Conception d'un système de détection et de classification automatique des déchets urbains à partir d'images pour les villes intelligentes.

Résumé

Auteur : Ushindi Zunguluka
Niveau: G3
Département: Genie Informatique
Année Ac: 2025-2026 , | 2026-03-18 21:20:34

Mots clés

Intelligence Artificielle, YOLOv8, Smart City, Gestion des déchets, Application Mobile.

Intérêt

2. Intérêt du sujet
• Intérêt Social : Améliorer la salubrité publique dans les zones urbaines denses en facilitant une gestion plus propre et rapide des rebuts.
• Intérêt Écologique : Réduire la pollution des écosystèmes en automatisant le tri des matériaux non biodégradables (plastiques, métaux).
• Intérêt Scientifique : Démontrer l'efficacité des modèles de vision par ordinateur (YOLOv8) sur des terminaux mobiles pour une détection autonome et en temps réel.

Problématique

1. Problématique
L'urbanisation mondiale galopante entraîne une production massive de déchets solides, dépassant souvent les capacités de gestion des infrastructures actuelles. Le défi majeur réside dans l'incapacité des systèmes traditionnels à identifier et à trier ces déchets à la source de manière efficace. Cette gestion inadaptée provoque des crises sanitaires et environnementales graves. Comment l'intégration de l'Intelligence Artificielle dans le cadre des Villes Intelligentes peut-elle automatiser la détection des déchets pour optimiser leur collecte et leur valorisation ?

Plan provisoire

5. Plan Provisoire
• Introduction Générale
• Chapitre I : État de l'art sur les Villes Intelligentes et la Vision par Ordinateur.
• Chapitre II : Analyse fonctionnelle et conception de l'architecture du système (YOLOv8).
• Chapitre III : Implémentation : Entraînement du modèle et conversion technique.
• Chapitre IV : Présentation des résultats, tests de performance et perspectives d'évolution.
• Conclusion Générale

Hypothèses

3. Hypothèse
L'implémentation d'un modèle d'apprentissage profond (Deep Learning) de type YOLOv8, optimisé et converti au format TFLite, permettrait de détecter et de classer les déchets urbains avec une précision élevée directement sur un smartphone, offrant ainsi une solution de gestion intelligente exploitable dans n'importe quel contexte urbain, même sans connexion internet permanente.

Méthodes

4. Méthodologie
L'approche adoptée est expérimentale et structurée en quatre phases :
1. Constitution du Dataset : Collecte et étiquetage d'images de diverses catégories de déchets via Roboflow.
2. Entraînement : Utilisation de l'environnement Google Colab pour entraîner le modèle YOLOv8 sur GPU.
3. Optimisation technique : Conversion du modèle vers le format TFLite pour garantir sa légèreté et sa rapidité sur mobile.
4. Phase de Test : Développement d'une application pilote pour valider la détection en conditions réelles.

Bibliographie

6. Bibliographie (Sources académiques)
1. Rapports Internationaux : Banque Mondiale, "What a Waste 2.0" (Statistiques mondiales sur les déchets).
2. Documentation Technique : Ultralytics, "YOLOv8: Real-Time Object Detection".
3. Articles Scientifiques : Études sur le "Deep Learning" appliqué au tri sélectif automatique.
4. Standards Smart City : Publications sur les protocoles de gestion urbaine connectée.

Directeur & Encadreur

Directeur: MOLO Joaquim MBASA
Encadreur: NZANZU Patrick VINGI

Status

Décision ou observation: À reformuler
Feu vert: AUCUN
Déposé : NON
Défendu: NON
Finalisé: NON