Présentation de notre publication à QCAV 2025
Détection d’objets en temps réel pour un déploiement edge durable dans les centres de tri des déchets.
Les 4 et 6 juin 2025, Wasoria à eu l’opportunité de présenter notre travail lors de la conférence internationale QCAV 2025 (Quality Control by Artificial Vision), un événement de référence dédié à la vision par ordinateur appliquée au contrôle qualité et aux environnements industriels. Cette participation marque une étape importante dans nos travaux sur l’intelligence artificielle (IA) embarquée appliquée au tri des déchets.
Notre article, intitulé “A review of real-time object detection for sustainable edge deployment in waste sorting sites”, propose un état de l’art complet des méthodes de détection d’objets en temps réel, avec un focus particulier sur leur déploiement sur des systèmes embarqués, directement sur site.
Pourquoi la détection en temps réel sur site est-elle essentielle ?
Les centres de tri modernes font face à plusieurs défis : volumes croissants de déchets, exigences accrues en matière de recyclage, et besoin d’automatisation fiable. La vision par ordinateur, et en particulier la détection d’objets basée sur le deep learning (Inteligence Artificiel), offre des solutions prometteuses pour identifier et classifier les matériaux automatiquement.
Cependant, dans un contexte industriel réel, les contraintes sont fortes :
- ressources de calcul limitées,
- nécessité de fonctionner en temps réel,
- consommation énergétique maîtrisée,
- robustesse dans des environnements visuellement complexes.
Le déploiement sur des dispositifs embarqués (“edge devices”) permet de traiter les données directement au plus près des capteurs, sans dépendre d’une infrastructure cloud lourde. Cette approche améliore la réactivité, réduit la latence et limite la consommation énergétique et les coûts d’infrastructure.
Un état de l’art pour guider les choix technologiques
Dans cet article, nous analysons les principales architectures de détection d’objets modernes, notamment les approches à base de réseaux neuronaux convolutifs (CNN) et les modèles optimisés pour le temps réel. Nous comparons leurs performances en termes de précision, vitesse d’inférence et efficacité énergétique, des critères essentiels pour un déploiement industriel durable.
Ce travail vise à fournir une vision claire des compromis entre performance et contraintes matérielles, afin d’aider chercheurs et industriels à choisir les solutions les plus adaptées aux environnements de tri des déchets.
Une collaboration entre recherche et industrie
Cette publication est le fruit d’une collaboration entre le laboratoire ImViA et Wasoria, réunissant expertise académique et connaissance des contraintes industrielles réelles. Ce partenariat permet d’orienter la recherche vers des solutions concrètes, applicables directement sur le terrain.
La présentation à QCAV 2025 a été l’occasion de partager ces résultats avec la communauté scientifique internationale et d’échanger avec d’autres acteurs travaillant sur des problématiques similaires.
Vers des systèmes de tri plus intelligents et durables
Ces travaux s’inscrivent dans une démarche plus large visant à rendre les systèmes de tri plus efficaces, plus autonomes et plus durables grâce à l’intelligence artificielle embarquée. L’amélioration de la détection et de la classification des déchets constitue une étape clé pour optimiser le recyclage et réduire l’impact environnemental.
Nous sommes fiers de contribuer à cette dynamique et remercions l’ensemble des partenaires ayant rendu cette publication possible.
