🤖 AI

Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

Cet article évalue les stratégies de classification « One-Vs-All » et « One-Vs-Rest » pour le tri automatisé des déchets en Allemagne, en utilisant une approche de l'humain dans la boucle guidée par la confiance afin de concilier la réduction des erreurs de classification et l'effort d'annotation humaine tout en s'adaptant aux schémas de tri spécifiques à chaque municipalité.

Auteurs originaux : Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

Publié 2026-07-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mohammed Fahad Ali, Dominique Briechle, Marit Briechle-Mathiszig, Tobias Geger, Andreas Rausch

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Trier les déchets avec un assistant intelligent

Imaginez que vous viviez dans une ville où les règles pour jeter les déchets sont compliquées. Dans un quartier, une boîte de pizza va dans la poubelle « Papier » ; dans la ville voisine, elle appartient à la poubelle « Déchets ménagers ». Cette confusion entraîne beaucoup de déchets jetés au mauvais endroit, ce qui nuit à la capacité de notre planète à recycler les choses (ce que l'article appelle l'« Économie circulaire »).

Les auteurs de cet article ont voulu construire une application mobile intelligente qui agit comme un assistant utile. Vous prenez une photo de vos déchets, et l'application vous dit exactement quelle poubelle utiliser. Pour que cela fonctionne, ils ont dû apprendre à un ordinateur (Intelligence Artificielle) à reconnaître différents types de déchets.

La question centrale : Comment l'ordinateur doit-il « réfléchir » ?

Le problème principal abordé par l'article est : Quelle est la meilleure façon d'apprendre à l'ordinateur à trier les déchets ?

Ils ont comparé deux différentes « méthodes d'enseignement » (stratégies de classification) :

L'entraîneur « Tout-en-un » (One-vs-All / OvA) :
- L'analogie : Imaginez un seul professeur debout devant une classe de six élèves (représentant six types de déchets : Papier, Plastique, Verre, etc.). Le professeur regarde un déchet et demande : « À lequel de vous appartient ceci ? » Le professeur choisit l'élève ayant le plus haut niveau de confiance.
- Comment ça marche : L'ordinateur apprend une seule grande règle pour distinguer les six types à la fois.
L'équipe de « Spécialistes » (One-vs-Rest / OvR) :
- L'analogie : Imaginez une équipe de six experts différents. Chaque expert ne connaît parfaitement qu'une seule chose.
  - L'expert A sait seulement : « Est-ce du Papier ou PAS du Papier ? »
  - L'expert B sait seulement : « Est-ce du Plastique ou PAS du Plastique ? »
  - Et ainsi de suite.
- Comment ça marche : L'ordinateur interroge les six experts. Si l'expert « Papier » dit « Oui ! » et que tous les autres disent « Non », alors c'est du papier. Si deux experts crient « Oui ! » en même temps, l'ordinateur est confus.

L'expérience : Les déchets de Goslar

Les chercheurs n'ont pas fait que deviner ; ils ont construit un véritable test utilisant des données de la ville de Goslar, en Allemagne.

Ils ont collecté plus de 22 000 photos de déchets (comme des bouteilles, des canettes, des restes alimentaires et du verre).
Ils se sont assurés que les photos ressemblaient à la vie réelle (certaines étaient sales, certaines étaient dans l'ombre, certaines étaient dans la rue) pour que l'IA ne se contente pas de mémoriser des photos propres.
Ils ont entraîné à la fois l'entraîneur « Tout-en-un » et l'équipe de « Spécialistes » sur les mêmes photos et les ont testés sur de nouvelles photos inédites.

Les résultats : Qui a gagné ?

1. Précision globale (Qui a le plus de bonnes réponses ?)

Le vainqueur : L'entraîneur « Tout-en-un » (OvA) était légèrement meilleur. Il a commis moins d'erreurs au total.
Le second : L'équipe de « Spécialistes » (OvR) a commis quelques erreurs de plus (environ 5 erreurs de plus sur 2 000 tests).

2. Le test de « Confiance » (Qui sait quand il est incertain ?)
C'est la partie la plus intéressante de l'article. Les chercheurs voulaient savoir : Si l'ordinateur n'est pas sûr, pouvons-nous lui dire de demander l'aide d'un humain ?

L'entraîneur « Tout-en-un » : Quand cet entraîneur se trompe, il est souvent très confiant dans son erreur. C'est comme un élève qui est sûr à 100 % d'avoir raison, mais qui a tort. Parce qu'il est si confiant, le système ne signale pas l'erreur pour une révision humaine, et l'erreur passe inaperçue.
L'équipe de « Spécialistes » : Cette équipe est bien meilleure pour admettre qu'elle est confuse.
- Parfois, deux experts crient tous les deux « Oui ! » (ex: « C'est du Plastique ! » et « C'est du Verre ! »). Ce conflit signale une incertitude élevée.
- Parfois, aucun expert n'est sûr (tous disent « Peut-être »).
- La Magie : Les chercheurs ont découvert que s'ils demandaient à un humain de ne vérifier que les photos où l'équipe de « Spécialistes » était confuse (spécifiquement quand les experts étaient en désaccord ou incertains), ils pouvaient attraper plus de 50 % de toutes les erreurs tout en ne demandant à l'humain de regarder moins de 5 % du total des photos.

Pourquoi est-ce important ?

L'article conclut que bien que l'entraîneur « Tout-en-un » soit légèrement plus précis globalement, l'équipe de « Spécialistes » est bien meilleure pour connaître ses limites.

Flexibilité : Si une ville change ses règles (ex: « Maintenant, nous recyclons les boîtes de pizza ! »), il est facile de remplacer un seul expert « Spécialiste » sans réentraîner tout le système.
L'humain dans la boucle (Human-in-the-loop) : L'approche par « Spécialistes » est parfaite pour un système où un humain examine les cas difficiles. Cela fait gagner du temps à l'humain car le système ne signale que les déchets réellement déroutants, plutôt que de demander à l'humain de tout vérifier.

Résumé

L'article montre que pour une application intelligente de tri des déchets :

Si vous voulez juste le score le plus élevé, utilisez l'Entraîneur Unique (OvA).
Si vous voulez un système qui est flexible et qui sait quand demander l'aide d'un humain pour corriger ses erreurs, utilisez l'Équipe de Spécialistes (OvR).

Cet équilibre est crucial pour faire fonctionner l'« Économie circulaire », où les ressources sont réutilisées efficacement et où l'effort humain est utilisé judicieusement pour corriger les angles morts de l'IA.

Résumé Technique : Tri des Déchets Efficace pour l'Économie Circulaire

Problématique
La transition vers une économie circulaire est entravée par la complexité des réglementations relatives à l'élimination des déchets, qui varient considérablement d'une municipalité européenne à l'autre. En Allemagne, par exemple, les exigences de tri diffèrent non seulement entre les États fédérés, mais aussi entre les districts individuels. Cette hétérogénéité rend difficile pour les résidents d'éliminer correctement les déchets, ce qui entraîne des taux élevés de contamination (par exemple, jusqu'à 30 % des déchets plastiques en Allemagne sont mal éliminés) et augmente les coûts de traitement. Bien que les applications mobiles basées sur l'IA offrent une solution potentielle en guidant les résidents, les systèmes existants manquent souvent de la configurabilité requise pour s'adapter aux schémas de tri locaux spécifiques. De plus, les approches classiques de classification multi-classes peinent avec la modularité ; adapter un modèle à de nouvelles réglementations nécessite généralement un réentraînement complet. De plus, il est nécessaire de trouver un équilibre entre la performance prédictive et l'effort d'annotation humaine, spécifiquement en identifiant les échantillons incertains pour une révision humaine sans travail manuel excessif.

Méthodologie
Les auteurs ont évalué et comparé deux stratégies de classification de premier plan : One-vs-All (OvA) et One-vs-Rest (OvR), en utilisant un ensemble de données aligné sur le schéma de tri des déchets de Goslar, en Allemagne.

Construction du Jeu de Données : L'étude a utilisé un ensemble de données de gestion des déchets à six classes, construit en fusionnant et en mappant des images des ensembles de données TACO et TrashNet à un cadre local. Les catégories finales comprenaient : Déchets Organiques, Déchets Papier, Déchets Plastique et Métal, Centre de Recyclage, Verre et Déchets Résiduels. Le jeu de données a été stratifié en 18 515 images d'entraînement, 2 000 de validation et 2 000 de test.
Stratégie OvA : Un classificateur multi-classe unique a été construit à l'aide d'un backbone InceptionV3 pré-entraîné (ImageNet) avec des couches personnalisées de Global Average Pooling, Fully Connected (FC) et de Dropout. La couche de sortie a utilisé une fonction d'activation Softmax pour générer une distribution de probabilité normalisée sur les six classes.
Stratégie OvR : Six classificateurs binaires indépendants ont été entraînés, un pour chaque classe cible. Chaque classificateur utilisait le même backbone InceptionV3 et la même architecture, mais employait une fonction d'activation Sigmoïde pour son neurone de sortie unique. Les échantillons positifs pour un classificateur spécifique étaient des instances de la classe cible, tandis que les échantillons négatifs comprenaient toutes les autres classes.
Analyse Guidée par la Confiance : Pour traiter le compromis entre les taux d'erreur de classification et l'effort d'annotation humaine, les auteurs ont appliqué des seuils de confiance variables. Les échantillons de test ont été catégorisés en quatre groupes selon les probabilités de prédiction :
1. Haute Confiance (Groupe 1) : Une classe avec $p \ge 0,95$ .
2. Vote Unique (Groupe 2) : Une classe avec $0,50 < p < 0,95$ .
3. Multi-Vote (Groupe 3) : Plusieurs classes avec $0,50 < p < 0,95$ (exclusif à l'OvR).
4. Sans Vote (Groupe 4) : Toutes les classes avec $p \le 0,50$ .

Résultats Clés

Précision Globale : La stratégie OvA a obtenu une précision globale légèrement supérieure, classant mal 49 images contre 54 pour la stratégie OvR.
Modèles d'Erreur : Seules 29 images ont été classées de manière erronée de façon commune par les deux stratégies, indiquant des modèles d'erreur distincts pour chaque approche.
Identification de l'Incertitude :
- OvA : La stratégie a eu du mal à identifier les échantillons incertains. Le Groupe 3 ne contenait aucun échantillon (car les probabilités somment à 1), et le Groupe 4 ne contenait que 2 échantillons (tous deux mal classés). Par conséquent, cibler les Groupes 3 et 4 n'a capturé qu'environ 4 % des erreurs de classification. Les erreurs à haute confiance (Groupe 1) étaient difficiles à détecter, avec 27 échantillons mal classés « perdus » en raison de probabilités prédites élevées.
- OvR : Cette stratégie a démontré une capacité supérieure à signaler les échantillons incertains. Le Groupe 3 (Multi-Vote) et le Groupe 4 (Sans Vote) contenaient une concentration significative d'erreurs. Plus précisément, se concentrer sur les Groupes 3 et 4 a permis d'identifier plus de 50 % des erreurs de classification tout en nécessitant l'annotation humaine de moins de 5 % des données totales. Se concentrer uniquement sur le Groupe 4 a permis d'identifier plus de 35 % des erreurs de classification avec un effort d'annotation de moins de 2,5 %.

Signification et Revendications
L'article affirme que bien que la stratégie OvA offre une précision brute légèrement meilleure pour le tri des déchets multi-classes, la stratégie OvR est supérieure pour l'affinement itératif du modèle et l'adaptabilité. La signification de ce travail réside dans la démonstration que l'OvR :

Améliore la Modularité : Elle permet l'ajout ou le retrait sélectif de catégories de déchets (par exemple, pour se conformer à de nouvelles réglementations municipales) sans réentraîner l'ensemble du système.
Optimise les Efforts de l'Humain dans la Boucle (Human-in-the-Loop) : Elle fournit un mécanisme plus efficace pour identifier les échantillons incertains pour une révision humaine, réduisant considérablement l'effort d'annotation requis pour corriger une grande partie des erreurs.
Soutient les Objectifs de l'Économie Circulaire : En offrant un cadre configurable capable de s'adapter aux réglementations locales décentralisées, l'approche OvR soutient le déploiement d'outils évolutifs et conviviaux pour le tri des déchets.

Les auteurs concluent que les travaux futurs devraient explorer des cadres d'ensemble combinant ces deux stratégies pour tirer parti de leurs forces complémentaires et étudier les seuils adaptatifs en tant qu'hyperparamètres.