Sign in

Lixo x IBM drone Challenge

Après avoir commencé en concevant un robot autonome ramasseur de mégots, Wastemapper est devenu Lixo. Lixo développe des solutions de repérage et de catégorisation de déchets depuis des flux d’images grâce à l’IA.

L’IBM drone challenge

Cet été, Lixo a été un des lauréats du IBM drone challenge — à la clé : un drone qui nous a permis de faire nos premières expérimentations à partir d’images aériennes.

L’objectif, au delà du test technique, était de prouver l’utilité de travailler à la détection de déchets dans des environnements ruraux, bien souvent moins entretenus que les zones urbains, mais où les déchets polluent tout autant et où certains matériaux comme l’aluminium ou le verre peuvent augmenter certains risques comme des incendies.

1, 2, 3, test

Le drone est un DJI Tello, il affiche une autonomie de 15 minutes et est équipé d’une caméra de 720p. Il a une portée de moins de 100 mètres et échange les données (vidéo et commandes) via wifi : le drone émet le signal, on s’y connecte avec un téléphone ou un ordinateur jouant le rôle de serveur pour automatiser le drone. C’est cette dernière option que nous avons utilisée et avons donc rajouté un repeater wifi pour optimiser la zone de balayage du drone.

Le codage des commandes du drone se fait soit via du code Python soit via l’outil Node-RED d’IBM : un outil simple de drag and drop permettant d’automatiser les trajets du drone. Ici, l’objectif est de maintenir le drone dans la zone de portée du repeater.

Objectif détection

L’utilisation d’un serveur permet aussi se connecter au flux vidéo du drone. Le serveur hébergeant aussi le modèle de machine learning de Lixo pour la détection d’objets, il est ainsi possible de réaliser la détection de déchets en quasi temps réel.

Le système d’analyse d’image a été réalisé avec l’outil IBM Watson Visual Recognition. Nous avons choisi cette solution car toute la chaîne de développement ne consistait qu’en quelques configurations. Depuis l’interface de contrôle du drone Node-RED il est possible de charger le modèle de machine learning précédemment entraîné via du drag and drop.

Pour débuter, nous n’avons créé que 3 classes de déchets : bouteille en verre, carton et canette en aluminium, en utilisant des données dont nous disposons et en les enrichissant de données extraites de bases de données open source (i.e. ImageNet)

Résultat ?

Une fois les données renvoyées vers le serveur, Lixo détecte les déchets en temps réel.

Puis, pour permettre une meilleure visualisation des données , nous avons créé une simple interface sur Tableau Public, permettant de cartographier les déchets détectés et de “jouer” avec les paramètres.

Lien vers le dashboard web

Conclusion : une suite d’outils clé en main très accessibles

En quelques heures et quelques vols, il est possible de mettre en place un système bout en bout basique pour détecter et cartographier les déchets. Les commandes du drone, ne nécessitent quasiment aucun développement (les tutoriaux d’IBM sont suffisant pour automatiser le vol) ; en revanche, certaines limites hardware apparaissent assez rapidement : lorsqu’on éloigne le drone de plus de quelques dizaines de mètres du repeater, le flux vidéo se pixelise et des coupures surviennent car ce type de drone reste initialement dédié au loisir.

Lixo : la suite !

Quant à la brique de détection de déchets, c’est ce que nous nous attelons à développer au sein de Lixo, en collaboration avec tous les acteurs de la chaîne : collectivités publics, collecteurs, centres de tri, recycleurs.

Pour en savoir plus, contactez-nous à marjorie@lixo.tech ou olivier@lixo.tech !

Ressources :

Artificial Intelligence for Environment

Artificial Intelligence for Environment