X

Retrouvez toute l'actualité autour des technologies émergentes et leur impact sur le marché et la société.

Les drones et l'IA face au problème des déchets dans la Baie de San Francisco

river

Depuis que le chimiste industriel Leo Baekeland a commencé à synthétiser du phénol et du formaldéhyde en 1907, le monde a développé une relation « je t’aime moi non plus » avec le polymère qui en résulte : le plastique.

Bien que le plastique soit pratique, durable et bon marché, 50 % de tous les plastiques (environ 150 millions de tonnes par an dans le monde) ne sont utilisés qu'une seule fois et sont ensuite jetés. Même pour ceux qui recyclent consciencieusement leurs bouteilles d'eau et leurs sacs à sandwich en plastique, ils ne s’attaquent qu'à une petite partie du problème. En effet, les vents violents et la pluie entraînent d'énormes quantités de déchets de plastique dans les rues des villes et dans le système d'eaux pluviales. De là, ils se déversent directement dans les ruisseaux, les rivières, les baies et éventuellement, dans l'océan, sans aucun traitement pour filtrer les plastiques.

« Compte tenu de l'ampleur du problème, l'infrastructure en place pour capter et traiter les eaux pluviales est relativement limitée », explique Tony Hale, directeur du programme d'informatique environnementale à l'Institut de l'Estuaire de San Francisco (SFEI), un organisme à but non-lucratif.

C'est ici que le SFEI mettre en application les résultats de la recherche et des données - et plus récemment, les drones - pour faire la différence.

En plus d'envoyer des équipes de personnes sur place pour compter et ramasser les déchets dans les cours d'eau locaux, le SFEI a commencé à utiliser des drones équipés de caméras pour évaluer ces déchets à une échelle beaucoup plus importante.

« La plupart des équipes au sol, qui travaillent pour les programmes de gestion des eaux pluviales, contrôlent les déchets une fois par an, deux fois si nous sommes chanceux », selon M. Hale. « Donc, ce que nous pouvons apprendre sur les déchets et leur impact sur les communautés est limité par le nombre de personnes que nous pouvons nous permettre d'y envoyer. »

Grâce à la photographie par drone, « nous pouvons suivre tous les déchets d'un ruisseau, d'une rivière ou d'un ruisseau, examiner leur répartition, puis appliquer des algorithmes d'apprentissage automatique pour analyser ces images aussi souvent que nous le voulons », explique M. Hale.

La recherche sur les drones fait partie d'un nouveau projet de la SFEI et de son organisation sœur, le Southern California Coastal Water Research Project, financé par le Conseil de protection des océans. Il vise à valider les méthodes de surveillance des déchets et à produire un manuel de surveillance des déchets. Les groupes de nettoyage communautaires, les programmes municipaux, les organismes environnementaux et les écologistes pourront s'en inspirer et pourront les utiliser. Ce projet étudie des initiatives telles que l'interdiction des sacs de plastique dans les jardins pluviaux urbains.

« Notre mission est d'aider les urbanistes à trouver les meilleures façons de filtrer leurs eaux pluviales et d'empêcher les contaminants comme les déchets et les plastiques de pénétrer dans leurs terres humides protégées et leurs cours d'eau publics », explique M. Hale.

Forest

Équipe de nettoyage efficace grâce au Deep-learning

En envoyant des drones au-dessus de la baie de San Francisco et des affluents voisins, le SFEI a recueilli pas moins de 35 000 images lors de sa première incursion.

« Couvrir tant de terrain si rapidement était incroyable », se souvient Hale. Mais son excitation s'est vite dissipée car analyser tant de données dans un laps de temps limité était difficilement réalisable : « Il nous a fallu presque un mois pour traiter ces images. » En utilisant 2 000 annotations pour décrire diverses particules de déchets, M. Hale et son équipe ont créé un algorithme de Machine Learning TensorFlow en code source libre pour identifier le type, la quantité et l'emplacement de chaque particule de déchets présente sur ces 35 000 images.

Pour accélérer l'analyse, la SFEI s'est associée à Kinetica, une startup spécialisée dans l’analyse de données qui participe au programme Oracle for Startups. Elle a placé le modèle de détection des déchets de la SFEI dans un conteneur Docker, puis l'a introduit dans l'atelier « d'analyse active » de Kinetica, explique Daniel Raskin, directeur général de Kinetica. À l'aide d'une API Python, Kinetica a ensuite transmis les images en continu dans un tableau où elles pouvaient être stockées, classées et étiquetées.

« Nous ne nous contentons pas d'ingérer ces images et de les distribuer en interne sur notre plate-forme », explique Daniel Raskin. « Nous utilisons aussi le modèle de détection des déchets de la SFEI pour classer toutes les images dans notre base de données. Cela donne à la SFEI plus qu'un simple catalogue d'images géant. Le protecteur californien de la qualité de l'eau peut désormais visualiser chacune des 35 000 images en fonction de son emplacement géographique et du profil des déchets.

Au départ, Kinetica a géré le déploiement de la SFEI à partir d'un framework CPU distribué, sur sa propre infrastructure, en utilisant des Kubernetes gérés. « Il nous a fallu environ 10 jours pour exécuter l'ensemble de la simulation », explique Nick Alonso, Ingénieur solution chez Kinetica qui travaille sur le projet SFEI. Même après avoir déplacé l'application sur un serveur utilisant un seul GPU - des processeurs plus adaptés au Machine Learning - la simulation a pris la majeure partie de la semaine.

Kinetica a alors décidé d'exécuter toute la charge de travail de la SFEI sur Oracle Cloud Infrastructure, en utilisant huit GPU V100. « Nous ne parlons plus de jours pour exécuter cette simulation », dit Alonso. « Nous l’exécutons en heures, environ 18 heures et 26 minutes, pour être exact. »

Voir ou revoir

Collaboration, Startups et Grands Groupes : Découvrez le programme Oracle For Startups

Oracle Global Startup Ecosystem

Oracle Code4Girls

Be the first to comment

Comments ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.