Membres de l’équipe
Blue Namba, Rency Waneskehian, Zhen Xu, Dejun Yang, Haiqi Zhou
Sommaire
Prenez de meilleures décisions en matière de recyclage avec Recyclo. Notre modèle de reconnaissance d’images fondé sur l’IA guide vos déchets vers la bonne destination.
Mots-clés
Recyclage, reconnaissance d’images, réseau convolutif CNN, Montréal, durabilité, éducation, ResNet-101, déchets, contamination
Inspiration / contexte du projet
Alors que le monde fait face à des problèmes environnementaux urgents, notre objectif est de pratiquer et d’encourager un recyclage responsable. La contamination des matériaux, soit parce qu’ils ont été mélangés, soit parce qu’ils contiennent des restes d’aliments ou de liquides, est l’une des principales difficultés rencontrées. À Montréal seulement, le niveau de contamination des ballots de papier est neuf fois plus élevé que le seuil fixé par l’industrie (Shingler et Hendry, 2022).
Nous avons décidé d’approfondir cette question et de voir comment des techniques d’apprentissage automatique pourraient contribuer à réduire la contamination dans les centres de recyclage de Montréal. Nous avons eu l’idée de créer une application qui utilise la reconnaissance d’images pour donner des suggestions et des conseils sur la façon de recycler différents articles. Notre expérience des directives de recyclage et la confusion qui s’ensuit sont à l’origine de cette solution centrée sur l’utilisateur. Tout le monde se retrouve un jour ou l’autre devant les bacs, désemparé et effrayé à l’idée de faire le mauvais choix.
En plus d’aider les gens à recycler, nous espérons les éduquer et les sensibiliser à la surconsommation et à son incidence sur le changement climatique. Nous avons mené des recherches approfondies sur les activités de recyclage à Montréal afin de déterminer si une plateforme comme Recyclo serait utile. Étant donné qu’à Montréal et dans de nombreuses villes, les taux de contamination sont élevés, nous croyons qu’un outil comme Recyclo peut aider les individus à faire leur part dans la crise du recyclage.
Technologies utilisées
- Google Colab
- Weights & Biases
- GitHub
- ResNet-101
- Glitch
- Langages de programmation : Python, HTML/CSS/Javascript
Description détaillée du projet
Recyclo analyse une photo de vos déchets et vous indique comment et où les éliminer. Vous pouvez photographier n’importe quel objet, du gobelet de café en plastique aux piles électriques, en passant par les vieux vêtements.
Lors de nos premières recherches, nous avons trouvé un dépôt GitHub appelé Trashbox, qui contient 17 785 images de déchets réparties en 7 catégories : verre, plastique, métal, déchets électroniques, carton, papier et déchets médicaux. Chaque catégorie est divisée en sous-classes. Par exemple, la catégorie des déchets médicaux comprend les seringues, les gants chirurgicaux, les masques chirurgicaux et les médicaments. Nous avons choisi Trashbox comme ensemble de données principal et l’avons enrichi avec d’autres catégories de déchets telles que le compost et les vêtements.
Après avoir rassemblé les images, nous les avons étiquetées avec le nom de leur catégorie. De façon générale, notre modèle est un cas d’utilisation assez typique de la vision par ordinateur. Ainsi, nous avons divisé les données en ensembles d’entraînement, de test et de validation, et affiné le modèle ResNet-101 avec nos données d’entraînement. Après plusieurs heures d’entraînement, le modèle affiné a atteint une précision d’environ 90 %. Une fois le modèle entraîné, nous avons pu établir que l’entrée appareil photo de notre application Web était l’entrée du modèle de prédiction.
Pour savoir exactement où envoyer les déchets, nous avons fait des recherches sur le recyclage et l’élimination des déchets à Montréal. Nous avons pris contact avec Recyc-Québec, l’organisme gouvernemental chargé de la collecte et du recyclage des déchets, et responsable du site Web et de l’application Ça va où? Lors de notre rencontre, le représentant de Ça va où? a mentionné que Recyc-Québec n’avait pas encore trouvé de modèle assez précis à intégrer à son système. Il est donc possible que nous collaborions avec l’organisme à l’avenir, lorsque nous aurons amélioré notre modèle. Nous avons obtenu des données de Ça va où? sur la destination des différents types de déchets ainsi que sur les emplacements des écocentres et des centres de recyclage à Montréal. À partir de là, nous avons créé un dictionnaire qui associe la prédiction de notre modèle à l’information que nous affichons après l’analyse d’un article. De plus, nous avons utilisé l’API de Google Maps pour indiquer à l’utilisateur les écocentres et les centres de dons de vêtements les plus près si l’article doit y être déposé.
Impact et innovation
Il existe peu d’applications qui proposent d’identifier des déchets avec la reconnaissance d’images. Il y a Recycling Assistant et EcoSnap en Europe, et Recycle Mate en Australie. À Montréal, Ça va où? est l’application de référence pour trouver des instructions sur la mise au rebut de presque tous les articles, mais elle n’est pas dotée d’une fonction de reconnaissance d’images. Lors de notre discussion avec l’équipe de Ça va où?, nous avons compris que le plus gros problème de la reconnaissance d’images à l’heure actuelle est le manque de fiabilité des prédictions.
Pour éviter les inexactitudes, nous donnons la possibilité de signaler une détection d’objet incorrecte, ce qui contribuera également à améliorer notre modèle puisqu’il apprendra de ses erreurs. Nous avons également essayé de faire en sorte que nos recommandations évitent le pire : la contamination. Il peut sembler contre-intuitif d’encourager les gens à envoyer au site d’enfouissement des matériaux potentiellement recyclables. Cependant, s’ils ne peuvent pas rincer leur contenant, ils doivent le jeter à la poubelle pour éviter de contaminer tout un lot. Par exemple, si le carton présente des taches permanentes de graisse ou de nourriture, il ne doit pas être mis dans le bac de recyclage. Recyclo met de l’avant des directives détaillées avec une interface simple et intuitive.
Une autre considération éthique dont nous avons conscience est le petit rôle que joue le recyclage dans le contexte plus large de la durabilité.
Le geste le plus important demeure de refuser et de réduire la consommation. Recyclo est simplement un outil qui renseigne les gens et les sensibilise à la meilleure manière de recycler. Nous ne voulons surtout pas verdir notre discours en prétendant que le recyclage est la solution définitive. Même si les gens trient correctement leurs déchets, rien ne garantit qu’ils seront recyclés. Nous devons garder à l’esprit que seuls 9 % des plastiques sont recyclés au Canada (Blair, s. d.). Selon l’organisation américaine National Resources Defense Council, les installations qui prétendent faire du « recyclage chimique » ne recyclent pas les plastiques, qui sont incinérés ou empilés (Singla, 2022). Il est également faux de croire que le plastique peut être recyclé à l’infini, il est plutôt décyclé, c’est-à-dire qu’il perd de sa résistance et de sa qualité chaque fois qu’il est transformé (Krosofsky, 2021). Parmi les plastiques qui ne sont pas recyclés, beaucoup sont expédiés à l’étranger, dans des pays où les salaires sont bas et les lois, peu contraignantes (Krosofsky 2021). Gardant à l’esprit ces considérations éthiques, notre équipe pense que le fait d’être le premier assistant au recyclage par reconnaissance d’images à Montréal pourrait considérablement réduire la contamination dans les centres de recyclage.
Défis et solutions
L’une des difficultés rencontrées pendant l’entraînement du modèle était de traiter les entrées hors distribution. Que se passe-t-il lorsqu’une personne soumet un objet qui n’appartient à aucune catégorie? Et qu’adviendra-t-il si le modèle ne fait que « deviner » et donne une réponse erronée? Nous avons trouvé deux solutions qui peuvent être mises en œuvre. Premièrement, nous pouvons entraîner le modèle avec une catégorie « Autre » qui contient des images d’objets divers. Ainsi, le modèle indiquera à la personne qu’il ne connaît pas l’objet, ce qui évitera les renseignements erronés. Deuxièmement, nous avons étudié la possibilité d’utiliser simplement un modèle ResNet-101 préentraîné (non affiné avec des images de déchets) qui peut détecter 1 000 catégories à partir de l’ensemble de données ImageNet. Nous avons sélectionné les catégories qui pouvaient être classées parmi les déchets à l’aide du traitement automatique du langage naturel et les avons compilées dans des dictionnaires. Toutes les autres catégories obligeraient le modèle à indiquer qu’il n’est pas certain. L’un des problèmes de cette stratégie est que le modèle est moins précis dans la détection des déchets que le modèle affiné.
Comme nous l’avons mentionné plus haut, nous constatons également qu’il reste du travail à faire pour distinguer les matériaux qui se ressemblent, par exemple le verre et le plastique transparent. Le modèle semble confus lorsqu’une bouteille d’eau en plastique est cylindrique et qu’elle n’est pas recouverte d’un emballage en plastique. Pour améliorer le modèle, nous aurions besoin d’un ensemble d’entraînement plus important pour les catégories verre et plastique et, éventuellement, d’un modèle plus apte à reconnaître les caractéristiques des différents matériaux.
Leçons apprises et réalisations dont nous sommes fières
Nous sommes extrêmement reconnaissantes au AI4Good Lab de nous avoir fourni une plateforme où nous avons pu partager notre curiosité et notre intérêt pour l’IA avec des personnes de tous les horizons. Grâce aux ateliers et aux conférences, nous avons acquis de solides connaissances sur la façon d’intégrer l’éthique dans tous les aspects de notre projet d’IA. Nous avons également eu l’occasion de travailler et d’apprendre avec les meilleurs spécialistes du domaine.
En développant Recyclo, nous avons réussi à travailler en équipe et à améliorer nos compétences en matière de gestion de projet. L’attribution des rôles en fonction de nos points forts, mais aussi de nos intérêts, a été un principe important dans notre démarche. Nous avons entrepris le projet en ayant des compétences uniques, mais nous avons été heureuses de voir que chacune s’est attaquée à de nouvelles tâches afin de sortir de sa zone de confort.
Au-delà des connaissances que nous avons acquises, nous n’oublierons jamais les amitiés sincères et les précieux souvenirs que nous avons créés durant les cours et à l’heure du dîner, lors de discussions avec les stagiaires d’AI4Good. Nous reconnaissons également le travail acharné des personnes chargées du mentorat et de l’assistance technique, qui ont toujours été là pour nous aider à développer nos idées et qui nous ont encadrées à chaque étape du projet.
Prochaines étapes pour nous et pour le projet
En tant que lauréate du prix Accélérateur, notre équipe a pu participer au Lab d’entrepreneuriat Mila, un programme visant à favoriser l’essor des jeunes pousses. Cette expérience a incité notre équipe à continuer à travailler sur Recyclo et à explorer les avenues potentielles. Actuellement, l’un des défis les plus urgents est d’améliorer la précision de notre modèle d’apprentissage automatique. Bien qu’il atteigne actuellement un taux de précision de 90 %, nous évaluons les moyens d’améliorer notre modèle ResNet-101. L’essence de Recyclo est de simplifier le recyclage; si nous diffusons notre application, nous voulons garantir une expérience transparente et précise. Nous sommes également conscientes que certains déchets dépassent nos capacités actuelles de reconnaissance. Au fur et à mesure que nous progressons, nous visons à ce que Recyclo reconnaisse un plus grand nombre d’objets et identifie les matériaux souillés.
Compte tenu du temps imparti, nous avons concentré notre projet sur Montréal. Éventuellement, notre objectif serait d’en faire une plateforme universelle. Comme le recyclage est souvent déroutant pour les personnes qui viennent d’emménager dans une nouvelle ville, nous voulons que Recyclo soit accessible dans tous les pays.
Pour faire passer Recyclo à la prochaine étape, nous devons consulter des spécialistes et des chercheurs ou chercheuses en recyclage pour obtenir des recommandations à la pointe du progrès. Nous espérons également recevoir l’avis de spécialistes en éthique environnementale qui pourraient nous aider à déterminer si l’IA est la solution optimale. Bien que notre projet nous passionne, nous veillons à remettre notre travail en question et à discuter de son impact potentiel, respectant ainsi une valeur que le programme AI4Good Lab nous a inculquée.
Haiqi est actuellement étudiante au programme de maîtrise en humanités numériques de l’Université McGill et travaille en tant qu’assistante de recherche en traitement automatique du langage au laboratoire .txt. Elle participe également au programme d’entrepreneuriat de Mila et aspire à faire passer Recyclo à la vitesse supérieure. Si vous ne trouvez pas Haiqi, c’est parce qu’elle est probablement en train de faire de la plongée à Hawaï :)
Zhen est diplômée de l’Université McGill et étudie actuellement au programme de maîtrise en analytique de gestion à l’École de gestion Rotman de l’Université de Toronto. Elle obtiendra son diplôme en 2024 et poursuivra une carrière en science des données.
Dejun entame sa dernière année du programme de baccalauréat en informatique à l’Université McGill. Elle souhaite poursuivre des études supérieures en informatique et approfondir ses connaissances en intelligence artificielle.
Blue en est à sa dernière année d’études de premier cycle en analytique de gestion et environnement à l’Université McGill. Elle espère ensuite associer l’analyse de données à une cause environnementale comme la sécurité alimentaire, la biodiversité ou le changement climatique.
Rency termine son baccalauréat en informatique à l’Université McGill. Elle prévoit de poursuivre ses études en IA aux cycles supérieurs.
References
Blair, Nicole (s. d.). « Recycling Statistics in Canada for 2023 ». Made in CA. Consulté le 29 septembre 2023.
Krosofsky, Andrew (2021). « What Is Downcycling? ». Green Matters.
Krosofsky, Andrew (2021). « What Percentage of Recycling Actually Gets Recycled? » Green Matters.
Shingler, Benjamin, et Leah Hendry (2022). « Montreal’s recycling program is in a dire state, but there are solutions. ». CBC.
Singla, Veena (2022). « Recycling Lies: “Chemical Recycling” of Plastic Is Just Greenwashing Incineration ». NRDC.