Application de l’analyse d’images par deep learning à la détermination de la composition de granulats recyclés

Abstract

À travers le programme Horizon 2020, l’Union Européenne promeut l’économie circulaire en incitant ses états membres à recycler au moins 70% de leurs déchets du BTP. Ces déchets sont concassés pour obtenir des granulats recyclés (GR). Ces derniers sont un mélange de béton, pierres naturelles, terre cuite, grains bitumineux et d’autres matériaux (e.g. verre et bois). Leur composition est variable et la norme NF EN 933-11 préconise un tri manuel pour la déterminer. Cependant, ce tri est chronophage et n’est réalisé que ponctuellement sur les plateformes de recyclage. Notre travail vise à déterminer la composition de GR de manière rapide et automatisée. Nous faisons appel à l’analyse d’images par deep learning et notamment aux réseaux de neurones convolutifs (RNC). Les RNC analysent les images de GR et identifient la nature de chaque grain afin de donner la composition des GR. Une base de données labellisée d’environ 36 000 images de grains individuels triés a été créée pour l’apprentissage des RNC. Le meilleur RNC est maintenant capable de classer correctement 97% des grains. Nous proposons aussi un moyen d’estimer la masse des granulats grâce à des facteurs de forme. Nous avons comparé la composition d’un échantillon de GR obtenue par notre méthode et par le tri manuel. Il y a moins de 1,5% d’écart de proportion massique pour la majorité des natures de GR testées.