le distingue.
61bandes spectrales mesurées
500+simulations Monte Carlo
≤ 2,5 %d'écart simulation / mesure

Bénéfice : Des réponses chiffrées pour décider, avant de coûteux essais en conditions réelles.

Détail technique

Caméra hyperspectrale snapshot (430–910 nm) et éclairement contrôlé (31–36 lx) ; décroissance suivie à 1 image/s, pic d'émission à 518 nm, ajustement bi-exponentiel (τ ≈ 100 s et 580 s) ; chaîne Python (photométrie CIE V(λ), radiance → luminance, encodeur OpenEXR) ; transfert radiatif Monte Carlo en scène 3D (6 000 échantillons/pixel après étude de convergence) ; modèle de visibilité d'Adrian appliqué à 7 régions ; hypothèses et limites documentées.

  • Hyperspectral
  • Monte Carlo
  • Blender
  • Python

Photonique & hyperspectral

Piloter la polarisation de la lumière dans une fibre optique

Le besoin
Un composant fibré du commerce fait tourner la polarisation d'un angle fixe : peut-on le rendre réglable, sans le modifier ?
Notre réponse
Nous avons conçu et comparé trois dispositifs magnétiques, et identifié celui qui permet un réglage précis et continu.
1550 nmlongueur d'onde télécom
44° → 9°plage d'angle obtenue
≈ 1°/mTréglage continu (R² = 0,92)

Bénéfice : La capacité à concevoir, instrumenter et caractériser des composants optiques sur mesure.

Détail technique

Banc tout-fibre : laser DFB, isolateur, fibre à maintien de polarisation, séparateur polarisant, puissancemètres ; comparaison aimants / solénoïde / configuration hybride ; dimensionnement de bobine en Python ; interprétation par la saturation du grenat et limites de mesure documentées.

  • Fibre optique
  • Magnéto-optique
  • Polarimétrie
  • Python

CEM & électronique

Valider plus vite les règles CEM du câblage d'un avion

Le besoin
Dans un avion, des centaines de harnais cohabitent : il faut prouver qu'ils ne se perturbent pas, et chaque dérogation demande une étude longue.
Notre réponse
Nous avons simulé la diaphonie entre harnais, intégré les risques d'arc électrique et entraîné un modèle de machine learning qui aide à statuer sur les dérogations.
Diaphoniesimulée avant les essais
MLaide à la décision sur les dérogations
Pythonoutil de calcul CEM développé

Bénéfice : Des règles de câblage validées plus vite, et des dérogations décidées sur des données.

Détail technique

Validation des distances de ségrégation entre harnais aéronautiques ; simulation de diaphonie par modèles CEM de lignes multiconducteurs ; intégration des contraintes d'arcs électriques ; outil de calcul CEM en Python ; plans d'expériences et modèles prédictifs (Keras, TensorFlow) pour la gestion des dérogations.

  • CEM
  • Aéronautique
  • Python
  • TensorFlow

CEM & électronique

Faire passer la CEM à un convertisseur DC-DC dès la conception

Le besoin
Un convertisseur à découpage est souvent la première source de perturbations d'un équipement : le découvrir en fin de projet coûte un nouveau prototype.
Notre réponse
Nous avons modélisé ses émissions, dimensionné le filtre, routé un PCB optimisé CEM, puis validé le tout sur un banc de mesure des émissions conduites.
3 étapessimulation, PCB, mesure
MC / MDmodes commun et différentiel séparés
CISPRlimites normatives visées

Bénéfice : Moins d'allers-retours de prototypes, une conformité anticipée dès la conception.

Détail technique

Simulation haute fréquence d'un convertisseur Buck sous LTspice, FFT et spectre des émissions conduites ; dimensionnement d'un filtre CEM ; routage Altium (boucles de courant HF, plans de masse, retours de courant, découplage) ; banc RSIL (LISN), combineurs et analyseur de spectre, séparation MC/MD, calibration et analyse selon CISPR et EN 61000.

  • LTspice
  • Altium
  • LISN
  • CISPR

CEM & électronique

Pré-qualifier un équipement avant le laboratoire de certification

Le besoin
Échouer à un essai CEM officiel coûte cher et retarde la mise sur le marché.
Notre réponse
Nous réalisons les essais en émission et en immunité en amont, diagnostiquons les défauts et proposons les corrections.
CE / REémissions conduites et rayonnées
7types d'essais d'immunité (ESD, Burst, Surge, RF…)
3secteurs : médical, ferroviaire, multimédia

Bénéfice : Arriver au laboratoire officiel avec un produit déjà conforme.

Détail technique

Mesures CE/RE et immunité selon CISPR, FCC et EN 61000-4-2/3/4/5/6/8/11 ; analyseur de spectre, LISN, CDN, antennes RF, chambres semi-anéchoïque et réverbérante ; diagnostic et corrections (filtrage, blindage, routage, mise à la masse) ; rapports de conformité selon la directive 2014/30/UE.

  • CISPR
  • EN 61000
  • ESD
  • Marquage CE

CEM & électronique

Prédire rapidement l'efficacité d'un blindage grâce à l'IA

Le besoin
Évaluer un blindage électromagnétique demande de longues simulations pour chaque matériau et chaque géométrie.
Notre réponse
Nous avons simulé de nombreuses configurations en 3D, puis entraîné une IA qui prédit l'efficacité de blindage sans relancer la simulation.
3Dstructures de blindage simulées
IAprédiction sans nouvelle simulation
SEefficacité par matériau et géométrie

Bénéfice : Explorer plus de solutions de blindage, plus vite, avant de fabriquer.

Détail technique

Modélisation 3D de structures de blindage ; simulation électromagnétique sous CST Studio Suite ; analyse de sensibilité aux matériaux et à la géométrie ; modèle d'IA de substitution pour prédire l'efficacité de blindage (SE).

  • CST
  • Blindage
  • Machine learning

Votre projet ici ?

Un défi de mesure, de simulation, de vision IA ou de CEM ? Étudions sa faisabilité ensemble.

Parlons-en

03À propos

Une équipe, toute la chaîne.

VISTELYS réunit trois ingénieurs en photonique, en intelligence artificielle et en compatibilité électromagnétique. Ensemble, nous couvrons ce que peu d'équipes maîtrisent à la fois : la physique de la lumière, l'électronique, la mesure, la simulation, les algorithmes et leur déploiement en production.

Notre conviction : un bon algorithme commence par une bonne image, et une bonne décision par une mesure fiable.

Les fondateurs
Hamza Guemmi
Cofondateur · IA & photoniqueHamza Guemmi
Mouhssine Ait Said
Cofondateur · Optique & photoniqueMouhssine Ait Said
Salah Eddine Safyoun
Cofondateur · CEM & électroniqueSalah Eddine Safyoun
Je transforme des images en décisions : de la vision par ordinateur à l'IA embarquée temps réel.

Ingénieur en intelligence artificielle et photonique, Hamza conçoit des systèmes de vision qui détectent, détourent et reconnaissent les objets en temps réel, jusqu'au déploiement sur GPU embarqué. Son terrain : faire d'un modèle de laboratoire un outil de production fiable.

  • Computer Vision
  • Deep Learning
  • TensorRT / CUDA
  • MLOps
Je fais parler la lumière : bancs optiques, imagerie hyperspectrale et simulation.

Ingénieur en optique et photonique, Mouhssine mesure, caractérise et simule la lumière : bancs optiques, imagerie hyperspectrale, transfert radiatif Monte Carlo, optique fibrée. Son exigence : des résultats validés par la mesure, avec des incertitudes assumées.

  • Hyperspectral
  • Photométrie
  • Monte Carlo
  • Optique fibrée
Je fais en sorte que vos systèmes électroniques passent la CEM du premier coup, de la conception du PCB jusqu'aux essais.

Ingénieur en compatibilité électromagnétique, Salah Eddine conçoit et valide des équipements électroniques conformes aux normes : essais en émission et en immunité (CISPR, EN 61000), règles CEM de câblage en aéronautique, routage de PCB et filtrage, simulation électromagnétique. Sa particularité : il utilise le machine learning pour prédire plus vite les performances CEM.

  • CEM / EMC
  • CISPR · EN 61000
  • PCB · Altium
  • CST · FEKO

Nos engagements

Des résultats mesurés

Chaque livrable est chiffré et validé face à la mesure.

Des limites assumées

Hypothèses et incertitudes sont documentées, sans zone d'ombre.

Confidentialité

Vos données restent les vôtres ; accord de confidentialité sur demande.

04Contact

Un projet de vision ? Parlons‑en.

Décrivez votre besoin : nous revenons vers vous sous 48 h avec une première analyse.

  • Réponse sous 48 h
  • Premier échange gratuit et sans engagement
  • Confidentialité garantie (NDA sur demande)