TRI DE DÉCHETS PLASTIQUES AUTOMATISÉ PAR DEEP LEARNING
PROBLÉMATIQUE
PELLENC ST est une société qui conçoit et fabrique des équipements intelligents pour le tri des déchets et l’industrie du recyclage. Or, aujourd’hui, qui dit équipements performants et intelligents dit IA. De ce fait, et dans une logique d’innovation constante, PELLENC ST souhaite intégrer de l’IA pour améliorer les performances des équipements qu’elle produit.
CLIENT
PELLENC ST Pertuis (FRANCE)
SOLUTION APPORTÉE
Neovision a conçu et développé une technologie Deep Learning de classification de bouteilles PET. Une solution temps réel tournant sur des cartes graphiques NVIDIA. De l’architecture à l’entraînement du modèle, Neovision a mené ce projet de bout en bout, en étroite relation avec PELLENC ST.
BÉNÉFICE CLIENT
PELLENC ST dispose aujourd’hui d’une nouvelle technologie permettant de classifier, en temps réel, des bouteilles en plastiques PET. Les équipements PELLENC ST sont ainsi à la pointe de la technologie et assure un niveau de tri inégalé. Par conséquent, leurs clients gagneront en efficacité et en fiabilité. De bonne augure pour l’environnement.
RÉALISATION
Forte de 1800 équipements de tri répartis dans le monde et pouvant compter sur 200 collaborateurs engagés, PELLENC ST s’appuie sur des valeurs fortes, dont l’innovation technologique notamment. Des valeurs qui font fortement écho à celles défendues par Neovision. A croire que les deux sociétés étaient amenées à se rencontrer.
C’est dans sa recherche d’innovation que PELLENC ST trouva Neovision via son site web. La société basée à Pertuis se demandait alors comment l’IA pouvait améliorer les performances et fonctionnalités des équipements de tri qu’elle conçoit et commercialise.
Spécialisée dans le tri des déchets, c’est justement sur ce sujet du tri que PELLENC ST voyait un intérêt à avoir recours à l’IA. Et, on peut le dire maintenant, elle ne s’est pas trompée. Le but était de créer deux technologies – des classifieurs – répondant à des tâches bien précises.
Le premier classifieur permet de différencier les emballages alimentaires d’emballages non-alimentaires. Une distinction plus qu’importante puisqu’il ne vaut mieux pas recycler une bouteille de javel en bouteille de lait, n’est-ce pas ? Pour ce classifieur, les performances attendues étaient d’améliorer de 10 à 20% les performances de bonne classification des produits alimentaires, et idem pour les produits non-alimentaires. Pourquoi viser ces performances ? En tenant compte de la répartition connue des déchets, 80% d’emballages alimentaires contre 20% de non-alimentaires, ce niveau de performance permet d’atteindre un seuil critique : moins de 5% de produits non-alimentaires dans le flux de produits alimentaires et ainsi respecter les normes européennes.
Le second classifieur, lui, est affecté à une autre tâche répondant au besoin de trier les bouteilles de PET (Polyéthylène Téréphtalate – un plastique recyclable en somme) en fonction de leur apparence. En effet, il est utile de différencier les bouteilles opaques des bouteilles transparentes, les bouteilles incolores des bouteilles colorées, ou encore les barquettes plastiques des “contaminants” (majoritairement du textile), pour pouvoir recycler efficacement chaque typologie de déchets.
Là aussi les objectifs à atteindre étaient challengeants : améliorer de 20 à 30% de précision pour chaque catégorie (6 en tout), et plus spécifiquement moins de 10% de faux positifs sur la catégorie des bouteilles transparentes, et moins de 5% de barquettes potentiellement identifiées comme des bouteilles incolores.
Enfin, qui dit milieu industriel dit contraintes industrielles. Le tri de déchets se fait à très haute cadence. Il faut dire que des déchets, l’humain est plutôt doué pour en produire de grandes quantités. Pour correspondre avec la vitesse du convoyeur, les algorithmes ou plutôt les modèles portés doivent tourner en moins de 4ms (millisecondes). Vous avez dit timing serré ?
En plus de cela, l’edge computing est souvent nécessaire dans l’industrie. Et ce projet n’échappe pas à la règle. L’architecture hardware conçue par Neovision devait permettre un interfaçage avec 2 caméras, une segmentation d’image, une classification par Deep Learning et de retourner la classification à l’ordinateur. En gros, tout doit être traité sur place et très rapidement donc.
Pour débuter concrètement le projet, nous avons tenu une conférence démystifiant l’IA auprès des collaborateurs PELLENC ST. Une action ô combien importante pour casser les peurs entourant l’IA et engager tout le monde dans le projet.
Neovision a collaboré activement avec Pellenc ST. Les équipes ont commencé à développer les deux classifieurs sans tenir compte des contraintes : formatage et annotations de la base de données, conception de réseaux de neurones, implémentation Python des réseaux, évaluation des performances et comparaison avec les objectifs, développement d’une démo et bien sûr, une documentation du code et des paramètres.
Segmentation et dégrappage
Classifier des déchets isolés, c’est une chose. Mais comment faire lorsque ces derniers se superposent et se rassemblent, formant ce que l’on appelle une grappe ? Les technologies utilisées actuellement et mettant en œuvre des approches par seuillage ont atteint leurs limites et n’offrent pas de réelle solution pour traiter efficacement des grappes d’objets.
Dans un premier temps, Neovision s’est attelé à développer une technologie permettant de détecter, classifier puis d’isoler par une approche de type segmentation sémantique, les objets présents sur un convoyeur.
Mais cette dernière se heurte au problème de grappe. Pour le résoudre, Neovision étudie une nouvelle approche, celle de la segmentation par instance, qui permet d’identifier et distinguer chaque objet présent, même les objets d’une seule et même classe. Ainsi, la technologie visée permet de dégrapper les objets superposés sur une image.
Cette étude livre des résultats forts prometteurs, alignés avec les contraintes industrielles de Pellenc ST, tant au niveau du temps de traitement qu’au taux de précision.
Suite à cette première étape, les résultats étaient déjà très prometteurs et permettaient d’appréhender l’intégration des contraintes avec optimisme.
Dans un second temps, Neovision a donc intégré la fameuse contraintes des 4 ms. Pour cela, Neovision a mené des travaux d’optimisation et de portage des algorithmes. Neovision a optimisé ses réseaux de neurones pour répondre aux contraintes de temps de calcul tout en concevant l’architecture matérielle. Le choix du matériel de calcul s’est porté sur une carte NVIDIA.
Ces deux étapes conclues, les réseaux ont été implémentés en C++ sur l’architecture cible et – bien évidemment – testés.
Et les résultats ont dépassé les attentes de PELLENC ST. Les classifieurs conçus et développés par Neovision atteignent une précision de 94% (93,8% me dit-on dans l’oreillette) avec un temps d’inférence situé sous 1,5 ms par image. La technologie développée par Neovision permet donc à PELLENC ST de traiter plus de 1000 bouteilles à la seconde. Autant de bouteilles qui ne finiront pas dans un incinérateur !
Pour lancer le projet, Neovision s’est rendue dans les locaux de Pellenc ST pour animer une conférence présentant l’Intelligence Artificielle. Cette dernière a bien entendu été spécifiée et personnalisée pour correspondre à l’activité de Pellenc ST. Un très bon moyen d’acculturer les équipes et de les engager dans un projet IA.
TECHNOLOGIES & EXPERTISES ASSOCIÉES
COMPUTER VISION, DEEP LEARNING, ON PREMISE, C++, GPU
TÉMOIGNAGE
« Grâce à l’expertise de Neovision, nous avons pu atteindre d’excellentes performances de classification sur des applications de tri complexes sur lesquelles nos solutions actuelles plafonnent. L’accompagnement des ingénieurs et chercheurs de Neovision nous permet également une montée en compétences de nos ingénieurs R&D sur des sujets de pointe, notamment grâce à une qualité remarquable des livrables et rapports fournis lors de l’étude. »
Nicolas Grotus, Responsable Recherche chez PELLENC ST
Date
26 février 2021
Category
Computer Vision, Deep Learning, Environnement, GPU, On Premise, R&D