EP4561764B1 - Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral - Google Patents

Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral

Info

Publication number
EP4561764B1
EP4561764B1 EP23748489.4A EP23748489A EP4561764B1 EP 4561764 B1 EP4561764 B1 EP 4561764B1 EP 23748489 A EP23748489 A EP 23748489A EP 4561764 B1 EP4561764 B1 EP 4561764B1
Authority
EP
European Patent Office
Prior art keywords
hyperspectral
excavated material
sensors
hyperspectral imager
automatic processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
EP23748489.4A
Other languages
German (de)
English (en)
Other versions
EP4561764C0 (fr
EP4561764A1 (fr
Inventor
Antonin VAN EXEM
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tellux
Original Assignee
Tellux
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tellux filed Critical Tellux
Publication of EP4561764A1 publication Critical patent/EP4561764A1/fr
Application granted granted Critical
Publication of EP4561764B1 publication Critical patent/EP4561764B1/fr
Publication of EP4561764C0 publication Critical patent/EP4561764C0/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain

Definitions

  • the present invention relates to the field of recycling and recovery of excavated material and rubble from public works sites, as well as aggregates from quarries (non-secondary raw material).
  • a mobile conveyor containing scrap metal particles is imaged using a vision system to create a vision image corresponding to a synchronized location on the conveyor, and is detected using a detection system to create a detection matrix corresponding to the synchronized location.
  • This prior art detection system includes at least one array of analog proximity sensors.
  • a control system analyzes the vision image as a cell vision matrix and generates a vision vector containing vision data from the vision matrix for the particle.
  • This control system analyzes the detection matrix and generates a detection data vector containing detection data from the detection matrix for the particle.
  • the control system classifies the particle into one of at least two material classifications based on the vision data vector and the detection data vector.
  • Prior art solutions are not suitable for the automated sorting of rubble.
  • High throughput for on-site recovery of rubble from construction sites. They are adapted to the identification of the presence of one or more compounds based on re-emission, generally by fluorescence at certain wavelengths, for the purposes of analysis and overall classification of materials passing on the conveyor.
  • the present invention relates, in its most general sense, to an automatic waste treatment process having the combination of technical characteristics stated in claim 1.
  • the excavated material includes aggregates, construction and demolition waste, excavated soil, and sediment, transported on a conveyor equipped with a hyperspectral imager. Its processing takes place on a conveyor equipped with a hyperspectral imager that includes real-time comparison capabilities for comparing the imaged excavated material flow area with a database of hyperspectral signatures characteristic of undesirable constituents. These capabilities control a means of deflecting the flow to a secondary container if undesirable constituents are detected in the imaged area (8), and/or a means of deflecting the flow to another secondary container if desirable constituents are detected in the imaged area.
  • said hyperspectral imager consists of hyperspectral sensors with a sensitivity range between 100 microns and 200 nanometers.
  • the said hyperspectral imager consists of a hyperspectral camera or a multispectral camera.
  • the said hyperspectral imager consists of an assembly of sensors forming a composite multispectral sensor.
  • the hyperspectral imager consists of an assembly of sensors with a sensitivity range between 100 microns and 200 nanometers and sensors with a sensitivity range below 200 nanometers, including X-rays.
  • FIG.1 represents a schematic view of an installation according to the invention, intended to process excavated material from a public works site.
  • excavated material means mineral and/or organic materials removed from a construction site, and including, depending on the site, loose rubble from, for example, a demolition site, construction waste, excavated soil, and sediments.
  • It includes a rubble conveyor belt (1) carrying inert, recyclable rubble into a recovery skip (2), or, depending on the position of a hatch (4), into a waste bag or skip (3) intended to recover non-inert or non-recyclable waste.
  • This trapdoor (or any other form of diverting the contents of the conveyor belt) is controlled by a computer (5) running a program for processing data from a characterization cell (6).
  • This cell (6) is formed by a space surrounded by a tarpaulin (7) which reduces light disturbances to an imaged portion (8) of the rubble transported by the conveyor belt (1).
  • This cell (6) includes a hyperspectral imager (10) and optionally an excitation source (11).
  • the aim is to detect in real time the presence of contaminants (sulfate, organic pollutant) and their nature (type of rock, hardness), and/or to classify plastic objects and possibly sort them qualitatively or quantitatively according to the type of micro-plastics and/or sort materials qualitatively or quantitatively passing through the imaged portion (8) in order to control the position of the trap (4).
  • the imager (10) consists of a sensor or set of hyperspectral sensors with a sensitivity range between 100 microns and 200 nanometers. It may be a hyperspectral camera, a multispectral camera, or an assembly of sensors forming a composite multispectral sensor.
  • a laser or X-ray source and corresponding sensors can be coupled with hyperspectral imaging to enhance or complement the characterization of certain materials or pollutants.
  • a robotic probe (104) coupled with an optical fiber can be introduced into the cargo to obtain multispectral information at its core.
  • the probe (104) can also be a physicochemical sensor; for example, a thermal probe, a pH meter, a sound sensor to characterize sound signatures, or a pressure sensor.
  • it further comprises at least one three-dimensional image sensor and means for processing the signals provided by said sensor for estimating the volume of said conveyor.
  • the characterization of materials present in the content passing through the imaged area (8) can be performed by algorithmic processing or by a neural network after a supervised learning phase.
  • the predictive model is trained using a database and reference samples.
  • a first processing step involves converting raw data from the sensor into reflection data. This normalization step refers to the method that uses raw data measured on a reference material with >99% reflection (Spectralon(R)) and electronic noise data measured without an illuminant (source) to normalize the sample data between these two spectra (i.e., 0 and 100% reflection).
  • a model is generated from the prior recording of this raw reference data.
  • Raw data measured on eight reference materials (from 2% to 99% reflectivity) and electronic noise are used; a model can be trained for each combination of device parameters.
  • a second level of processing predicts the variables of interest (soil composition, presence of pollutants, and pollutant quantity) from this data. The reflection of a sample.
  • Several training databases are used: published training databases (pure spectral compound libraries, e.g., the USGS Spectral Library), data produced on artificial samples produced in the laboratory, or data produced on samples analyzed in the laboratory. If a batch of analyzed samples comes from a particular site, a model can be trained on that batch only, or that batch can be used to improve a pre-trained model based on an existing database using transfer learning.
  • Data processing is applied to imaging data.
  • Data from analyzed subsamples allows for the interpretation or refinement of an initial interpretation of core samples.
  • the model generated with spectrometer data enables real-time analyses, including analyses referenced to data from COFRAC-certified laboratories.
  • the combination of on-site imaging and spectrometry addresses both the diagnostic phase of a site and the subsequent construction phase. Selective sorting of excavated soil based on its waste classification is also possible.
  • Learning can be shared from laboratory analyses, with equipment equipped with a high-performance hyperspectral camera, to record the spectral signatures of a large number of reference samples, and provide a database accessible to a plurality of field equipment equipped with less powerful and less expensive sensors.
  • each field instrument is calibrated using reference samples whose spectral signature has been previously recorded in the database.
  • a correction function is then calculated to allow the database content to be used with equipment different from that used for the initial analysis.
  • the samples are distinguished on the one hand by the nature of the substrate, and on the other hand by the nature of the pollutants present.
  • the reference substrate can be characterized by physicochemical analyses. It can also be prepared from predetermined components to prepare substrates by assembly.
  • the spectral signature is recorded by exposing it to illumination from a light source, such as a xenon lamp.
  • a light source such as a xenon lamp.
  • the reflected light and the light emitted by photoluminescence are captured in a wavelength range from thermal infrared to ultraviolet UVC.
  • the data are recorded for each sample along with a reference sample identifier and the physicochemical characteristics.
  • spectral acquisition of the imaged area (8) is carried out first, then a (sub-)sample (or several) is extracted for physicochemical analysis.
  • the loads consist of deconstruction materials from a demolition site.
  • the sensors make it possible to verify the nature of the waste and debris and its classification in relation to the standards for landfilling, reuse or recycling (sulfate content, bituminous coating content, etc.).
  • This variant also concerns the verification of loads presented at the entrance to a waste recovery site, to ensure the load conforms to the type of excavated material authorized. Rubble, secondary raw materials, sediments, and excavated soil can be inspected and sorted after transport in truck or barge containers.

Landscapes

  • Processing Of Solid Wastes (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Description

    Domaine de l'invention
  • La présente invention concerne le domaine du recyclage et de la valorisation des déblais et gravas provenant des chantiers de travaux publics, ainsi que les granulats de carrières (Matière première non secondaire).
  • En France les déchets issus du BTP représentent un gisement de près de 250 millions de tonnes par an, soit 10 fois plus que les déchets ménagers. EN 2015, seulement 40% de ces déchets étaient recyclés et valorisés alors que la programmation de la loi sur la transition énergétique et environnementale fixe un taux de valorisation de 70% à l'horizon 2020.
  • Si les grandes entreprises du secteur s'organisent, les artisans du bâtiment, soumis aux mêmes lois, ont de la peine à trouver des solutions. La majorité de leurs déchets de chantiers finissent enfouis sans être valorisés.
  • La caractérisation rapide des différentes formes de déchets en temps réel est une opération complexe compte tenu de la volumétrie importante des déblais, et il est difficile de déterminer objectivement et rigoureuse la présence de :
    • Déchets inertes (pierres, terre et matériaux de terrassement, plâtre, céramique, matériaux de démolition non mélangés...) : les déchets inertes sont des déchets stables dans le temps, qui ne se décomposent pas, ne brûlent pas, ne produisent aucune réaction chimique, physique ou biologique durant leur stockage. Ils sont issus de la fin de vie de produits naturels (pierres, terres, sables) ou de produits manufacturés (béton, céramique, brique, verre) et de sédiment ou de terres excavées non contaminées.
    • Déchets non dangereux ou DIB - (bois, plastiques, métaux, quincaillerie...) sont des déchets produits par différents types d'industries (dont celle du bâtiment) de commerce et de services. Ils ne présentent pas de caractère dangereux ou toxique mais ils ne peuvent pas être considérés comme inertes. Ce sont soit des déchets mono-matériaux (le bois non traité, les différents métaux, le plâtre, le bitume...), soit des matériaux composites, des produits associés à du plâtre (complexes d'isolations par exemple), des matériaux fibreux (attention au cas particulier de l'amiante), du verre traité, des matières plastiques. Les déchets d'emballage appartiennent à cette catégorie de déchets et les sédiments ou les terres excavées contaminées.
    • Déchets non inertes devant faire l'objet de traitements spécifiques et qui ne peuvent être mélangés aux déchets inertes : (peintures, bois traités avec des oxydes de métaux lourds, amiante friable, hydrocarbures...) : ces déchets sont des déchets qui contiennent des substances toxiques et nécessitent des traitements spécifiques lors de leur élimination. On y trouve par exemple le bois traité, les peintures, solvants et vernis, les produits chimiques de traitement (antioxydant, fongicides, abrasifs, détergents..) mais aussi l'amiante, les produits électriques/électroniques du bâtiment et les sédiments ou les terres excavées fortement contaminées.
  • Le projet RECYBETON a produit un rapport « Thème 1 Technologie de tri sélectif des granulats béton concassé » Auteur : C. DEBOFFE - NEO ECO R/15/RECY/027 LC/13/RECY/31 Septembre 2015 présentant les principes généraux de tris de déchets BTP.
  • L'ADEME a aussi présente un rapport intitulé « ETAT DE L'ART DES TECHNOLOGIES
  • D'IDENTIFICATION ET DE TRI DES DECHETS » présentant différentes technologies de tri (https://www.ademe.fr/sites/default/files/assets/documents/87753_rapport-ajeurope-tec hnologies-de-tri.pdf).
    • Etat de la technique
  • On connaît dans l'état de la technique la demande de brevet US2019299255 décrivant un système et un procédé de tri de particules de ferraille. Un transporteur mobile contenant des particules de ferraille fait l'objet d'une capture d'images à l'aide d'un système de vision en vue de créer une image de vision correspondant à un emplacement synchronisé du transporteur, et est détecté à l'aide d'un système de détection pour créer une matrice de détection correspondant à l'emplacement synchronisé. Ce système de détection de l'art antérieur comprend au moins un réseau de capteurs de proximité analogiques. Un système de commande analyse l'image de vision en tant que matrice de vision de cellules, et génère un vecteur de vision contenant des données de vision à partir de la matrice de vision pour la particule. Ce système de commande analyse la matrice de détection et génère un vecteur de données de détection contenant des données de détection provenant de la matrice de détection pour la particule. Le système de commande classifie la particule en l'une d'au moins deux classifications d'un matériau en fonction du vecteur de données de vision et du vecteur de données de détection.
    • Inconvénients de l'art antérieur
  • Les solutions de l'art antérieur ne sont pas adaptées à du tri automatique de gravats à haut débit pour la valorisation sur site de gravas issus de chantiers de BTP. Elles sont adaptées à l'identification de la présence d'un ou de plusieurs composés en fonction de la réémission généralement par fluorescence dans certaines longueurs d'onde à des fins d'analyse et de classification globale des matériaux défilant sur le convoyeur.
    • Solution apportée par l'invention
  • Afin de remédier à ces inconvénients la présente invention concerne selon son acception la plus générale un procédé de traitement automatique de déblais présentant la combinaison de caractéristiques techniques énoncées par la revendication 1.
  • Les déblais sont notamment des déblais en forme de granulats, déchets du BTP, déblais, terre excavée et sédiment, sur convoyeur équipé d'un imageur hyperspectral. Leur traitement intervient sur un convoyeur équipé d'un imageur hyperspectral comportant des moyens de comparaison en temps réel de la zone du flux de déblais imagée avec une base de signatures hyperspectrales caractéristiques des constituants indésirables, lesdits moyens commandant un moyen de déflexion du flux vers un conteneur secondaire en cas de détection de constituants indésirables dans ladite zone imagée (8) et/ou un moyen de déflexion du flux vers un autre conteneur secondaire en cas de détection de constituants désirables dans ladite zone imagée.
  • Avantageusement, ledit imageur hyperspectral est constitué de capteurs hyperspectraux présentant une plage de sensibilité comprise entre 100 microns et 200 nanomètres.
  • Selon une variante, ledit imageur hyperspectral est constitué d'une caméra hyperspectrale ou d'une caméra multispectrale.
  • Selon une autre variante, ledit imageur hyperspectral est constitué d'un assemblage de capteurs formant un capteur multispectrale composite.
  • Selon une autre variante, ledit imageur hyperspectral est constitué d'un assemblage de capteurs présentant une plage de sensibilité comprise entre 100 microns et 200 nanomètres et de capteurs présentant une plage de sensibilité inférieure à 200 nanomètres, notamment de rayon X.
  • Selon un mode de réalisation particulier, l'analyse hyperspectrale de la réflexion et/ ou de la photoluminescence est réalisée avec un premier équipement par l'éclairage de la portion imagée par une source d'excitation de la fluorescence et par au moins un capteur spectral sensible sur un spectre allant de l'infrarouge thermique à l'ultraviolet, caractérisé en ce qu'il comporte :
    • une séquence d'apprentissage consistant à procéder à l'analyse d'une pluralité d'échantillons de référence, et d'enregistrement dans une base de données d'apprentissage
      • a) de la signature spectrale de réflexion acquise par l'analyse spectrale
      • b) des valeurs connues des variables représentatives des contaminants présents dans chacun desdits échantillons de référence
      • c) des valeurs connues des variables représentatives des substrats de chacun desdits échantillons de référence
    • une séquence de calibration d'un équipement d'analyse sur le terrain par rapport audit premier équipement, ledit équipement de terrain comportant une source lumineuse et un capteur spectral,
    • des séquences d'analyse d'un échantillon du sol d'un site géologique consistant à acquérir la signature de réflexion et/ou de la photoluminescence dudit échantillon à l'aide dudit équipement de terrain ainsi calibré,
    • et à procéder à l'estimation de la caractérisation des polluants par traitement de ladite signature par un moteur d'apprentissage exploitant les données de la base de données constituée lors de la séquence d'apprentissage.
    Description détaillée d'un exemple non limitatif de réalisation de l'invention
  • La présente invention sera décrite de manière plus détaillée en référence à des exemples non limitatifs de réalisation précisant les avantages et considérations susmentionnées. Une description plus particulière de l'invention est brièvement décrite ci-dessous en référence aux dessins annexés où :
    [Fig.1] la [Fig.1] représente une vue schématique d'une installation de tri selon l'invention.
    • Principe général
  • La [Fig.1] représente une vue schématique d'une installation selon l'invention, destinée à traiter des déblais provenant d'un chantier de travaux publics.
  • On entend au sens du présent brevet par « déblais » les éléments minéraux et/ou organiques retirés d'un chantier de travaux, et comprenant selon les chantiers des gravats en vrac provenant par exemple d'un chantier de démolition, des déchets du BTP, des déblais, de la terre excavée et des sédiments.
  • Il comprend un convoyeur à gravats à bande (1) entraînant les gravats inertes valorisables dans une benne de récupération (2), ou, selon la position d'une trappe (4), vers un sac à déchets ou une benne (3) destinée à récupérer les déchets non-inertes ou non valorisables.
  • Cette trappe (ou toute autre forme d'aiguillage du contenu du tapis) est pilotée par un ordinateur (5) exécutant un programme d'exploitation des données provenant d'une cellule de caractérisation (6).
  • Cette cellule (6) est formée par un espace entouré par une bâche (7) permettant de réduire les perturbations lumineuses d'une portion imagée (8) des gravats transportés par le tapis (1). Cette cellule (6) comporte un imageur hyperspectral (10) et optionnellement une source d'excitation (11).
  • Le but est de détecter en temps réel la présence de contaminants (sulfate, polluant organique) et la nature (type de roche, dureté), et/ou pour classer des objets en plastique et éventuellement les trier de manière qualitative ou quantitative selon le type de micro- plastiques et/ou trier des matériaux de manière qualitative ou quantitative défilant dans la portion imagée (8) afin de commander la position de la trappe (4).
  • L'imageur (10) est constitué par un capteur ou un ensemble de capteurs hyperspectraux présentant une plage de sensibilité comprise entre 100 microns et 200 nanomètres. Il peut s'agit d'une caméra hyperspectrale, ou d'une caméra multispectrale, ou d'un assemblage de capteurs formant un capteur multispectrale composite.
    • Sondes ou capteurs additionnels
  • Éventuellement, une source laser ou de rayon X et des capteurs correspondants peuvent être couplées à l'imagerie hyperspectrale pour renforcer ou compléter la caractérisation de certains matériaux ou polluants.
  • Éventuellement, une sonde robotisée (104) couplée à une fibre optique peut être introduite dans le chargement pour obtenir une information multispectrale au cœur du chargement. La sonde (104) peut aussi être constituée par un capteur physicochimique ; par exemple une sonde thermique, ou un pHmètre, voire un capteur sonore pour caractériser les signatures sonores, ou encore un capteur de pression.
  • Selon une autre variante, il comporte en outre au moins un capteur d'image tridimensionnel et des moyens pour le traitement des signaux fournis par ledit capteur pour l'estimation du volume dudit convoyeur.
    • Variante de traitement à partir d'une base d'apprentissage
  • La caractérisation des matériaux présents dans le contenu passant dans la zone imagée (8) peut être exécuté par un traitement algorithmique ou par un réseau de neurones après une étape d'apprentissage supervisé. L'entraînement du modèle prédictif est réalisé à partir d'une base de données et d'échantillons de référence. Un premier modèle de traitement consiste à convertir des données brutes issues du capteur en réflexion. Cette étape de normalisation fait référence à la méthode qui utilise les données brutes mesurées sur un matériel de référence de réflexion >99% (Spectralon(R)) et des données de bruit électronique mesurées sans illuminant (source) pour normer les données des échantillons entre ces deux spectres (i.e. 0 et 100% de réflexion).
  • Afin de supprimer ces mesures en amont de l'acquisitions, un modèle est généré à partir de l'enregistrement préalable de ces données brutes de référence. Des données brutes mesurées sur 8 matériels de référence (de 2% à 99% de réflexion) et le bruit électronique sont utilisés, un modèle peut être entrainé pour chaque combinaison de paramètres d'un appareil. Un deuxième niveau de traitement prédit les variables d'intérêt (composition du sol, présence de polluants et quantité de polluant) à partir de la réflexion d'un échantillon. Plusieurs bases de données d'entrainement sont utilisées : des bases d'entrainement publiées (librairie spectrale de composés pure, ex : USGS Spectral Library), des données produites sur des échantillons artificiels produits en laboratoire ou des données produites sur des échantillons analysés en laboratoire. Dans le cas où un lot d'échantillons analysés serait issu d'un site en particulier, un modèle peut être entraîné sur ce lot uniquement ou ce lot peut être utilisé pour améliorer un modèle pré-entraîné sur base existante par méthode d'apprentissage par transfert.
  • Le traitement de données s'applique aux données d'imagerie, les données issues de sous-échantillons analysés permettent d'interpréter ou d'affiner une première interprétation des carottages. Le modèle généré avec les données du spectromètre permet de produire des analyses en temps réel, y compris des analyses référencées par rapport à des données de laboratoires certifiés COFRAC. Le couplage imagerie sur-site puis spectrométrie répond à la phase de diagnostic d'un site, puis à la phase de travaux. Un tri sélectif des terres excavées en fonction de leur classe de déchet est possible.
    • Variante de l'étape d'apprentissage
  • L'apprentissage peut être mutualisé à partir d'analyses en laboratoire, avec un équipement, munie d'une caméra hyperspectrale performante, pour enregistrer les signatures spectrales d'un nombre important d'échantillons de référence, et fournir une base de données accessible à une pluralité d'équipements de terrain munis de capteurs moins performants et moins onéreux.
  • Afin de prendre en compte les différences techniques et optiques, chaque équipement de terrain est calibré à l'aide d'échantillons de référence dont la signature spectrale a préalablement été enregistrée dans la base de données. On calcule une fonction de correction permettant d'exploiter le contenu de la base de données avec un équipement différent de celui ayant servi à l'analyse initiale.
  • Les échantillons se distinguent d'une part par la nature du substrat, et d'autre part par la nature des polluants présents.
  • Les substrats sont caractérisés par des méta-descripteurs en fonction de variables telles que :
    • La nature chimique des constituants minéraux et organiques
    • La teneur en eau
    • La teneur en oxyde
    • Le pH
    • La granulométrie
    • L'appartenance à une ou plusieurs classes minérales selon la classification de Strunz
    • Le potentiel d'oxydo-réduction REDOX.
  • Le substrat de référence peut être caractérisé par des analyses physico-chimiques. Il peut aussi être préparé à partir de composants prédéterminés pour préparer des substrats par assemblage.
  • Les polluants de référence sont caractérisés par leur composition chimique.
  • On procède ensuite, pour chacun des échantillons de référence à l'enregistrement de la signature spectrale en le soumettant à un éclairage par une source lumineuse, par exemple une lampe au Xénon, et on capte la lumière réfléchie ainsi que la lumière émise par photoluminescence dans une plage de longueur d'onde allant de l'infrarouge thermique jusqu'à l'ultraviolet UVC. Les données sont enregistrées pour chacun des échantillons avec un identifiant de l'échantillon de référence et les caractéristiques physico-chimiques.
  • Selon une alternative préférée on procède d'abord à l'acquisition spectrale de la zone imagée (8), puis on extrait un (sous-)échantillon (ou plusieurs) pour l'analyse physicochimique.
    • Matériaux de déconstruction
  • Selon une variante, les chargements sont constitués de matériaux de déconstruction provenant d'un chantier de démolition. Les capteurs permettent de vérifier la nature des déchets et déblais et leur qualification par rapport aux normes de mise en décharge, réemploie ou recyclage (teneur en sulfate, en enrobé bitumineux, etc).
  • Cette variante concerne aussi la vérification des chargements présentés à l'entrée d'un site de valorisation, pour la conformité du chargement avec la nature des déblais autorisés. Les gravats, les matières premières secondaires, les sédiments et les terres excavées peuvent être contrôlés et triés après un transport dans des bennes de camions ou de barges.

Claims (6)

  1. - Procédé de traitement automatique de déblais sur convoyeur équipé d'un imageur hyperspectral (10) et un moyen de déflexion (4) du flux vers un conteneur secondaire (3) en cas de détection de constituants indésirables dans ladite zone imagée (8) comportant des moyens de comparaison en temps réel de la zone du flux de déblais imagée (8) avec une base de signatures hyperspectrales (15) caractéristiques des constituants indésirables, lesdits moyens de comparaison en temps réel commandant ledit moyen de déflexion (4) du flux vers un conteneur secondaire (3) en cas de détection de constituants indésirables dans ladite zone imagée (8) et/ou commandant ledit moyen de déflexion (4) du flux vers un autre conteneur secondaire (3) en cas de détection de constituants désirables dans ladite zone imagée (8).
  2. - Procédé de traitement automatique de déblais sur convoyeur selon la revendication 1 caractérisé en ce que ledit imageur hyperspectral (10) est constitué de capteurs hyperspectraux présentant une plage de sensibilité comprise entre 100 microns et 200 nanomètres.
  3. - Procédé de traitement automatique de déblais sur convoyeur selon la revendication 1 caractérisé en ce que ledit imageur hyperspectral (10) est constitué d'une caméra hyperspectrale ou d'une caméra multispectrale.
  4. - Procédé de traitement automatique de déblais sur convoyeur selon la revendication 1 caractérisé en ce que ledit imageur hyperspectral (10) est constitué d'un assemblage de capteurs formant un capteur multispectral composite.
  5. - Procédé de traitement automatique de déblais sur convoyeur selon la revendication 1 caractérisé en ce que ledit imageur hyperspectral (10) est constitué d'un assemblage de capteurs présentant une plage de sensibilité comprise entre 100 microns et 200 nanomètres et de capteurs présentant une plage de sensibilité inférieure à 200 nanomètres, notamment de rayon X.
  6. - Procédé de traitement automatique de déblais sur convoyeur selon la revendication 1 caractérisé en ce que l'analyse hyperspectrale de la réflexion et/ou de la photoluminescence est réalisée avec un premier équipement par l'éclairage de la portion imagée (8) par une source d'excitation de la fluorescence (11) et par au moins un capteur spectral (10) sensible sur un spectre allant de l'infrarouge thermique à l'ultraviolet, caractérisé en ce qu'il comporte :
    - une séquence d'apprentissage consistant à procéder à l'analyse d'une pluralité d'échantillons de référence, et d'enregistrement dans une base de données d'apprentissage
    ∘ a) de la signature spectrale de réflexion acquise par l'analyse spectrale
    ∘ b) des valeurs connues des variables représentatives des contaminants présents dans chacun desdits échantillons de référence
    ∘ c) des valeurs connues des variables représentatives des substrats de chacun desdits échantillons de référence
    - une séquence de calibration d'un équipement d'analyse sur le terrain par rapport audit premier équipement, ledit équipement de terrain comportant une source lumineuse et un capteur spectral,
    - des séquences d'analyse d'un échantillon du sol d'un site géologique consistant à acquérir la signature de réflexion et/ou de la photoluminescence dudit échantillon à l'aide dudit équipement de terrain ainsi calibré,
    - et à procéder à l'estimation de la caractérisation des polluants par traitement de ladite signature par un moteur d'apprentissage exploitant les données de la base de données constituée lors de la séquence d'apprentissage.
EP23748489.4A 2022-07-26 2023-07-25 Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral Active EP4561764B1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2207694A FR3138331A1 (fr) 2022-07-26 2022-07-26 Procede de traitement automatique de deblais en forme de granulats sur convoyeur equipe d’un imageur hyperspectral
PCT/EP2023/070629 WO2024023110A1 (fr) 2022-07-26 2023-07-25 Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral

Publications (3)

Publication Number Publication Date
EP4561764A1 EP4561764A1 (fr) 2025-06-04
EP4561764B1 true EP4561764B1 (fr) 2026-02-11
EP4561764C0 EP4561764C0 (fr) 2026-02-11

Family

ID=83690537

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23748489.4A Active EP4561764B1 (fr) 2022-07-26 2023-07-25 Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral

Country Status (3)

Country Link
EP (1) EP4561764B1 (fr)
FR (1) FR3138331A1 (fr)
WO (1) WO2024023110A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4729190A1 (fr) * 2024-10-18 2026-04-22 Cosmo Tecnologie Ambientali S.r.l. Appareil et procédé pour identifier et séparer des déchets solides contenant de l'amiante à partir d'autres particules solides

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0322043D0 (en) 2003-09-20 2003-10-22 Qinetiq Ltd Apparatus for,and method of,classifying objects in waste stream
AP2096A (en) 2004-11-17 2010-01-29 De Beers Cons Mines Ltd An apparatus for and method of sorting objects using reflectance spectroscopy
FR2923403B1 (fr) 2007-11-13 2011-06-03 Veolia Proprete Procede de traitement automatique de dechets
FR3032366B1 (fr) 2015-02-10 2017-02-03 Veolia Environnement-VE Procede de tri selectif
US10898928B2 (en) * 2018-03-27 2021-01-26 Huron Valley Steel Corporation Vision and analog sensing scrap sorting system and method

Also Published As

Publication number Publication date
EP4561764C0 (fr) 2026-02-11
WO2024023110A1 (fr) 2024-02-01
FR3138331A1 (fr) 2024-02-02
EP4561764A1 (fr) 2025-06-04

Similar Documents

Publication Publication Date Title
Ivleva Chemical analysis of microplastics and nanoplastics: challenges, advanced methods, and perspectives
Schymanski et al. Analysis of microplastics in drinking water and other clean water samples with micro-Raman and micro-infrared spectroscopy: minimum requirements and best practice guidelines
Dong et al. Automated analysis of microplastics based on vibrational spectroscopy: are we measuring the same metrics?
Vidal et al. A comprehensive and fast microplastics identification based on near-infrared hyperspectral imaging (HSI-NIR) and chemometrics
Baruah et al. An insight into different microplastic detection methods
Corradini et al. Predicting soil microplastic concentration using vis-NIR spectroscopy
Brunner et al. Automated sorting of polymer flakes: Fluorescence labeling and development of a measurement system prototype
Zhu et al. Characterization of microplastics on filter substrates based on hyperspectral imaging: Laboratory assessments
Anger et al. Raman microspectroscopy as a tool for microplastic particle analysis
Faltynkova et al. Developing and testing a workflow to identify microplastics using near infrared hyperspectral imaging
Goyetche et al. Issues with the detection and classification of microplastics in marine sediments with chemical imaging and machine learning
Hale et al. Analytical chemistry of plastic debris: sampling, methods, and instrumentation
Huppertsberg et al. Validation of an FT-IR microscopy method for the determination of microplastic particles in surface waters
Raguso et al. Extraction of microplastic from marine sediments: a comparison between pressurized solvent extraction and density separation
Dierkes et al. Analytical methods for plastic (microplastic) determination in environmental samples
McMillan et al. Correlation of limestone beds using laser-induced breakdown spectroscopy and chemometric analysis
Konings et al. Optimization of sample preparation, fluorescence-and Raman techniques for environmental microplastics
Beck et al. Rapid shipboard measurement of net-collected marine microplastic polymer types using near-infrared hyperspectral imaging
EP4561764B1 (fr) Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral
Peneva et al. Microplastic analysis in soils: A comparative assessment
Bonifazi et al. FT-IR analysis and hyperspectral imaging applied to postconsumer plastics packaging characterization and sorting
Le et al. Towards quality-assured measurements of microplastics in soil using fluorescence microscopy
Cesetti et al. Waste processing: new near infrared technologies for material identification and selection
Alostaz et al. Petroleum contamination characterization and quantification using fluorescence emission-excitation matrices (EEMs) and parallel factor analysis (PARAFAC)
Moros et al. New chemometrics in laser-induced breakdown spectroscopy for recognizing explosive residues

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250122

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
INTG Intention to grant announced

Effective date: 20250924

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: CH

Ref legal event code: F10

Free format text: ST27 STATUS EVENT CODE: U-0-0-F10-F00 (AS PROVIDED BY THE NATIONAL OFFICE)

Effective date: 20260211

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 602023011962

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: FRENCH

U01 Request for unitary effect filed

Effective date: 20260309

U07 Unitary effect registered

Designated state(s): AT BE BG DE DK EE FI FR IT LT LU LV MT NL PT RO SE SI

Effective date: 20260313