![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image-2.png\")
<\/figure>\n\n\n\nPour r\u00e9pondre \u00e0 ces enjeux, l\u2019automatisation devient un levier essentiel, notamment dans les centres de tri (MRF). Les syst\u00e8mes robotis\u00e9s \u00e9quip\u00e9s de capteurs avanc\u00e9s am\u00e9liorent fortement l\u2019efficacit\u00e9, r\u00e9duisent les co\u00fbts op\u00e9rationnels et prot\u00e8gent les op\u00e9rateurs des conditions dangereuses du tri manuel. Au c\u0153ur de ces syst\u00e8mes se trouve la vision par ordinateur (CV), la technologie qui permet aux machines de reconna\u00eetre et classifier des mat\u00e9riaux sur un convoyeur.<\/p>\n\n\n\n TCe livre blanc compare deux grandes approches de vision par ordinateur pour la reconnaissance des d\u00e9chets : les mod\u00e8les unimodaux classiques (bas\u00e9s uniquement sur l\u2019image) et la nouvelle g\u00e9n\u00e9ration de mod\u00e8les multimodaux Vision-Langage (VLMs). Nous examinons leurs performances en z\u00e9ro-shot, few-shot et apprentissage supervis\u00e9 complet. Notre analyse montre que, si les mod\u00e8les classiques atteignent de bonnes performances, leur d\u00e9pendance \u00e0 de vastes jeux d\u2019images annot\u00e9es limite fortement leur capacit\u00e9 \u00e0 s\u2019adapter \u00e0 grande \u00e9chelle. Les VLMs offrent une alternative flexible et scalable.<\/p>\n\n\n\n Nous commen\u00e7ons par une revue du cadre conventionnel de vision par ordinateur et de ses forces et limites.<\/p>\n\n\n\n Comprendre les m\u00e9thodes actuelles est essentiel : ces syst\u00e8mes unimodaux ont pos\u00e9 les bases de l\u2019automatisation du tri. Depuis des ann\u00e9es, ils permettent aux robots de prendre en charge des t\u00e2ches de tri de plus en plus complexes. Mais les fondations techniques qui font leur force introduisent aussi des contraintes qui limitent leur adaptabilit\u00e9 dans l\u2019environnement impr\u00e9visible d\u2019un centre de tri.<\/p>\n\n\n\n Les mod\u00e8les classiques reposent sur des architectures connues de deep learning comme les r\u00e9seaux convolutifs (CNN) \u2013 par exemple ResNet \u2013 ou des Vision Transformers (ViT) modernes comme Swin Transformer. Ils sont g\u00e9n\u00e9ralement pr\u00e9-entra\u00een\u00e9s sur de grands jeux d\u2019images g\u00e9n\u00e9riques (comme ImageNet) avant d\u2019\u00eatre adapt\u00e9s sur des images de d\u00e9chets. Une autre approche courante utilise des r\u00e9seaux neuronaux (ANN) associ\u00e9s \u00e0 des techniques d\u2019extraction de caract\u00e9ristiques (histogrammes de couleur, HOG, LBP\u2026).<\/p>\n\n\n\n Avec suffisamment de donn\u00e9es annot\u00e9es, ces mod\u00e8les offrent d\u2019excellents r\u00e9sultats. Quelques performances rapport\u00e9es :<\/p>\n\n\n\n Malgr\u00e9 ces bons r\u00e9sultats, leur limite majeure est la quantit\u00e9 massive de donn\u00e9es annot\u00e9es requises, tant pour l\u2019entra\u00eenement initial que pour les cycles fr\u00e9quents de r\u00e9-entra\u00eenement. Les d\u00e9chets r\u00e9els sont beaucoup plus vari\u00e9s que les jeux d\u2019images propres et bien cat\u00e9goris\u00e9s, ce qui oblige \u00e0 r\u00e9entra\u00eener les mod\u00e8les pour reconna\u00eetre de nouveaux mat\u00e9riaux, des d\u00e9chets ab\u00eem\u00e9s ou contamin\u00e9s. Cette d\u00e9pendance \u00e0 une annotation continue constitue un frein majeur \u00e0 l\u2019\u00e9volutivit\u00e9 et \u00e0 la rentabilit\u00e9.<\/p>\n\n\n\n Ces obstacles ouvrent la voie \u00e0 une alternative plus flexible : les mod\u00e8les Vision-Langage.<\/p>\n\n\n\n Un nouveau paradigme : les Vision-Language Models (VLMs)<\/p>\n\n\n\n Les VLMs repr\u00e9sentent un changement important dans la mani\u00e8re dont les machines interpr\u00e8tent les images. Plut\u00f4t que d\u2019apprendre uniquement \u00e0 partir d\u2019images, ils \u00e9tablissent un lien entre le visuel et le langage naturel. Cette approche multimodale leur conf\u00e8re une grande flexibilit\u00e9 pour reconna\u00eetre des objets m\u00eame sans donn\u00e9es annot\u00e9es sp\u00e9cifiques.<\/p>\n\n\n\n Les VLMs reposent sur deux composants :<\/p>\n\n\n\n Gr\u00e2ce \u00e0 l\u2019apprentissage contrastif sur d\u2019immenses jeux d\u2019images\u2013textes, des mod\u00e8les comme CLIP, OpenCLIP ou MetaCLIP apprennent \u00e0 rapprocher dans un m\u00eame espace les images et textes correspondant.<\/p>\n\n\n\n Le principal avantage des VLMs est leur capacit\u00e9 \u00e0 classer des objets sans aucun entra\u00eenement sp\u00e9cifique, uniquement \u00e0 partir d\u2019instructions textuelles. Le mod\u00e8le :<\/p>\n\n\n\n Cela \u00e9limine la n\u00e9cessit\u00e9 d\u2019un jeu de donn\u00e9es annot\u00e9 pour les d\u00e9chets et permet de classifier d\u00e8s le premier usage.<\/p>\n\n\n\n Quand des donn\u00e9es annot\u00e9es existent, les VLMs restent performants : il suffit d\u2019entra\u00eener un simple classifieur lin\u00e9aire sur les embeddings d\u2019images. Cela r\u00e9duit fortement les co\u00fbts de calcul par rapport au fine-tuning d\u2019un mod\u00e8le classique.<\/p>\n\n\n\n Sur un jeu de donn\u00e9es multi-classe, OpenCLIP (ViT L\/14-2B) atteint 82,71 % de pr\u00e9cision en z\u00e9ro-shot \u2013 sans avoir vu la moindre image annot\u00e9e. Cette pr\u00e9cision d\u00e9passe celle de mod\u00e8les entra\u00een\u00e9s avec seulement dix exemples par classe.<\/p>\n\n\n\n Avec quelques images annot\u00e9es, les VLMs progressent vite. La pr\u00e9cision augmente fortement entre 1 et 15 images par classe, puis se stabilise. En supervis\u00e9 complet, OpenCLIP atteint 97,18 %, comparable aux mod\u00e8les traditionnels les plus avanc\u00e9s mais avec un co\u00fbt d\u2019entra\u00eenement bien moindre.<\/p>\n\n\n\n Le tri est une activit\u00e9 en flux rapide. Un mod\u00e8le doit fonctionner en temps r\u00e9el. Une analyse Pareto montre qu\u2019OpenCLIP (ViT L\/14-2B) offre le meilleur compromis :<\/p>\n\n\n\n Ce qui le rend utilisable sur des lignes industrielles rapides.<\/p>\n\n\n\n Le prompt engineering est une m\u00e9thode simple et efficace pour am\u00e9liorer la pr\u00e9cision d\u2019un VLM sans r\u00e9-entra\u00eenement. Il consiste \u00e0 reformuler les descriptions textuelles utilis\u00e9es pour la classification :<\/p>\n\n\n\n Exemple : \u00ab d\u00e9bris de verre \u00bb peut \u00eatre trop vague, tandis que \u00ab photo d\u2019un bocal en verre et de bouteilles \u00bb refl\u00e8te mieux ce que la machine voit sur un convoyeur.<\/p>\n\n\n\n Sur OpenCLIP, cette optimisation a fait passer la pr\u00e9cision z\u00e9ro-shot de 82,71 % \u00e0 90,48 %, uniquement en ajustant le texte.<\/p>\n\n\n\n Cette m\u00e9thode demande toutefois de l\u2019it\u00e9ration : am\u00e9liorer un prompt peut en d\u00e9grader un autre.<\/p>\n\n\n\n Figure : Sch\u00e9ma d\u2019optimisation des prompts<\/strong><\/p>\n\n\n\n Cependant, le travail sur les prompts doit \u00eatre r\u00e9alis\u00e9 avec soin. Am\u00e9liorer un prompt peut parfois r\u00e9duire la pr\u00e9cision d\u2019autres, ce qui rend l\u2019exercice d\u00e9licat et n\u00e9cessite de l\u2019it\u00e9ration ainsi qu\u2019une \u00e9valuation rigoureuse.<\/p>\n\n\n\n Le jeu de donn\u00e9es principal utilis\u00e9 pour les tests dans les \u00e9tudes cit\u00e9es est celui de Kumsetty et al. (2022)<\/strong>. Sa partie test de 1 596 images<\/strong> sert de r\u00e9f\u00e9rence pour \u00e9valuer les mod\u00e8les de classification des d\u00e9chets en z\u00e9ro-shot, few-shot et supervis\u00e9, y compris les mod\u00e8les Vision-Langage (VLMs). Figure : Exemples et r\u00e9partition des images du dataset Kumsetty et al.<\/strong><\/p>\n\n\n\n En compl\u00e9ment de ce dataset central, plusieurs \u00e9tudes mentionnent l\u2019utilisation d\u2019autres jeux de donn\u00e9es dans leurs protocoles, bien qu\u2019ils ne soient pas inclus dans l\u2019\u00e9valuation z\u00e9ro-shot des VLMs. Parmi eux :<\/p>\n\n\n\n Le Yang Trash Dataset (TrashNet)<\/strong>, un benchmark largement utilis\u00e9 pour tester des mod\u00e8les ANN et ResNet dans la classification de d\u00e9chets.<\/p>\n\n\n\n HUAWEI-40<\/strong> : 14 683 images r\u00e9parties en quatre grandes cat\u00e9gories, utilis\u00e9 pour tester une version am\u00e9lior\u00e9e de MobileNetV2.<\/p>\n\n\n\n Un jeu de donn\u00e9es manuel<\/strong> bas\u00e9 sur Stanford Trash\/TrashNet, contenant 2 400 images captur\u00e9es manuellement<\/strong>, utilis\u00e9 pour \u00e9valuer une m\u00e9thode de tri automatis\u00e9 bas\u00e9e sur un ANN.<\/p>\n\n\n\n Figure : Exemple TrashNet<\/strong><\/p>\n\n\n\n Les Vision-Language Models offrent des avantages solides, mais leur d\u00e9ploiement industriel n\u00e9cessite une analyse \u00e9quilibr\u00e9e des opportunit\u00e9s et des contraintes.<\/p>\n\n\n\n Surmonter ces obstacles sera d\u00e9terminant pour une adoption \u00e0 grande \u00e9chelle.<\/p>\n\n\n\n Les syst\u00e8mes classiques de vision par ordinateur offrent de bonnes performances, mais leur d\u00e9pendance \u00e0 des volumes importants de donn\u00e9es soigneusement annot\u00e9es cr\u00e9e des blocages importants. Cette contrainte ralentit et rench\u00e9rit l\u2019adaptation des centres de tri face \u00e0 l\u2019\u00e9volution des flux de d\u00e9chets.<\/p>\n\n\n\n Les mod\u00e8les Vision-Langage constituent une alternative solide. Leur flexibilit\u00e9 en z\u00e9ro-shot, leur efficacit\u00e9 en apprentissage supervis\u00e9 et les gains obtenus via le prompt engineering r\u00e9pondent directement aux limites des approches traditionnelles. En combinant image et langage, ils permettent de d\u00e9velopper des syst\u00e8mes de tri plus adaptatifs, plus performants et plus \u00e9conomes.<\/p>\n\n\n\n Les VLMs repr\u00e9sentent ainsi une avanc\u00e9e technologique majeure. Leur capacit\u00e9 d\u2019adaptation et leur efficacit\u00e9 en font un outil cl\u00e9 pour concevoir la prochaine g\u00e9n\u00e9ration de syst\u00e8mes automatis\u00e9s, capables d\u2019accompagner la transition vers une \u00e9conomie circulaire.<\/p>\n\n\n\n Plus d’articles<\/p>\n\n\n\n![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image-3.png\")
<\/figure>\n\n\n\nL\u2019approche conventionnelle : la vision par ordinateur unimodale pour la classification des d\u00e9chets<\/h3>\n\n\n\n
Architecture<\/th> Pr\u00e9cision rapport\u00e9e<\/th><\/tr><\/thead> ResNet18 (TrashNet)<\/td> 95,87 %<\/td><\/tr> Swin Transformer (jeu de donn\u00e9es interne)<\/td> 99,75 %<\/td><\/tr> MobileNetV2 am\u00e9lior\u00e9<\/td> 90,7 %<\/td><\/tr> ANN avec fusion de caract\u00e9ristiques<\/td> 91,7 %<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n ![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image.png\")
<\/figure>\n\n\n\n\n
La force du z\u00e9ro-shot<\/h3>\n\n\n\n
\n
Apprentissage supervis\u00e9 efficace avec peu de donn\u00e9es<\/h3>\n\n\n\n
Performances compar\u00e9es : pr\u00e9cision, rapidit\u00e9 et passage \u00e0 l\u2019\u00e9chelle<\/h3>\n\n\n\n
De bons r\u00e9sultats en z\u00e9ro-shot<\/h4>\n\n\n\n
Apprentissage rapide en few-shot et en supervis\u00e9 complet<\/h4>\n\n\n\n
Rapidit\u00e9 adapt\u00e9e \u00e0 l\u2019industrie<\/h4>\n\n\n\n
\n
Am\u00e9liorer les performances gr\u00e2ce au prompt engineering<\/h3>\n\n\n\n
\n
![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image-4.png\")
<\/figure>\n\n\n\nJeux de donn\u00e9es<\/h4>\n\n\n\n
Il contient 14 310 images<\/strong>, r\u00e9parties en six cat\u00e9gories<\/strong> : carton, e-d\u00e9chets, verre, m\u00e9tal, papier et plastique.
La partie test est sp\u00e9cifiquement utilis\u00e9e pour mesurer la pr\u00e9cision en z\u00e9ro-shot, analyser la capacit\u00e9 de g\u00e9n\u00e9ralisation et comparer les performances selon diff\u00e9rents modes d\u2019apprentissage.<\/p>\n\n\n\n![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image-1.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/novelis.io\/wp-content\/uploads\/2025\/12\/image-5.png\")
<\/figure>\n\n\n\nPerspectives et d\u00e9fis pour le d\u00e9ploiement en conditions r\u00e9elles<\/h3>\n\n\n\n
Atouts majeurs<\/h4>\n\n\n\n
\n
Contraintes op\u00e9rationnelles<\/h4>\n\n\n\n
\n
Conclusion : l\u2019avenir de la reconnaissance automatis\u00e9e des d\u00e9chets<\/h3>\n\n\n\n
\n
\n
\n
\n