Caractérisation automatisée des granulats recyclés par l’utilisation du deep learning

Challenges

Le secteur du BTP est le plus grand consommateur de matériaux naturels d’origine minérale en Europe, mais aussi le plus grand producteur de déchets. Afin d'encourager l'économie circulaire, le programme européen Horizon 2020, dont l'objectif était de valoriser au moins 70% des déchets inertes du BTP d'ici 2020, est suivi par la loi relative à la transition énergétique pour la croissance verte qui impose l'augmentation de l'utilisation de matériaux issus du recyclage des déchets du BTP à partir de 2020.

La grande variabilité des approvisionnements nécessite pour l’industriel de connaître avec précision la composition des granulats recyclés. Aujourd’hui cette caractérisation est effectuée par tri manuel. Ce processus est long, couteux, avec des résultats peu reproductibles.

Par conséquent, ces limites dans la caractérisation des granulats recyclés contraignent leur emploi et ne permettent pas de les valoriser dans des usages à plus forte valeur ajoutée comme le béton recyclé.

Solution innovante

L’Intelligence Artificielle au service du recyclage des déchets inertes du BTP à travers la caractérisation rapide et automatisée des granulats recyclés pour mieux contrôler leur qualité et mieux les valoriser.

APPLICATIONS

Caractérisation automatique des déchets de la construction en vue de leur valorisation.

AVANTAGES

• Analyse rapide et automatisée, par rapport aux méthodes manuelles utilisées actuellement. Permet un contrôle en temps réel.

• Caractérise la nature ainsi que la forme des grains (peut remplacer un essai granulométrique).

• Finesse de l’analyse : composition beaucoup plus fine que celle proposée par la norme EN 933-11 (au moins 17 classes vs 6 pour la norme).

DÉVELOPPEMENT : TRL 5/6

• Dispositif d'acquisition d'images de granulats recyclés fonctionnel.

• IA d'évaluation de la masse et de la nature des granulats recyclés entraînée (précision >97%, erreur massique moyenne 3%)

• IA de localisation et d'extraction d'images de granulats recyclés individuels entraînée.

• Besoin d'augmenter la base de données d’images labellisées pour améliorer la détection en conditions réelles.

• Développement de méthode d’apprentissage semi-supervisée afin de limiter les besoins en données (notamment données massiques)

Coment ça fonctionne ?

La technologie ARCADE est composée d’un dispositif d’acquisition associé à une IA pour l’analyse des données.

Le dispositif d’acquisition : un distributeur vibrant (1) reçoit les granulats à analyser et alimente un tapis convoyeur (2) tout en contrôlant la densité des grains distribués. Le tapis convoyeur fait passer les granulats devant une caméra linéaire haute définition sensible aux spectres visible et proche infrarouge (3), afin d’améliorer la détection des classes de granulats visuellement similaires. L’intensité ainsi que l’orientation de l’éclairage (4) du tapis dans le champ d’acquisition est contrôlé de manière à avoir le maximum de lumière entrant dans l'objectif de la caméra.

L’Analyse des données : La partie logicielle constitue la partie innovante du dispositif proposé. Un réseau de neurones convolutif permet d’extraire individuellement et de manière automatisée chaque grain puis de déterminer sa nature et sa masse. La précision en termes de classification est de l’ordre de 97% tandis que les erreurs sur les estimations de masses sont de l’ordre de 3%.

L’ensemble du dispositif d’acquisition et d’analyse est piloté par un ordinateur disposant d’une carte graphique spécifiquement dédiée au deep learning. Pendant le même processus, il y a aussi la possibilité de déterminer d'autres propriétés des granulats recyclés comme la courbe granulométrique pour obtenir une fiche technique.

Après passage dans le dispositif, les granulats sont récupérés ou peuvent être réinjectés dans le stock selon les besoins.