FR3138331A1 - Procede de traitement automatique de deblais en forme de granulats sur convoyeur equipe d’un imageur hyperspectral - Google Patents
Procede de traitement automatique de deblais en forme de granulats sur convoyeur equipe d’un imageur hyperspectral Download PDFInfo
- Publication number
- FR3138331A1 FR3138331A1 FR2207694A FR2207694A FR3138331A1 FR 3138331 A1 FR3138331 A1 FR 3138331A1 FR 2207694 A FR2207694 A FR 2207694A FR 2207694 A FR2207694 A FR 2207694A FR 3138331 A1 FR3138331 A1 FR 3138331A1
- Authority
- FR
- France
- Prior art keywords
- hyperspectral
- debris
- aggregates
- sensors
- automatic treatment
- 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.)
- Pending
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
Landscapes
- Processing Of Solid Wastes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
La présente invention concerne un procédé de traitement automatique de déblais en forme de granulats sur convoyeur équipé d’un imageur hyperspectral (10) caractérisé en ce qu’il comporte des moyens de comparaison en temps réel de la zone du flux de déblais imagée (8) avec une base de signatures hyperspectrale (15) caractéristiques des constituants indésirables, lesdits moyens commandant un 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 un moyen de déflexion (4) du flux vers un autre conteneur secondaire (3) en cas de détection de constituants désirables dans ladite zone imagée (8).
Figure de l’abrégé : Fig. 1
Description
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-technologies-de-tri.pdf).
On connaît dans l’état de la technique le brevet EP3056288B1 un procédé de tri sélectif pour identifier et trier des objets matériels de type déchets, de natures, de formes et de tailles différentes et se présentant sous la forme d’un amas, ledit procédé comprenant les étapes suivantes :
a) fournir un flux d’objets sous forme d’un amas, vers une zone de vision comprenant au moins deux capteurs de mesure de rayonnement électromagnétique, ladite zone se trouvant dans la zone d’action d’un robot muni d’un ou plusieurs organes de préhension ;
b) capturer au moins deux images bidimensionnelles de l’amas contenu dans ladite zone de vision à l’aide desdits capteurs de mesure de rayonnement électromagnétique, pour reconstruire une image virtuelle ou électronique de l’amas d’objets dans la zone de vision pouvant être visualisée sur un écran ;
c) traiter les informations résultant desdites images bidimensionnelles, et identifier toutes les zones de prise possibles associées à des objets présents dans l’amas pour ledit ou lesdits organes de préhension dudit robot sans chercher à connaître la nature desdits objets ;
d) localiser, en position et orientation, lesdites zones de prise possibles ;
e) choisir l’une des zones de prise ;
f) définir automatiquement, pour un organe de préhension donné, une trajectoire de prise d’un objet correspondant à la zone de prise choisie ;
g) saisir l’objet unitaire correspondant selon la trajectoire définie ;
h) déplacer ledit objet unitaire saisi vers une zone de réception ;
i) déplacer ledit objet unitaire se trouvant dans ladite zone de réception vers un exutoire en fonction de la nature ;
La nature de l’objet saisi ou devant être saisi par le robot est attribuée entre les étapes e) et i), et consiste à capturer au moins une image bidimensionnelle dans laquelle apparait ledit objet, à l’aide d’au moins un capteur de rayonnement électromagnétique et à diffuser une au moins desdites images bidimensionnelles sur un écran de visualisation pouvant être observé par un opérateur, ledit opérateur attribuant une nature audit objet visualisé.
Cette solution est adaptée pour écarter des produits indésirables d’un certain volume, pouvant être manipulés par un bras robotisé mais pas pour traiter un flux continu de gravats défilant à grande vitesse, plus de 30 m par seconde.
Le brevet EP1670597B1 décrit un autre exemple de solution pour trier des objets dans un flux de différents déchets incluant de nombreux types de matériaux, comprenant un capteur à hyperspectre, un moyen pour déplacer des objets dans le flux de déchets par rapport au capteur et à travers une région de détection de ce dernier, et un moyen de traitement pour trier des objets constitués de nombreux types de matériaux dans le flux de déchets sur la base de signaux transmis au moyen de traitement par le capteur, le capteur étant sensible dans au moins dix bandes spectrales.
Une autre solution pour identifier et trier des particules cibles au moyen d’une spectroscopie par réflectance dans la gamme spectrale visible (VIS) à proche infrarouge (NIR) est décrite dans le brevet WO2006054154. Dans une version, un appareil d’imagerie en hyperespace spectral sert à identifier et trier des particules cibles au sein d’un lot de particules. L’appareil comprend un plateau pour y placer le lot de particules, un moyen d’arasement pour le niveler en une couche sensiblement uniforme, un système d’analyse en hyperespace spectral pour analyser le lot et en produire une image en hyperespace spectral, un classificateur pour déterminer les coordonnées de pixel des particules cibles dans l’image, un convertisseur pour convertir ces coordonnées en coordonnées universelles sur le plateau et un moyen d’extraction pour sélectionner les particules cibles en fonction des coordonnées universelles calculées et les transférer à un dispositif de stockage.
Cette méthode concerne l’utilisation de l’imagerie hyperspectrale sur convoyeur. Elle repose sur la classification en deux étapes : pour chaque pixel, classification du matériau, puis classification des objets (plusieurs pixels, c’est à dire * segmentation.
Le brevet EP2207623B1 décrit un procédé de traitement automatique de déchets comprenant des étapes consistant à :
- fournir un ensemble de déchets unitaires, optionnellement par au moins une étape préalable de broyage de déchets, et
- convoyer au moins un déchet unitaire,
caractérisé en ce qu'il comprend en outre une étape consistante à déterminer la teneur en carbone biogénique du déchet unitaire en fonction de la nature du déchet unitaire et de sa forme, par comparaison à des valeurs de référence.
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.
Afin de remédier à ces inconvénients la présente invention concerne selon son acception la plus générale un procédé de traitement automatique de déblais en forme de granulats sur 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.
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 :
La représente une vue schématique d’une installation selon l’invention, destinée à traiter des gravats en vrac provenant par exemple d’un chantier de démolition.
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.
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 physico-chimique ; 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.
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 physico-chimique.
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)
- - Procédé de traitement automatique de déblais en forme de granulats sur convoyeur équipé d’un imageur hyperspectral (10) caractérisé en ce qu’il comporte 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 commandant un 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 un moyen de déflexion (4) du flux vers un autre conteneur secondaire (3) en cas de détection de constituants désirables dans ladite zone imagée (8).
- - Procédé de traitement automatique de déblais en forme de granulats 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.
- - Procédé de traitement automatique de déblais en forme de granulats 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.
- - Procédé de traitement automatique de déblais en forme de granulats 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.
- - Procédé de traitement automatique de déblais en forme de granulats 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.
- - Procédé de traitement automatique de déblais en forme de granulats 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.
- 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
Priority Applications (3)
| 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 |
| EP23748489.4A EP4561764B1 (fr) | 2022-07-26 | 2023-07-25 | Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral |
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 |
| FR2207694 | 2022-07-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3138331A1 true FR3138331A1 (fr) | 2024-02-02 |
Family
ID=83690537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2207694A Pending 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 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4561764B1 (fr) |
| FR (1) | FR3138331A1 (fr) |
| WO (1) | WO2024023110A1 (fr) |
Families Citing this family (1)
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006054154A1 (fr) | 2004-11-17 | 2006-05-26 | De Beers Consolidated Mines Limited | Appareil et procede de tri d’objets a base de spectroscopie par reflectance |
| EP1670597B1 (fr) | 2003-09-20 | 2009-05-27 | Qinetiq Limited | Appareil et procede de tri d'objets se trouvant dans un flux de dechets |
| EP2207623B1 (fr) | 2007-11-13 | 2016-01-06 | Veolia Propreté | Procede de traitement automatique de dechets |
| EP3056288B1 (fr) | 2015-02-10 | 2018-03-14 | Veolia environnement-VE | Procédé et dispositif de tri selectif |
| US20190299255A1 (en) * | 2018-03-27 | 2019-10-03 | Huron Valley Steel Corporation | Vision and analog sensing scrap sorting system and method |
-
2022
- 2022-07-26 FR FR2207694A patent/FR3138331A1/fr active Pending
-
2023
- 2023-07-25 EP EP23748489.4A patent/EP4561764B1/fr active Active
- 2023-07-25 WO PCT/EP2023/070629 patent/WO2024023110A1/fr not_active Ceased
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1670597B1 (fr) | 2003-09-20 | 2009-05-27 | Qinetiq Limited | Appareil et procede de tri d'objets se trouvant dans un flux de dechets |
| WO2006054154A1 (fr) | 2004-11-17 | 2006-05-26 | De Beers Consolidated Mines Limited | Appareil et procede de tri d’objets a base de spectroscopie par reflectance |
| EP2207623B1 (fr) | 2007-11-13 | 2016-01-06 | Veolia Propreté | Procede de traitement automatique de dechets |
| EP3056288B1 (fr) | 2015-02-10 | 2018-03-14 | Veolia environnement-VE | Procédé et dispositif de tri selectif |
| US20190299255A1 (en) * | 2018-03-27 | 2019-10-03 | Huron Valley Steel Corporation | Vision and analog sensing scrap sorting system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4561764B1 (fr) | 2026-02-11 |
| EP4561764C0 (fr) | 2026-02-11 |
| WO2024023110A1 (fr) | 2024-02-01 |
| EP4561764A1 (fr) | 2025-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Automated analysis of microplastics based on vibrational spectroscopy: are we measuring the same metrics? | |
| 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 | |
| Vidal et al. | A comprehensive and fast microplastics identification based on near-infrared hyperspectral imaging (HSI-NIR) and chemometrics | |
| Xiao et al. | Development of an automatic sorting robot for construction and demolition waste | |
| Löder et al. | Methodology used for the detection and identification of microplastics—a critical appraisal | |
| Rocha-Santos et al. | A critical overview of the analytical approaches to the occurrence, the fate and the behavior of microplastics in the environment | |
| Faltynkova et al. | Developing and testing a workflow to identify microplastics using near infrared hyperspectral imaging | |
| Serranti et al. | An innovative recycling process to obtain pure polyethylene and polypropylene from household waste | |
| Raguso et al. | Extraction of microplastic from marine sediments: a comparison between pressurized solvent extraction and density separation | |
| 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 | |
| Dierkes et al. | Analytical methods for plastic (microplastic) determination in environmental samples | |
| Taneepanichskul et al. | Automatic identification and classification of compostable and biodegradable plastics using hyperspectral imaging | |
| Rhee et al. | Rapid detection and identification of microplastics from nonchemically treated soil with CARS microspectroscopy | |
| Bonifazi et al. | FT-IR analysis and hyperspectral imaging applied to postconsumer plastics packaging characterization and sorting | |
| Zhizhong et al. | A review on the geological applications of hyperspectral remote sensing technology | |
| Xiao et al. | Classifying construction and demolition waste by combining spatial and spectral features | |
| Le et al. | Towards quality-assured measurements of microplastics in soil using fluorescence microscopy | |
| EP4561764B1 (fr) | Procede de traitement automatique de deblais sur convoyeur equipe d'un imageur hyperspectral | |
| 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) | |
| Taneepanichskul et al. | Using hyperspectral imaging to identify and classify large microplastic contamination in industrial composting processes | |
| Hossain et al. | A comprehensive toolkit for micro-to manoplastic analysis | |
| Modlitbová et al. | Laser ablation-based techniques for microplastic analysis: recent advances and applications | |
| Maupas et al. | Raman imaging spectroscopic solutions for microplastics advanced analysis: Insights from Choqueyapu river basin (La Paz, Bolivia) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20240202 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |