Apprentissage actif profond combiné aux plans d'expériences pour le tri des déchets

Deep active learning integrated with experimental designs for waste categorization

• Auteur / Autrice : Carl Charloto
• Direction : Magali Claeys-bruno, Michelle Sergent
• Type : Projet de thèse
• Discipline(s) : Sciences Chimiques
• Date : Inscription en doctorat le 01/12/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École doctorale Sciences Chimiques (Marseille ; 1996-....)
• Partenaire(s) de recherche : Laboratoire : IMBE Institut Méditerranéen de Biodiversité et d'Ecologie marine et continentale

Mots clés

Mots clés libres

Apprentissage actif

Tri de déchets

Plan d'expérience

Active learning

Waste categorization

Experimental designs

Résumé

Cette recherche intègre des techniques avancées d'apprentissage automatique et de conception expérimentale pour optimiser les processus de tri des déchets. En partenariat avec Pellenc ST, une entreprise de pointe dans le domaine des technologies de tri des déchets, et l'IMBE de l'Université d'Aix-Marseille, l'étude aborde les défis rencontrés par la chimiométrie traditionnelle dans les applications de tri des déchets en temps réel. L'étude se concentre sur deux domaines clés : Apprentissage Actif Profond : En utilisant des modèles d'apprentissage profond, la recherche explore des méthodes pour réduire la charge d'annotation. Des techniques d'apprentissage actif profond sont développées, permettant à l'algorithme de sélectionner stratégiquement des échantillons pour l'annotation, assurant à la fois efficacité et précision dans l'entraînement du modèle. Intégration avec les Plans d'Expériences : La recherche intègre les stratégies d'apprentissage actif avec les principes de conception expérimentale, en particulier les Designs d'Espace Remplissant. En sélectionnant un sous-ensemble d'échantillons représentatifs, ces conceptions améliorent l'entraînement du modèle, assurant la puissance prédictive des algorithmes tout en minimisant le nombre d'échantillons annotés. Objectifs : Évaluation des Méthodes : L'étude évalue l'efficacité de l'apprentissage actif combiné aux plans d'expériences, en évaluant leur capacité à réduire les échantillons annotés tout en maintenant une grande précision prédictive. Développement de l'Apprentissage Actif Profond : De nouvelles méthodes d'apprentissage actif profond sont développées, adaptées aux données spectrales complexes inhérentes au tri des déchets. Ces techniques optimisent la sélection des échantillons, améliorant la performance et l'efficacité du modèle. Intégration des Connaissances Théoriques et Empiriques : La recherche établit un lien entre les perspectives théoriques des plans d'expériences et les apprentissages empiriques de l'apprentissage actif. Cette intégration résulte en une méthodologie robuste, garantissant l'exactitude et l'efficacité des algorithmes de tri des déchets. Importance : En améliorant les algorithmes de tri des déchets, cette recherche contribue de manière significative à l'industrie du recyclage. Les algorithmes optimisés améliorent non seulement l'efficacité, mais soutiennent également les pratiques de gestion durable des déchets. Grâce à l'intégration innovante des méthodologies d'apprentissage profond, d'apprentissage actif et de conception expérimentale, l'étude ouvre la voie à des avancées dans les technologies de tri des déchets en temps réel, répondant ainsi à des défis environnementaux cruciaux.