Apprentissage profond : le nouveau visage de l'industrie du recyclage du bois
Le magazine Panels and Furniture Asia s'est entretenu avec Jose Matas, notre Segment Director Wood chez TOMRA Recycling, pour en savoir plus sur notre façon d’avancer et notre vision de l'industrie.
À quel stade se trouve actuellement l'apprentissage profond dans le domaine du recyclage? Comment a-t-il évolué?
Chez TOMRA, nous constatons chaque jour que l'apprentissage en profondeur favorise la circularité des matériaux. D'autres systèmes de tri séparent les matériaux par type, couleur ou densité, et en complément, notre système d'apprentissage profond apporte la reconnaissance d'objets en s’appuyant sur des caméras RVB. Nos experts l’entraînent avec des milliers, voire des millions, d'images pour apprendre à distinguer des caractéristiques visuelles, telles que la forme d'un matériau ou un objet spécifique, comme un bouchon de bouteille.
En 2019, quand nous avons lancé la première solution d'apprentissage profond de l'industrie, désormais connue sous le nom de GAINnext™ , elle ne pouvait résoudre qu'un seul type de mission : la purification des flux de PE par l'élimination des cartouches en silicone. Puis, nos experts l'ont entraînée sur des tâches de tri de plus en plus complexes - des tâches auparavant confiées à l’homme. Nous avons pu étendre cette solution à différents domaines, notamment le tri du papier, des emballages en aluminium. Et du bois!
Quels sont les avantages de l'utilisation de l'apprentissage profond dans le tri? Comment GAINnext™ de TOMRA a-t-il révolutionné le tri?
Ces technologies de pointe améliorent considérablement le tri et la classification des matériaux recyclables. Elles contribuent à accroître l'efficacité et l'automatisation des usines. Elles augmentent la finesse du tri, ce qui est indispensable pour avancer vers une véritable économie circulaire. En outre, ces technologies ouvrent la voie à de toutes nouvelles applications, qui étaient auparavant inenvisageables.
Prenons l'exemple de nos applications de tri du bois : en 2022, GAINnext™, la toute première solution à être lancée sur le marché, permettait de séparer le bois naturel (bois A) du bois transformé (bois B). Aujourd'hui, GAINnext™ est également capable de récupérer le MDF, et nous pouvons nettoyer et trier les déchets de bois de construction et de démolition. Or, il s'agit là de tâches très difficiles en raison de la ressemblance des matériaux. Elles étaient considérées comme impossibles à automatiser.
La technologie d'apprentissage en profondeur est particulièrement puissante lorsqu'elle est associée à d'autres capteurs. En la combinant par exemple avec des systèmes NIR ou en ajoutant une étape de tri par apprentissage profond à une étape de tri par rayons X, nous obtenons une précision et une efficacité de tri encore plus élevées, et améliorons encore les performances du tri.
Comment TOMRA entend-elle développer GAINnext™ au cours de l'année à venir?
Nous continuerons à développer notre écosystème GAINnext™, en lui demandant de résoudre des tâches de tri encore plus complexes dans différents domaines. Plus de 100 de nos dispositifs ont déjà été installés, partout dans le monde. Nous voyons maintenant de plus en plus de clients mettre en œuvre notre solution d'apprentissage en profondeur sur des processus à plus grande échelle. Grâce à ces retours d’expériences, et à l’expertise de nos équipes, nous sommes très bien placés pour faire évoluer GAINnext™ avec une rapidité accrue. Rappelons que GAINnext™ a été entièrement développé en interne par nos équipes de R&D et nos experts en IA. C’est vraiment cette compétence possédée en interne qui fait notre force.
Comment le règlement européen PPWR influencera-t-il le recyclage?
Ce règlement européen qui concerne les emballages et les déchets d'emballages, sera au cœur de l'actualité en 2025. Il a un impact considérable. Et il comprend des dispositions relatives au recyclage du bois, fixant des objectifs de recyclage spécifiques pour les emballages en bois : 25 % d'ici à 2025, 30 % d'ici à 2030. Il rappelle l'importance de la recyclabilité et de la réutilisation, et encourage l'utilisation de matériaux durables, tels que le bois.
Nous nous attendons à ce que ces objectifs stimulent les innovations en matière d'écoconception et de technologies de recyclage, y compris le recyclage mécanique avancé. En effet, pour atteindre les objectifs fixés, il faut des matériaux récupérés de qualité constante, il faut réintroduire autant de matériaux que possible dans le cycle de production. Le tri est donc une étape cruciale de ce processus. Nous avons besoin de solutions sophistiquées telles que GAINnext™ pour aider à atteindre le niveau de finesse de tri la plus élevé possible. C’est une priorité.
Qu'est-ce qui peut empêcher les entreprises d'adopter ces technologies d'apprentissage profond?
L'adoption de ces technologies offre un potentiel important, mais elle s'accompagne également de défis organisationnels. L'un des principaux étant la complexité du développement et du déploiement des modèles d'apprentissage profond. Elle nécessite une expertise pointue, et une infrastructure robuste. Le développement de réseaux neuronaux fiables capables de distinguer les matériaux en temps réel est loin d'être un processus « prêt à l'emploi ». Il implique un apprentissage continu, la collecte de masses de données, et la validation par des professionnels hautement qualifiés en IA, datascience, et reconnaissance des matériaux.
Pour la plupart des entreprises, il est inenvisageable de développer ce type d'expertise en interne. Une collaboration avec des fournisseurs de solutions globales, comme TOMRA, est la seule voie viable. Nous avons beaucoup investi dans les solutions basées sur l'IA au cours des dernières décennies, nous avons une vaste expérience dans ce domaine, nous utilisons ces connaissances non seulement pour recommander la bonne technologie, mais aussi les processus correspondant aux besoins de nos clients.
