Le tri des recyclables par l’IA, l’identification et la mesure des déchets alimentaires, l’observation de l’usage de l’eau et la détection des fuites

1. AMP Robotics, entreprise américaine de solutions de gestion des déchets basée à Louisville

• Cette entreprise a présenté une technologie qui identifie et trie automatiquement les recyclables dans les déchets grâce à la robotique, à la vision par ordinateur et au deep learning, et fournit cette technologie aux centres de tri des matières recyclables
• Les éléments clés sont le « système robotique haute vitesse AMP Cortex » et la « plateforme d’IA AMP Neuron »
• Le système robotique haute vitesse AMP Cortex automatise la tâche consistant à repérer et à trier les recyclables dans les déchets ; il s’agit d’un système dans lequel le robot détecte les recyclables dans les déchets et les extrait
• La plateforme d’IA AMP Neuron continue d’apprendre de manière autonome en reconnaissant la couleur, la texture, la forme, la taille, les motifs et les étiquettes de marque des déchets afin de déterminer la nature des déchets et leur recyclabilité ; elle guide ensuite le robot pour qu’il saisisse les recyclables et les dépose ailleurs
• Processus de tri des recyclables :
  → lorsque les déchets passent sur le convoyeur dans un centre de tri, une caméra les filme
  → la plateforme d’IA AMP Neuron reconnaît alors, parmi eux, les caractéristiques propres à certains recyclables grâce à la vision par ordinateur
  → elle identifie notamment les polymères plastiques, les types de papier, les contenants métalliques et les cartons d’emballage multicouches
  → elle caractérise les recyclables ainsi que les déchets devant être triés selon d’autres procédures
  → la plateforme d’IA AMP Neuron guide le robot pour qu’il trie les recyclables
  → le robot extrait les recyclables des déchets et les dépose ailleurs
• Le système peut saisir jusqu’à 80 déchets par minute, soit environ deux fois plus vite qu’un humain
• Précision du tri : jusqu’à 99 %

2. CleanRobotics, entreprise américaine de solutions de gestion des déchets basée à Longmont

• Cette entreprise a développé « TrashBot », une poubelle intelligente qui identifie et trie automatiquement les déchets destinés à l’enfouissement et les recyclables grâce à la robotique, à la vision par ordinateur et au machine learning
• TrashBot est installé dans des lieux très fréquentés comme les aéroports, les hôpitaux et les stades
• Processus de tri des recyclables :
  → lorsque des personnes jettent des déchets dans TrashBot, une caméra les filme
  → la vision par ordinateur et le machine learning déterminent s’il s’agit de déchets destinés à l’enfouissement ou de recyclables
  → grâce à l’automatisation robotisée, les recyclables sont dirigés vers le bac de recyclage et les déchets contaminés vers le bac de déchets destinés à l’enfouissement
• Précision du tri : 95 %, soit une classification des déchets 300 % plus précise que celle des humains
• Mais lorsqu’on jette des déchets dans TrashBot, il faut les déposer un par un

3. Winnow, entreprise londonienne de solutions de gestion des déchets alimentaires au Royaume-Uni

• Cette entreprise a présenté une technologie qui identifie et mesure automatiquement les déchets alimentaires grâce à la vision par ordinateur, au machine learning et à une balance numérique, et fournit cette technologie aux cuisines d’hôtels, de restaurants, de casinos et de navires de croisière
• La solution appelée « Winnow Vision System » est au cœur de l’identification et de la mesure des déchets alimentaires par l’IA
• Elle nécessite une caméra à détection de mouvement, une tablette et une balance numérique, que Winnow fournit aux cuisines
• La balance numérique est placée au sol, la tablette est installée au mur au-dessus, et la caméra à détection de mouvement est fixée sous la tablette
• Méthode d’identification et de mesure des déchets alimentaires :
  → lorsque les déchets alimentaires sont jetés dans un récipient posé sur la balance numérique, la caméra les filme
  → à ce moment-là, l’image des déchets alimentaires est reconnue grâce à la vision par ordinateur
  → le poids est également mesuré par la balance
  → ces données sont transmises à la tablette
  → sur la tablette, il est possible de consulter des informations telles que le type d’aliment jeté et son poids
• Un apprentissage préalable est nécessaire avant que Winnow Vision System puisse reconnaître les déchets alimentaires
• Données sur les déchets alimentaires fournies par Winnow Vision System : image des déchets alimentaires, poids, coût sur une semaine, coût sur un an et coût environnemental sur un an (émissions de CO2) si ces déchets sont jetés chaque jour
• Précision de la reconnaissance alimentaire : 80 %

4. WINT, entreprise israélienne de solutions de gestion de l’eau basée à Tel-Aviv

• Cette entreprise a développé une technologie qui observe l’usage de l’eau dans les bâtiments et détecte les fuites grâce au machine learning et à l’IoT, et fournit cette technologie à des installations commerciales, des chantiers et des fabricants
• WINT fournit un compteur d’eau intelligent et un dispositif de coupure d’eau
• Les deux appareils doivent être reliés au système de canalisation du bâtiment pour suivre l’usage de l’eau et détecter les fuites
• Ils permettent également de couper l’alimentation en eau avant qu’un dommage important ne survienne
• Le compteur apprend et analyse, via le machine learning, les schémas normaux de circulation de l’eau dans le bâtiment, ce qui prend 3 à 4 semaines
• Une fois ces schémas normaux identifiés, il devient possible de détecter par la suite des schémas anormaux comme les fuites
• Le compteur communique avec le cloud via un réseau de communication sans fil
• Lorsqu’un problème est détecté, une alerte en temps réel est envoyée au responsable via une application, avec l’emplacement précis de la fuite
• Exemples de schémas normaux de circulation de l’eau analysés par le compteur : « la quantité d’eau habituellement utilisée pour remplir la piscine », « la quantité d’eau habituellement utilisée dans la cuisine et les toilettes », « les moments où l’eau est utilisée »
• Exemples de schémas anormaux analysés en temps réel par le compteur : application de l’IA et du deep learning pour déterminer « si la piscine ne se remplit pas correctement » ou « si la consommation d’eau augmente soudainement à partir d’une source inattendue »
• Lorsqu’une situation d’urgence est détectée, le dispositif WINT peut être programmé pour couper automatiquement l’alimentation en eau ; une urgence désigne par exemple une fuite grave ou une rupture de canalisation