Académique Documents
Professionnel Documents
Culture Documents
INTRODUCTION......................................................................................................................... 5
I. TESTS ................................................................................................................................ 23
II. DEPLOIEMENT............................................................................................................... 32
CONCLUSION ........................................................................................................................... 34
ANNEXE ...................................................................................................................................... 35
1
LISTE DES ABREVIATIONS
CNN : Réseaux de neurones convolutifs
IA : Intelligence Artificielle
2
LISTE DES FIGURES
Figure 1 : Analyse SA-RT de l’application du système de contrôle de tri d’ordures : Diagramme
de contexte. ................................................................................................................................... 11
3
Figure 23 : Schéma de montage de test du servomoteur .............................................................. 29
4
INTRODUCTION
Dans le cadre des travaux pratiques sur les systèmes embarqués, nous avons été appelés à
nous constituer en groupes pour mettre en place un système répondant à un problème concret afin
de renforcer nos notions théoriques acquises en cours magistraux. Pour ce faire, nous avons choisi
de sur la conception une poubelle intelligente capable d’effectuer le tri des déchets en plastique de
ceux biodégradables. Ce projet nous permettra de lier les préoccupations actuelles en matière de
développement durable et de changement climatique aux avancées des systèmes embarqués, de
plus en plus essentiels dans l’industrie actuelle ; ce qui souligne l’importance croissante que prend
des systèmes embarqués tant dans les processus d’automatisation que dans la vie quotidienne.
Suivant les étapes de développement de notre système embarqué de l’analyse à son déploiement,
en passant par la conception, afin de mieux comprendre l’architecture des systèmes embarqués,
leur spécification et leur mise en œuvre par les méthodes SART et Grafcet.
5
PARTIE I : PRESENTATION DU PROJET
I. CONTEXTE ET JUSTIFICATION
Au Cameroun, la gestion des déchets représente un défi crucial, avec les villes principales
telles que Douala et Yaoundé aux prises avec des rues encombrées de détritus. Greenpeace met en
lumière cette problématique, soulignant le potentiel inexploité des déchets, les qualifiant de "mine
d’or qui salit nos rues". En effet, les déchets peuvent être considérés comme de précieuses
ressources en ce sens qu’elles peuvent contenir des matériaux recyclables, tels que le plastique
pouvant être collectés et réutilisés pour fabriquer de nouveaux produits. Cependant, lorsque les
déchets s’accumulent de manière excessive, cela entraîne une pollution visuelle et
environnementale notamment en contaminant les ressources en eau, en plus de représenter un
risque pour la santé publique, ayant un impact sur la biodiversité et les écosystèmes locaux, ainsi
que de perturber les activités économiques, notamment le tourisme en raison de la dégradation du
patrimoine naturel. Il devient donc impératif de mettre en place une gestion adéquate des déchets
pour exploiter leur potentiel de valeur et réduire l’impact néfaste sur l’environnement.
- L’absence des bacs à ordures spécialisés pour le tri des différents types d’ordures dans les
domiciles, bureaux, rues, etc ;
6
- Insuffisance de sensibilisation de la population sur l’importance du tri, de la gestion
responsable, de la collecte et du recyclage des ordures.
- La pollution de nos rues qui entraine des conséquences néfastes pour la santé, biodiversité
et les écosystèmes locaux ;
- La complexité dans le nettoyage, le tri et le traitement des ordures au niveau des entreprises
de collecte.
L'analyse des objectifs est une approche structurée qui permet de décrire la situation future
qui sera atteinte une fois que les problèmes identifiés auront été résolus. Cette analyse comprend
un objectif global ainsi que des objectifs spécifiques. Cela dit, au vu de l’analyse du problème que
nous avons effectuée ci-dessus, nous nous fixons comme objectif général de proposer une solution
permettant d’effectuer le tri des ordures au moyen d’une poubelle intelligente depuis les domiciles,
les bureaux, les rues, facilitant ainsi la collecte des ordures. En considérant le problème principal
mentionné précédemment, les buts spécifiques qui en découlent sont :
- Réduire considérablement la pollution par une collecte des ordures beaucoup plus proche
des populations ;
- Faciliter la collecte des ordures en notifiant le service responsable quand le nettoyage est
nécessaire ;
- Réduire la complexité du tri et le traitement de grandes quantités d’ordures.
7
PARTIE II : ANALYSE ET CONCEPTION
Notre système de poubelle intelligente, capable d’effectuer le tri des déchets plastiques de
ceux biodégradables, vise à améliorer la gestion des déchets, une mesure cruciale pour réduire la
pollution environnementale, promouvoir la santé publique et encourager une participation active
des populations dans le processus de gestion et collecte des déchets.
Dès l’approche d’une personne de la poubelle, détectée à moins de 1,5 m par un capteur
ultrason, cette dernière s’ouvre automatiquement grâce à un servomoteur accompagné d’une alerte
sonore d’un buzzer. Elle peut alors jeter un déchet à la fois. Une caméra (ESP 32-CAM), activée
dès l’ouverture de la poubelle, capture une image du déchet. Un modèle d’intelligence artificiel
entraîné permet le traitement de l’image pour identifier la nature du déchet. En fonction de cette
identification, un bras robotique guidé par un servomoteur dirige le déchet vers le bac approprié.
Une fois que le déchet tombe dans le bac, une LED correspondante s’allume pour indiquer
à l’utilisateur que l’action “jeter l’ordure” a été bien effectuée. La fermeture de la poubelle est
déclenchée lorsque la personne s’éloigne, c’est-à-dire que le capteur ultrason ne détecte plus sa
présence à moins de 1,5 m. Le niveau de déchet est évalué par un autre capteur ultrason qui mesure
la distance entre le point culminant des déchets et le dit capteur, soit le niveau consigne de 10 cm.
L’acquisition du niveau de déchet se fait à chaque fermeture de la poubelle.
- Diagramme de contexte ;
8
- Diagramme préliminaire.
II. ANALYSE
L'aspect traitement de signal est mis en évidence à plusieurs niveaux dans notre projet.
Lors de l’approche d’un utilisateur, un signal est envoyé au système de commande pour déclencher
l’ouverture automatique de la poubelle. Dans le capteur ultrason, l’aspect traitement de signal
réside dans la conversion des signaux ultrasoniques en données utilisable pour détecter la présence
d’une personne. Après l’émission d’une impulsion ultrasonique, le capteur reçoit l’écho réfléchi
par les objets environnants. Ces signaux sont ensuite convertis en signaux analogiques ou
numériques exploitables. Le traitement de signal, ici, inclue l’amplification du signal reçu pour
améliorer sa qualité, la filtration pour éliminer les bruits indésirables, la conversion analogique-
numérique pour numériser le signal, et éventuellement un algorithme de traitement pour interpréter
les données et détecter la présence d’une personne.
En outre, le traitement de signal s’effectue également dans le module GSM. Cela concerne
principalement la conversion des signaux radiofréquences (RF) en données numériques et vice
versa. Quelques aspects sont :
Seront en annexe de ce rapport, dans un fichier texte, les codes de ces traitements de signal.
9
II.2. Diagramme de Contexte
Dans le cadre de notre projet qui se résume en la conception et la mise en œuvre d’un
système de contrôle de tri d’ordures, le diagramme de contexte comprend un processus fonctionnel
numéroté 0 nommé « contrôle de tri d’ordures », ainsi que neuf bords de modèles. Ces bords de
modèles, qu’ils agissent en tant que capteur ou actionneur, fournissent ou consomment les données
ou évènements de notre application. Il s’agit de :
En outre, nous avons huit flots de données dont trois flots sortants (distance_personne,
niveau_ordure, Demande_de_trier) et six flots sortants (Commande_ouverture,
Commande_de_trier, Sonnerie_ouverture, Sonnerie_bac_plein, affichage_dépot_ordure,
Commande_vidange).
10
Figure 1 : Analyse SA-RT de l’application du système de contrôle de tri d’ordures : Diagramme de contexte.
Dans le cas de ces trois chaînes, la décomposition suit celle générique : acquisition de
données, traitement de ces donnée et commandes. Pour améliorer la lisibilité du diagramme, nous
avons utilisé trois unités de stockage de données complexes, dans le sens où elles peuvent intégrer
un ensemble ou groupe de données. Deux unités de stockage renfermant la distance de
déclenchement de l’ouverture de la poubelle (distance_consignée), le niveau de référence des
ordures (niveau_consigné) ; sont utilisées pour la mémorisation de ces constantes. Tandis que
l’une d’elle contient le modèle d’intelligence artificiel entraîné pour identifier la nature du déchet.
Les commandes telles que Afficher état poubelle, Envoyer SMS pour niveau_ordure, Sonner
buzzer et Ouvrir poubelle pour distance_personne, Acheminer ordure et Allumer LED pour
11
traitement et gestion des ordures ; indiquent respectivement si la poubelle est pleine, si une
présence a été détectée, ou si la nature du déchet a été identifiée.
Le processus fonctionnel de base est lié aux autres par différents évènements notamment
Trigger (T) pour déclenchement, Enable (E) pour activation et Disable (D) pour désactivation.
Figure 2 : Analyse SA-RT de l’application du système de contrôle de tri d’ordures : Diagramme préliminaire
III. CONCEPTION
Dans cette section, nous allons représenter graphiquement notre système automatisé, en
utilisant le GRAFCET, un outil permettant d'exprimer les différentes évolutions séquentielles du
système.
12
Figure 3 : Étapes de conception du modèle intelligent
Analyse
Après l’analyse faite ci-dessus, on va passer en revue toutes les étapes jusqu'à l'évaluation
interprétation.
Pour garantir le succès du projet de tri, il est crucial de collecter des données pertinentes et
de qualité. La collecte de données est une étape essentielle pour entraîner et développer des
modèles d'intelligence artificielle performants. Dans le contexte où les sources de données locales
n'ont pas été identifiées, on a commencé par une collecte des données plastique dans notre
entourage, ensuite une alternative consistant à se tourner vers internet pour collecter les données a
été nécessaire. Plus précisément, on a exploré des sites web spécialisés dans le partage de données
d'images, tels que Kaggle et ImageNet. Ces plateformes en ligne offrent une variété de jeux de
données contenant des images de plastiques de toutes nature.
13
Après avoir collecté les données, il suit l’étape de vérification de ces données et son
organisation.
Exploration
L'exploration fait référence à l'étape où l'on analyse et explore les données collectées pour
en tirer des informations pertinentes. C'est une phase cruciale qui permet de comprendre les
14
caractéristiques des données, d'identifier les schémas, les tendances et les relations entre les
variables. Avant d'entraîner le modèle d'IA, il est souvent nécessaire de prétraiter les données pour
les rendre exploitables. Cela peut inclure des étapes au préalable telles que le nettoyage des
données en éliminant les valeurs manquantes ou aberrantes, la normalisation des valeurs, la
réduction de dimension ou encore l'augmentation des images. L’augmentation effectue des
transformations sur nos images existantes pour créer de nouvelles variations et augmenter le
nombre d’images dans votre ensemble de données. Cela rend finalement les modèles plus précis
dans un plus large éventail de cas d’utilisation.
Modélisation
15
Figure 5 : Entrainement du modèle sur Google Colab
Evaluation et Interprétation
Une fois le modèle optimisé, il est évalué sur des ensembles de données indépendants pour
mesurer sa capacité à généraliser sur de nouvelles données. Cette évaluation permet de déterminer
l'efficacité et la robustesse du modèle.
16
Figure 6 : Evolution des pertes
Les graphiques présentés illustrent l'évolution des pertes pendant la phase d'entraînement
du modèle. Ces pertes, représentant la différence entre les prédictions du modèle et les valeurs
réelles, diminuent progressivement au fil des itérations. Cette décroissance des pertes témoigne
d'une amélioration continue de la performance du modèle au fur et à mesure de son entraînement.
Une diminution des pertes indique que le modèle ajuste ses poids et ses paramètres de manière à
se rapprocher davantage des résultats attendus. Ainsi, plus les pertes diminuent, plus le modèle
devient précis et performant dans ses prédictions. Cette observation encourageante confirme que
le modèle en cours d'entraînement est en bonne voie pour atteindre une performance optimale.
Mise en production
La mise en production dans le contexte d'un projet d'intelligence artificielle fait référence
à la phase où le système est déployé et utilisé dans un environnement réel. C'est l'étape finale du
développement où le modèle ou l'application est prête à être utilisée de manière opérationnelle.
Voici les principaux aspects de la mise en production :
Tests et validation
Avant de mettre le système en production, il est essentiel de réaliser des tests approfondis
pour s'assurer de son bon fonctionnement. Cela peut inclure des tests de performance, des tests de
17
charge, des tests de robustesse et des validations par rapport aux critères de performance et de
précision définis. Après l'entraînement du modèle, comme indiqué dans l'image ci-dessous, la
détection est maintenant fonctionnelle avec un taux de précision atteignant jusqu'à 89%.
Cependant, pour améliorer davantage ce taux, plusieurs approches peuvent être envisagées, telles
que l'augmentation de la quantité et de la diversité des données d'entraînement, l'optimisation des
hyper paramètres du modèle, l'exploration d'autres architectures de modèles.
18
Figure 8 : Test numéro 2 du modèle
Ces deux figures ont été capturées par une vidéo et on constate que les objets plastiques
sont effectivement détectés. Néanmoins pour des raisons techniques le modèle n’a pas pu être
déployé sur notre système embarqué dans les délais.
III.2. GRAFCET
Avant la mise en œuvre du GRAFCET, il est très important de mettre sur pied un schéma
pour décrire notre système de commande. Ce schéma est présenté ci-dessous, accompagné des
spécifications des entrées et des sorties de notre système.
19
Figure 9 : Système de commande de tri des ordures
20
Sont consignés dans un tableau sous forme de dictionnaire en annexe, les différentes
données et ce à quoi elles réfèrent.
//Initialisation
X1=1
X2=X3=X4=X5=X6=X7=X8=X9=X10=X11=0
//Equations algébriques
CC1=X1.Pr_detecte
CC2=X2.Plastique
CC3=X2. nonPlastique
CC4=X3
CC5=X4
CC6=X5. nonPr_detecte
CC7=X6. nonPr_detecte
CC8=X7.ultrason2
CC9=X7. nonultrason2
CC10=X8
CC11=X9
//calcul du nouvel état
X1=X1. nonCC1+CC10+CC11
X2=CC1+X2( nonCC2. nonCC3)
X3=CC2+X3. nonCC4
X4=CC3+X4. nonCC5
X5=CC4+X5. nonCC6
X6=CC5+X6. nonCC7
X7=CC6+CC7+X7( nonCC8 . nonCC9 )
X8=CC8+X8. nonCC10
X9=CC9+X9. nonCC11
//calcul des sorties
SM1H.Bz1.Cam_Act=X2
SM2G=X3
21
SM2D=X4
LED2=X5
LED1=X6
SM1B=X7
GSM.Bz2=X8
Afin de réaliser notre projet, nous avons avant tout fait la maquette électronique ci-dessous
à l’aide du logiciel ISIS Proteus :
22
PARTIE III : TESTS ET DEPLOIEMENT
I. TESTS
Nous avons réalisé des tests des composants matériels avant le montage du prototype. Les
composants dont nous avons eu besoin sont :
- Deux servomoteurs ;
- Deux capteurs ultrason HCSR04 ;
- Deux Leds, une verte et une bleue ;
- Deux buzzers ;
- Un module GSM SIM 808 ;
- La carte Arduino UNO ;
- Des supports et des fils ;
- ESP 32 Cam et son programmeur.
I.1. Description
La carte Arduino UNO est une carte basée sur l’ATMEGA328 dont le fonctionnement est
régi par les composants de la carte. Il suffit de connecter la carte à un ordinateur à l’aide d’un câble
USB.
23
Figure 12 : La carte Arduino UNO
Source : MansourAmine[1].pdf
Servomoteur
Figure 13 : Un servomoteur
Source : https://docs.arduino.cc/
Capteur à ultrasons
24
en émettant et en recevant des ondes ultrasoniques, ensuite converties en valeurs de tension ou
transmises via le protocole IO-Link.
Source : https://docs.arduino.cc/
Buzzer
Figure 15 : Buzzer
Source : https://docs.arduino.cc/
Module GSM
Le module GSM permet à une carte Arduino de se connecter à internet, effectuer et recevoir
des appels, envoyer et recevoir des messages SMS.
25
Figure 16 : Module GSM SIM 808
Source : https://www.tinkercad.com/things/9IzFKq2etZ6-module-gsm-sim800l
Led
Figure 17 : LED
Source : MansourAmine[1].pdf
ESP 32 Cam sert de caméra et de serveur web pour connecter le modèle d’intelligence
artificielle à la carte Arduino. Son programmeur associé sert pour programmer la carte ESP.
26
Figure 18 : Programmeur ESP 32 Cam et caméra ESP 32
I.2. Tests
27
Figure 20 : Schéma du montage de test du module (buzzer-LED)
Test du servomoteur
28
Figure 22 : Schéma de montage de test du servomoteur
29
#include <DFRobot_SIM808.h>
#define CONNECT_BY_JUMPER 1
#if CONNECT_BY_JUMPER
#define PIN_TX 2
#define PIN_RX 3
DFRobot_SIM808 sim808(&mySerial);
#elif defined(ARDUINO_AVR_LEONARDO)
DFRobot_SIM808 sim808(&Serial1);
#else
DFRobot_SIM808 sim808(&Serial);
#endif
void setup() {
#if CONNECT_BY_JUMPER
mySerial.begin(9600);
#elif defined(ARDUINO_AVR_LEONARDO)
Serial1.begin(9600);
#endif
30
Serial.begin(9600);
while(!sim808.init()) {
delay(1000);
void loop() {
31
Figure 25 : Résultat du test
II. DEPLOIEMENT
32
Figure 26 : Le prototype
33
CONCLUSION
En conclusion, notre projet de conception et réalisation d’un système de contrôle de tri de
déchets au moyen d'une poubelle intelligente se présente comme une solution innovante et
nécessaire dans le contexte actuel de promotion du développement durable, de protection de
l’environnement contre le réchauffement climatique et de gestion de déchets ; combinant des
technologies telles que les capteurs ultrasons, les servomoteurs et le module GSM. Nous avons
adopté une approche méthodique allant de l’analyse fonctionnelle à la conception et à
l’implémentation pratique en utilisant des outils tels que le Grafcet pour attendre les objectifs du
projet. Intégrant des principes de traitement de signal, de contrôle-commande et d’intelligence
artificielle, ce projet illustre l’importance de la collaboration entre différentes disciplines
technologiques pour résoudre des problèmes concrets. Ainsi, nous avons pu par ce projet,
appliquer nos connaissances théoriques à un projet pratique, tout en sensibilisant à l’importance
d’une gestion efficace des déchets dans la préservation de notre environnement.
34
ANNEXE
35
fermeture de la
poubelle
36
verte quand une
ordure plastique est
jetée dans le bac
Dictionnaire de données
37
BIBLIOGRAPHIE ET WEBOGRAPHIE
BIBLIOGRAPHIE
[3] Christophe Brunschweiler, Architecture des systèmes embarqués, , ESTI année 2015-2016.
SITES INTERNET
[4] (http://dspace.univmsila.dz , visité le 17/03/2024 à 19h05)
[7] (https://biblus.accasoftware.com/fr/intelligence-artificielle-en-architecture-8-exemples
dapplication/ , visité le 03/03/2024 à 02h11)
[8] (https://openclassrooms.com/fr/courses/6417031-objectif-ia-initiez-vous-a-lintelligence
artificielle/6823496-abordez-les-etapes-dun-projet-dintelligence-artificielle, visité le
03/03/2024 à 06h19)
[9] (https://towardsdatascience.com/increase-your-face-recognition-models-accuracy-by-
improving-face-contrast-a3e71bb6b9fb, visité le 05/03/2024 à 07h01)
38
TABLE DES MATIERES
LISTE DES ABREVIATIONS .................................................................................................... 2
INTRODUCTION......................................................................................................................... 5
I. TESTS ................................................................................................................................ 23
I.1. Description................................................................................................................... 23
II. DEPLOIEMENT............................................................................................................... 32
39
CONCLUSION ........................................................................................................................... 34
ANNEXE ...................................................................................................................................... 35
40