Introduction générale

La gestion efficace des déchets constitue l'un des plus grands défis de notre époque, posant une
problématique majeure pour les chercheurs dans tous les pays du monde. Les nouvelles technologies
numériques, notamment l'intelligence artificielle (IA) et l'internet des objets (IoT), peuvent jouer un
rôle essentiel dans la résolution de cette problématique. En somme, l'IA et l'IoT offrent des solutions
innovantes pour mieux contrôler et gérer les déchets, contribuant ainsi à un environnement plus
durable et à une meilleure qualité de vie pour tous.

Problématique

Aujourd'hui, la gestion des déchets représente un problème mondial majeur auquel les gens sont
confrontés quotidiennement. Les poubelles qui débordent dégagent des odeurs nauséabondes, ce
qui a des répercussions négatives sur notre santé et notre environnement. Dans ce contexte, il est
nécessaire de penser à des solutions innovantes pour contrôler efficacement ces déchets et les gérer
afin de réduire leurs effets néfastes sur notre santé et notre environnement.

Solution proposée

Ces dernières années, nous avons été témoins d'une évolution technologique majeure, notamment
avec l'avènement de l'Internet des objets et l'utilisation de l'intelligence artificielle dans divers
domaines. Dans ce contexte, nous envisageons de tirer parti de cette évolution et de mettre en
œuvre une solution innovante pour résoudre les problèmes liés aux déchets humains. Cette solution
consiste à détecter automatiquement les différents types de déchets dans des poubelles intelligentes
et à les classifier en se basant sur un modèle capable d'identifier les différents types d'objets.

Pour ce faire, nous aurons besoin de différents composants matériels et logiciels, que nous
présenterons dans les sections suivantes, en décrivant l'utilité de chacun.

2. Motivation technologique

Intelligence Artificielle (IA)

L'intelligence artificielle est un domaine qui associe l'informatique à des ensembles de données
fiables pour faciliter la résolution de problèmes. Elle vise à créer des machines capables de simuler
l'intelligence humaine, notamment en imitant des capacités telles que le raisonnement,
l'apprentissage et la prise de décision. Elle est capable de faire des prédictions ou des classifications
basées sur des ensembles de données. L'IA est utilisée dans plusieurs domaines tels que :
- Robotique : les robots utilisent l'IA pour pouvoir prendre des décisions et agir de manière
autonome.

- Assistance virtuelle : l'IA peut jouer le rôle d'un assistant virtuel, répondant aux questions des
utilisateurs sans intervention humaine.

- Médecine : l'IA peut aider les médecins à analyser, détecter les maladies et prendre des décisions
adéquates.

- Sécurité : l'IA peut améliorer la sécurité des systèmes en aidant à détecter les attaques et les
menaces de manière autonome.

Internet des Objets (IoT)

L'Internet des objets, également connu sous le nom d'Internet of Things (IoT) en anglais, est
l'interconnexion entre les objets via l'Internet. En d'autres termes, il s'agit d'un réseau de dispositifs
physiques tels que des capteurs, des machines et d'autres objets pour collecter des données et les
échanger entre eux sans intervention humaine. Grâce à cette interconnexion, il est possible de
surveiller et de contrôler ces objets à distance. L'IoT trouve des applications dans divers domaines, en
voici quelques-unes :

- Production intelligente : l'IoT sert à optimiser les processus de fabrication et la maintenance

préventive des machines.

- Transport et logistique : l'IoT est utilisé pour suivre les véhicules, les marchandises et les
conteneurs.

- Smart city : l'IoT est utilisé pour gérer les systèmes de transport, l'éclairage public et la collecte des
déchets.

- Domotique : avec l'IoT, l'être humain peut contrôler sa maison à distance, démarrer les machines
sans être physiquement présent dans la maison.

3. Environnement matériel

Carte Raspberry

Définition
Le Raspberry Pi est un nano-ordinateur monocarte à processeur ARM de la taille d'une carte de
crédit. Il fonctionne, à la base, sous le système d'exploitation Linux. Depuis sa sortie en 2012, le
Raspberry Pi est devenu la référence des nano-ordinateurs, car tous les composants nécessaires d'un
ordinateur sont déjà présents : CPU, mémoire, carte Wi-Fi, réseau, USB, etc.

Caractéristiques de la carte Raspberry

- Polyvalence : la carte Raspberry peut être utilisée dans diverses applications, telles que l'IoT, la
domotique, les projets électroniques...

- Communauté active : La communauté Raspberry Pi est vaste et active. On peut trouver de

nombreux tutoriels, projets open source et forums pour nous aider à démarrer et à résoudre nos
problèmes.

- Évolutivité : Le Raspberry est disponible en plusieurs modèles (Raspberry Pi 4, 3B+, Zero, etc.) avec
différentes configurations de RAM et de stockage.

Servo-moteur

Un servo-moteur est un type de moteur électrique très utilisé dans le monde de la robotique, de
l'automatisation industrielle et dans diverses applications de contrôle de mouvement. Ce moteur est
apprécié pour sa capacité à fournir un contrôle précis de la position, de la vitesse et de l'accélération.
Ce moteur tourne avec un certain angle, défini selon un signal de type PWM (Pulse Width
Modulation). On peut le contrôler en le branchant avec la carte Raspberry.

4. Deep Learning

Généralité

Pour atteindre notre objectif, nous devons mettre en place un système d'apprentissage automatique
pour distinguer efficacement les objets. Le Deep Learning peut jouer ce rôle. Il s'agit d'une catégorie
d'intelligence artificielle qui exploite des réseaux de neurones artificiels inspirés directement du
fonctionnement des neurones humains. Le Deep Learning est utilisé dans de nombreux domaines
tels que la reconnaissance d'image, la traduction automatique, les voitures autonomes, le diagnostic
médical, les recommandations personnalisées, la modération automatique des réseaux sociaux, la
prédiction financière, l'exploration spatiale, et bien d'autres.
Principe de fonctionnement du DL

Le DL s'appuie sur des réseaux de neurones, composés de multiples couches interconnectées, où

chaque couche joue un rôle spécifique dans le traitement des informations. Pour que le réseau
apprenne, il faut l'entraîner avec des données, en l'exposant à un grand nombre d'exemples de la
tâche qu'il doit réaliser. Par exemple, pour reconnaître des photos de chats, le réseau est nourri avec
des millions d'images de chats. Plus le nombre d'exemples augmente, plus le taux d'erreurs diminue.

Propagation Avant

Lorsqu'une nouvelle entrée (comme une image) est présentée au réseau, elle se propage à travers
les différentes couches. Chaque couche effectue des calculs et génère des activations (valeurs) qui
sont transmises à la couche suivante.

Calcul de l'Erreur

Dans cette phase, le réseau compare les résultats obtenus avec ceux attendus et calcule une mesure
d'erreur, afin de la minimiser."Il faut mentionner les types de calcul de l'erreur que vous allez utiliser
ainsi que leurs formules mathématiques."

Optimisation

Le processus d'entraînement se répète sur de nombreuses itérations (époques) jusqu'à ce que le

réseau atteigne une performance satisfaisante. Différents algorithmes d'optimisation (comme la
descente de gradient) sont utilisés pour ajuster les paramètres.

Les algorithmes de DL
En Deep Learning, il existe une multitude d'algorithmes permettant de résoudre des objectifs variés.
Dans cette partie, nous en situerons trois types :

- Réseaux de Neurones Récurrents (RNN) : Ce type d'algorithme est conçu pour traiter des séquences
de données, comme le langage naturel ou les séries temporelles.

- Réseaux Neuronaux Feedforward (FNN) : Ce type d'algorithme est souvent utilisé pour exécuter des
tâches comme la reconnaissance de schémas, la classification et la régression. Son principe est la
circulation de l'information dans un seul sens, depuis la couche d'entrée vers la couche de sortie.

- Réseaux de Neurones Convolutifs (CNN) : Ils excellent dans la reconnaissance d'images et sont
largement utilisés pour la classification d'objets, la détection d'objets et la segmentation d'images.
Leurs domaines d'application sont variés.

5. Implémentation de la solution

Phase d'apprentissage

Dataset

Les datasets sont couramment utilisés en apprentissage automatique. Ce sont des représentations de
données sous différentes formes telles que des vidéos, des images, des textes, etc. Dans notre projet,
notre DataSet est un ensemble de captures qui seront présentées dans un modèle, avec 80%
destinés à l'apprentissage et 20% pour les tests et validations.

Apprentissage avec Yolov8

Après avoir préparé notre DataSet, passons maintenant à la phase d'apprentissage. Une première
approche consiste à utiliser l'algorithme YOLO avec sa version V8. Malgré sa performance, son
application dans notre contexte n'a pas donné un résultat fiable, c'est pourquoi nous avons pensé à
utiliser l'algorithme CNN, qui sera décrit dans la suite.

Apprentissage avec CNN

La deuxième approche que nous avons adoptée est l'algorithme CNN de Deep Learning. Il s'agit d'un
type d'algorithme d'apprentissage profond largement utilisé pour la classification d'images, la
détection d'objets et d'autres tâches de vision par ordinateur. Contrairement aux méthodes
traditionnelles d'apprentissage supervisé, où les caractéristiques sont extraites manuellement, les
CNN apprennent automatiquement les caractéristiques à partir des images.

Cet algorithme nous a donné un résultat plus fiable et plus sûr que YOLOv8, donc nous avons décidé
d'adopter cette approche.

Étude comparative entre CNN et YOLOv8

Dans cette partie, nous allons montrer la différence entre les deux approches utilisées et les résultats
obtenus en appliquant l'algorithme YOLOv8 et CNN sur notre modèle.

Modèle H5

Après avoir exécuté l'algorithme CNN sur notre Dataset, on doit obtenir un résultat optimal pour
l'apprentissage des objets. Ce résultat sera enregistré dans un fichier .H5 comme une sortie qui sera
utilisée dans les prochaines étapes de l'implémentation.

Phase de configuration

Une partie très importante du cycle de réalisation de notre projet est le choix du matériel à utiliser et
sa configuration. Comme mentionné précédemment, nous allons utiliser les composants suivants :

- Une carte Raspberry, qui jouera le rôle d'un orchestrateur en donnant des ordres aux différents
composants pour les faire fonctionner selon les données d'entrée. Cette carte a les caractéristiques
suivantes :

- Carte Raspberry Pi 4.

- RAM : 8 Go.
 - Processeur : Broadcom BCM2711, quad-core.

- Alimentation : 5V DC via un connecteur USB-C.

- Une Webcam, qui sera branchée à la carte Raspberry, et qui servira à capturer les déchets et à les
envoyer à la carte Raspberry.

- Servo-moteur : c’est un moteur qui sera également branché à la carte Raspberry, et qui sera
capable d'ouvrir ou de fermer la porte du poubelle selon les ordres reçus de la carte.

Phase d’implémentation

Après avoir généré le modèle H5 en utilisant l'algorithme CNN et configuré notre carte Raspberry,
nous allons utiliser ce modèle comme entrée dans notre carte Raspberry. Cette phase consiste à
intégrer le modèle H5 avec la carte Raspberry pour nous donner un résultat final avec une précision
optimale. Le résultat de cette implémentation sera décrit dans les sections suivantes.

Conclusion

Ce projet vise à concevoir une application mobile intelligente pour une smart poubelle, dont le but
est de détecter les différents types de déchets et de les distinguer. Pour ce faire, nous avons utilisé
l'intelligence artificielle, plus précisément le Deep Learning, pour l'apprentissage et la détection des
objets, ainsi que l'IoT pour la connexion avec la smart poubelle, la capture des objets, et l'envoi et la
réception des informations. Nous avons également utilisé une carte Raspberry avec une webcam et
un servo-moteur pour assurer la communication entre la poubelle et l'application mobile.

Ce projet a été une opportunité pour mettre en pratique mes connaissances théoriques en
intelligence artificielle et en IoT, ainsi que mes compétences en développement mobile. Il a constitué
une source d'enrichissement technique, culturel, personnel et humain. La phase de réalisation de
notre solution a nécessité un effort considérable pour respecter le cahier des charges et livrer un
produit dans les délais impartis. J'ai rencontré certains défis tout au long de cette phase, mais j'ai pu
proposer des solutions efficaces en temps voulu et de bonne qualité.