From Classification to Collection: A Multi-Task Deep Learning System for Automated Waste Sorting with Real-World Prototype Evaluation

Le tri des déchets est une tâche qui semble simple jusqu'à ce que l'on tente de la réaliser parfaitement. Dans de nombreux endroits, y compris dans certaines parties de l'Égypte, ce travail incombe à des familles humaines qui passent des heures à séparer le plastique du papier, le métal du verre, et la matière organique de tout le reste. C'est un travail lent, difficile, et qui conduit souvent à la perte de matériaux précieux dans le flux général des déchets. Pour résoudre ce problème, les scientifiques se sont tournés vers des ordinateurs capables de « voir » et de trier les déchets automatiquement. Ces systèmes reposent sur un type d'intelligence artificielle appelée apprentissage profond (deep learning), qui utilise des couches de traitement numérique pour reconnaître des motifs dans les images, tout comme le cerveau humain apprend à identifier un chat ou une voiture en regardant de nombreux exemples. Lorsque ces systèmes sont combinés à des machines physiques, ils promettent de gérer le travail fastidieux du recyclage avec rapidité et précision, protégeant potentiellement les ressources et l'environnement.

Une équipe de chercheurs de l'Université américaine du Caire a poussé ce concept plus loin en construisant un prototype fonctionnel de poubelle intelligente qui fait plus que simplement identifier ce qu'est un objet. Ils ont créé un système qui agit comme un gardien attentif, vérifiant des problèmes spécifiques avant de décider où un article doit être placé. Les chercheurs ont découvert qu'en décomposant la tâche de tri en quatre étapes distinctes — vérifier la présence de liquide, vérifier si un article est composé de plusieurs parties, décider s'il peut être recyclé et, enfin, identifier la matière — ils pouvaient construire une machine capable de trier les déchets avec une grande précision. Leur travail, développé en partenariat avec l'entreprise agroalimentaire Nestlé et l'organisation de gestion des déchets Dawar, a abouti à une poubelle physique qui a trié avec succès des déchets du monde réel avec une précision de 92,4 pour cent.

Le cœur de leur innovation réside dans l'ordre des opérations. La plupart des tentatives précédentes de tri automatisé se concentraient uniquement sur l'identification de la matière, telle que le plastique ou le papier. Cependant, les chercheurs ont réalisé que les déchets du monde réel comportent souvent des complications qui déroutent les systèmes simples. Par exemple, une bouteille en plastique contenant encore du soda peut ruiner tout un lot de recyclage, et un gobelet de café avec un couvercle en plastique est en réalité deux matériaux différents collés ensemble. Pour gérer cela, l'équipe a conçu un pipeline séquentiel. La première étape consiste à vérifier si l'article contient du liquide. Si la caméra détecte des signes de liquide, la machine s'arrête et rend l'article à l'utilisateur, évitant ainsi la contamination. La deuxième étape vérifie si l'article est un objet unique ou un mélange de plusieurs parties. Si un utilisateur essaie de jeter un article complexe composé de plusieurs composants, la machine le signale à nouveau pour une séparation manuelle. Seuls les articles qui passent ces deux contrôles de sécurité passent aux étapes suivantes, où l'ordinateur décide si l'article est recyclable et, si tel est le cas, de quelle matière spécifique il est fait.

Pour enseigner ces compétences à l'ordinateur, les chercheurs ont entraîné quatre modèles d'intelligence artificielle distincts, chacun dédié à une tâche spécifique. Ils ont utilisé une technique appelée transfert d'apprentissage (transfer learning), qui permet à un ordinateur de partir de connaissances qu'il possède déjà sur des images générales pour ensuite affiner ces connaissances pour la tâche spécifique de l'examen des déchets. Pour les tâches de détection de liquide et d'identification des articles multi-composants, l'équipe a construit ses propres ensembles de données personnalisés en prenant des milliers de photographies de déchets réels. Ils ont testé ces modèles à plusieurs reprises pour s'assurer que les résultats étaient cohérents, constatant que le système pouvait détecter le liquide avec une précision moyenne d'environ 91 pour cent et identifier les objets uniques par rapport aux multiples composants avec une précision d'environ 96 pour cent. Les modèles responsables de décider si quelque chose est recyclable et de quelle matière il est fait ont été encore plus performants, atteignant des précisions respectives de 96,8 pour cent et 94,3 pour cent.

Une fois le logiciel prêt, l'équipe a construit un prototype physique pour tester le système dans un cadre réaliste. La poubelle est une enceinte en bois comprenant cinq compartiments internes pour différents types de déchets : les recyclables organiques, le papier, le plastique, les autres recyclables et les non-recyclables. À l'intérieur, un bras mécanique doté d'un plateau rotatif sert de trieur. Lorsqu'un utilisateur place un article dans la poubelle, une caméra capture une image, et le pipeline logiciel à quatre étapes analyse celle-ci. Si l'article passe tous les contrôles, le logiciel envoie une commande au bras mécanique, qui pivote pour positionner le plateau au-dessus du compartiment correct et y dépose l'article. Tout le processus se déroule en un flux continu, conçu pour imiter la façon dont un humain inspecterait et trierait les déchets, mais avec la vitesse et la constance d'une machine.

Les chercheurs ont testé leur système en utilisant une large collection d'images de déchets recueillies auprès de la communauté égyptienne, fournies par leur partenaire Dawar. Cette étape était cruciale car elle leur a permis de voir comment le système se comportait face à des déchets qui ressemblent à ce que les gens jettent réellement, plutôt qu'à de simples photos propres utilisées pour l'entraînement. Le système intégré a correctement trié ces articles du monde réel dans les cinq bacs désignés 92,4 pour cent du temps. Ce résultat suggère que l'approche consistant à utiliser plusieurs contrôles spécialisés avant de prendre une décision finale est efficace. Cependant, les chercheurs ont également noté des limites. Le système repose entièrement sur la vision, il ne peut donc pas voir de liquide à l'intérieur d'un récipient opaque et scellé, et les pièces mécaniques n'ont pas encore été testées pour leur durabilité à long terme dans un environnement public très fréquenté.

Malgré ces défis, le projet démontre une voie claire pour le recyclage automatisé. En combinant une intelligence artificielle spécialisée avec un mécanisme de tri physique, l'équipe a montré qu'il est possible de construire une machine qui comprend les nuances des déchets, telles que la contamination et les matériaux mixtes, plutôt que de simplement deviner en fonction de la forme ou de la couleur. La collaboration entre l'université, une grande entreprise et un groupe local de gestion des déchets a fourni les ressources nécessaires pour passer des simulations informatiques à un dispositif fonctionnel. Bien que le système ne soit pas encore parfait et nécessite des tests supplémentaires pour gérer toute la variété de déchets présents dans le monde réel, il offre un aperçu prometteur d'un avenir où le travail difficile du tri de nos déchets sera assuré par des machines, laissant les humains libres de se concentrer sur d'autres tâches.