Une nouvelle étude utilise une technologie d’imagerie avancée pour identifier les matériaux présents dans les déchets solides municipaux qui peuvent être séparés à des fins de recyclage ou de production d’énergie.
Cette étude a utilisé l’imagerie hyperspectrale, une méthode qui fait appel à de puissants capteurs optiques qui capturent le spectre lumineux de chaque pixel d’une image. En analysant la manière dont différents matériaux réfléchissent la lumière, même en dehors du spectre visible, l’imagerie hyperspectrale permet aux chercheurs de créer des « empreintes » spectrales uniques pour chaque matériau, ce qui permet d’identifier rapidement des matériaux qui peuvent sembler identiques à l’œil nu.
« L’imagerie hyperspectrale est un outil puissant qui nous permet de voir ce que l’œil humain ou les caméras standard ne peuvent pas voir », a indiqué Lokendra Pal, professeur E.J. Woody Rice et chercheur universitaire au département des biomatériaux forestiers de l’université d’État de Caroline du Nord et coauteur de l’étude. « Grâce à cette technologie, nous pouvons capturer des images en temps réel de grandes quantités de déchets, jusqu’au niveau des pixels. Cela nous permet d’identifier différents matériaux en fonction des variations de réflexion de la lumière que nous ne pouvons normalement pas voir. »
L’imagerie hyperspectrale permet également aux scientifiques de déterminer non seulement le type de matériau, mais aussi sa quantité et s’il est contaminé, explique M. Pal. Cela contribue à rendre les opérations de recyclage plus rentables et plus efficaces.
Les humains voient la lumière dans ce qu’on appelle le spectre RVB, qui correspond au rouge, au vert et au bleu. La lumière dans ce spectre a des longueurs d’onde d’environ 400 à 700 nanomètres, que nos yeux perçoivent comme des couleurs. L’imagerie hyperspectrale est capable de capturer des longueurs d’onde allant jusqu’à 2 500 nanomètres, couvrant les gammes du proche infrarouge et de l’infrarouge à ondes courtes. Cela génère une quantité considérable de données, qui peuvent être exploitées grâce à l’apprentissage automatique pour identifier les déchets pouvant être transformés en produits de valeur.
« Par exemple, les gobelets à café sont fabriqués à partir de plastique et de papier », explique Mariangeles Salas, auteure principale et doctorante au département des biomatériaux forestiers de l’université NC State. « Des millions de ces gobelets sont jetés chaque année, et moins de 1 % d’entre eux sont recyclés. »
« Grâce à l’imagerie hyperspectrale, nous créons ce que l’on appelle un cube de données », ajoute la doctorante. « Il s’agit d’une représentation visuelle qui décrit les caractéristiques uniques de réflexion de la lumière d’un pixel en trois dimensions. Cela nous permet d’identifier les différences subtiles entre les matériaux, comme les deux types de papier utilisés dans une même tasse à café. Les deux contiennent de la cellulose, mais leur composition chimique est différente, ce qui signifie qu’ils sont mieux adaptés à des filières de recyclage différentes. »
Un cube de données créé à l’aide de l’imagerie hyperspectrale
Les chercheurs ont l’intention d’exploiter cet énorme afflux de données à plus grande échelle en créant l’une des plus grandes bibliothèques d’images visuelles et hyperspectrales contenant des métadonnées détaillées sur les déchets solides municipaux. Avec plus d’un milliard de pixels spectraux et ce chiffre ne cesse d’augmenter, ce référentiel de données en libre accès constituera un outil précieux pour les gestionnaires de déchets tels que les municipalités, les installations de récupération des matériaux et les chercheurs.
Cette technologie pourrait contribuer à accélérer et à améliorer la précision des systèmes de recyclage automatisés, à accroître l’efficacité et à réduire la quantité de matériaux recyclables perdus dans les décharges, et à soutenir une économie circulaire plus durable.
L’étude, intitulée « Imagerie hyperspectrale pour la caractérisation et la récupération en temps réel des déchets à l’aide de l’extraction des membres finaux et de la détection de l’abondance », est publiée dans Matter. Parmi les coauteurs figurent Mariangeles Salas, Simran Singh, Raman Rao, Raghul Thiyagarajan et Lucian Lucia de l’université d’État de Caroline du Nord, Ashutosh Mittal et John Yarborough du Laboratoire national des énergies renouvelables, et Anand Singh d’IBM.
Article : « Hyperspectral imaging for real-time waste materials characterization and recovery using endmember extraction and abundance detection » – Auteurs : Mariangeles Salas, Simran Singh, Raman Rao, Raghul Thiyagarajan, Lucian Lucia and Lokendra Pal, NC State University; Ashutosh Mittal, John Yarborough, National Renewable Energy Laboratory; Anand Singh, IBM. DOI: 10.1016/j.matt.2025.102365
