République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche

Scientifique
Université de Tébessa Faculté des Sciences Exactes
et Sciences de la Nature et de la
Vie
Département des mathématiques et informatique

Mémoire
Présenté en vue de l’obtention du diplôme de MASTER

Filière : (Mathématiques/Informatique)

Option : Système d’infomation

Par
Hamed Iness

Un système intelligent d’aide a la décision pour la

planification urbain

Date de soutenance : 30/06/2022

Devant le jury
Prénom et nom Grade Etablissement Président
[Link] Laouar Prof Etablissement Rapporteur
Prénom et nom Grade Etablissement Examinateur

Année Universitaire: 2021/2022

 Remerciement

Nous remercions ALLAH tout puissant pour nous avoir donné la foi et éclairé

notre chemin vers la réussite durant toutes nos années d’étude.

Nous voudrions à remercier notre enseignant et encadreur de mémoire :

❖ [Link] Laouar qui a accepté la direction de ce travail ainsi que pour ses

conseil judicieux et précieux, ses compétences scientifiques,

❖ Aussi nous voudrions à remercier les membres de jury d’avaoir accepté de

noter cette mémoire.

 Dédicace

A ma mère,

Mon père

Et tous ma famille
 Sommaires

Introduction generale

1. Introduction générale ....................................................................................................... 1

2. La structure du mémoire ................................................................................................. 1

Chapitre 1 : Planification urbain & La gestion des déchets

1. Introduction ...................................................................................................................... 3

2. Définition ........................................................................................................................... 3

3. Les activités de la planification urbain ........................................................................... 4

4. Les objectifs de la planification urbaine ......................................................................... 4

5. Les fondamentaux de la planification urbaine .............................................................. 5

6. L’évaluation de la planification urbaine ........................................................................ 6

6.1. Projet urbain .............................................................................................................. 6
6.2. Types de projets urbains ............................................................................................ 6

7. Les stratégies de planification urbaine ........................................................................... 7

8. Définition des déchets ....................................................................................................... 8

9. Source de déchets .............................................................................................................. 8

10. Les caractéristiques des déchets ...................................................................................... 8

11. Classification des déchets ................................................................................................. 9

11.1. Déchets organiques.................................................................................................... 9
11.2. Déchets recyclables ................................................................................................... 9
 11.3. Déchets industriels .................................................................................................. 10
11.4. Déchets hospitaliers ................................................................................................. 10
11.5. Déchets électroniques .............................................................................................. 10
11.6. Déchets nucléaires ................................................................................................... 11

12. La gestion des déchets .................................................................................................... 11

12.1. La gestion de collecte des déchets ........................................................................... 12
12.2. Le traitement des déchets ........................................................................................ 12
12.3. Récupération de matériaux ...................................................................................... 13
12.4. Recyclage des déchets ............................................................................................. 13
12.5. La valorisation organique ........................................................................................ 13

13. Conclusion ....................................................................................................................... 14

Chapitre 2 : L’aide à la décision

1. Introduction .................................................................................................................... 15

2. Notion de la décision ....................................................................................................... 15

3. Aide à la décision ............................................................................................................ 15

4. Evolution des systèmes d’aide à la décision (SIAD) .................................................... 16

5. Les approches d’aide a la décision ................................................................................ 16

5.1. Les systems à base de connaissances ...................................................................... 16
5.2. Les systèmes à base de réseaux de neurones ........................................................... 17
5.3. Les systèmes assistés par les agents intelligents. .................................................... 17
5.4. Les systèmes basés sur la logique floue .................................................................. 18
5.5. La fouille des données et la fouille des traitements................................................. 18
5.6. L’apprentissage machine et l’apprentissage profond .............................................. 19

6. Conclusion ....................................................................................................................... 20

Chapitre 3 : Les approches d’apprentissage automatique pour l’aide à la décision

des projets urbain: Cas d’études : La gestion des déchets

1. Introduction .................................................................................................................... 22

2. Intelligence artificielle .................................................................................................... 22

.3 Machine Learning .......................................................................................................... 22
3.1. Apprentissage supervisé .......................................................................................... 22
3.2. Apprentissage non supervisé ................................................................................... 23

4. Deep Learning ................................................................................................................. 23

4.1. Définition................................................................................................................. 23
4.2. Deep Learning VS Machine Learning..................................................................... 24
4.2.1. Extraction des caractéristiques ................................................................................ 24
4.2.2. La performance........................................................................................................ 24
4.3. Le fonctionnement ................................................................................................... 24
4.4. Quelques algorithmes de Deep Learning ................................................................ 25
4.4.1. Modèles à partir de zéro (From Scratch) ...........................................................................26
• DNN ........................................................................................................................ 26
• RNN......................................................................................................................... 26
• CNN......................................................................................................................... 26
4.4.2. Modèles pré-entraînés (Pretrained models) .......................................................................27
• VGG-16 ................................................................................................................... 28
• VGG-19 ................................................................................................................... 28
• ResNet ..................................................................................................................... 29
• AlexNet ................................................................................................................... 29

5. Apprentissage automatique pour la gestion des déchets............................................. 30

.6 Les Datasets ..................................................................................................................... 30

6.1. TrashCan 1.0 ........................................................................................................... 31
6.2. Trash-ICRA19 ......................................................................................................... 31
6.3. TACO 32
6.4. Trashnet ................................................................................................................... 33
6.5. Waste Classification data ........................................................................................ 33
6.6. Litter 34
6.7. TrashBox dataset ..................................................................................................... 35
6.8. Comparaison des datasets ........................................................................................ 35

7. Les travaux connexes ..................................................................................................... 36

7.1. Classification ........................................................................................................... 36
7.2. Segmentation ........................................................................................................... 37

8. Synthèse ........................................................................................................................... 37
9. Conclusion ....................................................................................................................... 38

Chapitre 4 : Contribution & Implémentation

1. Introduction .................................................................................................................... 40

.2 CNN pour la classification des images .......................................................................... 40

.3 Architecture générale ..................................................................................................... 40

4. Architecture détaillée du système proposé ................................................................... 41

5. Architecture du modèle CNN ........................................................................................ 42

6. Model from scratch ........................................................................................................ 43

5.1. Model Transfer Learning (VGG 16) ....................................................................... 44

7. Environnement de développement ................................................................................ 45

7.1. Python 45
7.2. Google colab............................................................................................................ 46
7.3. Numpy 46
7.4. Pandas 46
7.5. Keras 47
7.6. Tensorflow............................................................................................................... 47
7.7. Matplotlib ................................................................................................................ 47

8. Dataset ............................................................................................................................. 47

9. Etapes d’implémentation ............................................................................................... 48

9.1. Importation des bibliographie ................................................................................. 48
9.2. Importation de dataset ............................................................................................. 49
9.3. Unzip le fichier de dataste ....................................................................................... 49
9.4. Englober les classes de dataset ................................................................................ 49
9.5. Prétraitement de données......................................................................................... 49
9.5.1. Augmentation de données ....................................................................................... 49
9.5.2. Preparation des données .......................................................................................... 50
9.5.3. Renommer les classes (labels) ................................................................................. 50
9.6. Création du premier model (CNN from scratch ).................................................... 50
9.7. Création du deuxième model (CNN transfer learning : VGG16) ........................... 51
10. Résultat et discussion ..................................................................................................... 51
10.1. Mesures d’évaluation .............................................................................................. 51

• Model CNN...................................................................................................................... 51

• Exemple de prédiction .................................................................................................... 53

• Model VGG16 ................................................................................................................. 53

Conclusion generale

1. Conclusion ....................................................................................................................... 56

2. Perspectives ..................................................................................................................... 56
 Listes des figures

Figure 1. 1:Quelques composantes du système urbain [2] ......................................................................4

Figure 1. 2:Principes de la planification urbaine [4] ................................................................................6
Figure 1. 3:Déchets organiques ................................................................................................................9
Figure 1. 4:Déchets recyclables................................................................................................................9
Figure 1. 5:Déchets industriels ...............................................................................................................10
Figure 1. 6:Déchets hospitaliers .............................................................................................................10
Figure 1. 7:Déchets électroniques ..........................................................................................................11
Figure 1. 8:Déchets nucléaires ...............................................................................................................11
Figure 1. 9:Cycle de vie de déchets [14] ................................................................................................12

Figure 2. 1: Architecture d’un système à base de connaissances [21] ...................................................16

Figure 2. 2: Perceptron biologique VS perceptron artificie [21] ............................................................17
Figure 2. 3:Les architectures SMA [21] ................................................................................................18
Figure 2. 4: Processus de la découverte de connaissances [21]..............................................................19
Figure 2. 5: Les types d’apprentissage machine [21] .............................................................................19

Figure 3. 1:Topologie de réseau de neurones [27]. ................................................................................24

Figure 3. 2:Topologie de réseau de neurones profond [28]....................................................................25
Figure 3. 3: Architecture du CNN [30] ..................................................................................................27
Figure 3. 4:VGG 16 et 19 Models [31]. ...............................................................................................28
Figure 3. 5:ResNet Model [32]...............................................................................................................29
Figure 3. 6:AlexNet architecture [33] ....................................................................................................30
Figure 3. 7:TrashCan 1.0 dataset [34] ...................................................................................................31
Figure 3. 8: Trash ICRA19 [35] .............................................................................................................32
Figure 3. 9: TACO dataset [36] ..............................................................................................................32
Figure 3. 10:Trashnet dataset [37] ..........................................................................................................33
Figure 3. 11: Waste classification dataset [38].......................................................................................34
Figure 3. 12:Litter [39] ...........................................................................................................................34

Figure 4. 1: Architecture générale de system proposé ...........................................................................41

Figure 4. 2: Architecture détaillé de système proposé ...........................................................................42
Figure 4. 3:Architecture de modèle CNN proposé .................................................................................43
Figure 4. 4: pyhton logo [47]..................................................................................................................46
Figure 4. 5: google colab logo [48] ........................................................................................................46
Figure 4. 6:NumPy logo [49] .................................................................................................................46
Figure 4. 7:Pandas logo [50] ..................................................................................................................47
Figure 4. 8:Keras logo [51] ....................................................................................................................47
Figure 4. 9:TensorFlow logo [52] ..........................................................................................................47
Figure 4. 10:Matplotlib logo [53] ...........................................................................................................47
Figure 4. 11:Structure de dataset ............................................................................................................48
Figure 4. 12: Accuracy et loss de CNN ..................................................................................................52
Figure 4. 13: Matrice de confusion de CNN ..........................................................................................52
Figure 4. 14: Exemple de prédiction CNN .............................................................................................53
Figure 4. 15: Accuracy et loss de VGG 16.............................................................................................53
Figure 4. 16:Matrice de confusion VGG 16 ...........................................................................................54
Figure 4. 17:Exemple de prédiction VGG 16.........................................................................................54
 Liste des tableaux

Tableau 1: Comparaison de dataset ........................................................................................................35

 La gestion des déchets est devenue une préoccupation majeure dans les zones urbaines car elle
peut entraîner une pollution de l'environnement de l'air, de la terre et de la mer et constituer
une menace pour la santé humaine si elle est mal gérée. L'une des étapes les plus cruciales de
la gestion des déchets consiste à séparer les déchets en leurs nombreux composants.

En raison du fait que cette procédure est généralement effectuée manuellement, un système
intelligent de classification des déchets doit être fourni.

Dans cette thèse, nous proposons un système intelligent d'aide à la décision pour le classement
des déchets basé sur le deep learning, développé à l'aide de modèles de réseau de neurones
convolutif (CNN) et (VGG16), pour classer les déchets en recyclables et déchets organiques
afin que le processus de séparation soit plus rapide et intelligent, aidant à résoudre certains
problèmes de triage et de recyclage.

Les mots clés : Planification urbaine, Gestion des déchets, Aide à la décisions, Apprentissage
en profondeur, CNN, VGG 16.

‫أصبحت إدارة النفايات مصدر قلق كبير في المناطق الحضرية ألنها يمكن أن تؤدي إلى تلوث بيئي للهواء واألرض والبحر وتشكل تهديدًا‬
.‫ واحدة من أهم الخطوات في إدارة النفايات هي فصل النفايات إلى العديد من مكوناتها‬.‫لصحة اإلنسان إذا تمت إدارتها بشكل غير صحيح‬
.‫ يجب توفير نظام تصنيف ذكي للنفايات‬،‫نظرا لحقيقة أن هذا اإلجراء يتم عادة ً يدويًا‬
ً

‫ تم تطويره باستخدام نماذج الشبكة العصبية‬،‫ نقترح نظام دعم قرار ذكي لتصنيف النفايات يعتمد على التعلم العميق‬،‫في هذه األطروحة‬
‫إلى مواد قابلة إلعادة التدوير ونفايات عضوية بحيث تكون عملية الفصل أسرع‬.‫ لتصنيف النفايات‬، (VGG16) ‫( و‬CNN) ‫التالفيفية‬
.‫ مما يساعد في حل بعض مشكالت الفرز وإعادة التدوير‬، ‫و أكثر ذكا ًء‬

.VGG 16 ، CNN ،‫ التعلم العميق‬،‫ دعم القرار‬،‫ إدارة النفايات‬،‫ التخطيط الحضري‬:‫الكلمات المفتاحية‬
 INTRODUCTION GENERALE

1. Introduction générale
La société moderne a besoin de systèmes intelligents d'aide à la décision. Dans les villes, le
recyclage est essentiel. Actuellement, des installations de recyclage sont nécessaires pour le
tri manuel et un certain nombre de grands filtres sont utilisés pour séparer des objets plus
spécifiques.

De plus, les consommateurs peuvent ne pas savoir comment se débarrasser correctement des
nombreux matériaux d'emballage différents. La gestion des déchets est devenue un enjeu
majeur.

La mise en décharge et l'incinération sont des pratiques traditionnelles de gestion des déchets
qui ont des résultats défavorables en termes d'efficacité, de coût et de pollution.

Notre objectif est de réduire le travail manuel et de trouver un moyen intelligent de prend une
décision pour le trier des ordures. Cela rendrait les centres de tri des déchets plus efficaces et
aiderait à réduire les déchets, car les employés ne trient pas toujours tout avec une précision
correcte.

Notre suggestion consiste à recevoir des photos d'une chose et à la classer dans le type de
matériau de recyclage.

Le travail réalisé dans cette mémoire consiste à :

❖ Faire un état de l’art sur les systèmes intelligent d’aide à la décision pour de gestion
des déchets (classification)

❖ Proposé un système d’aide a la décision automatique basé sur l’intelligence artificielle

pour la classification des déchets.

❖ Évaluer les performances du système proposé.

2. La structure du mémoire

❖ Le premier chapitre : Présente notre contexte de travail qui est la planification urbaine
et la gestion des déchets.

❖ Le second chapitre : présente le domaine d'aide à la décision

❖ Le troisième chapitre : Un Etat de l’art sur l’apprentissage automatiques ainsi que les
travaux d’apprentissage automatique à la gestion des dèches

❖ Le dernier chapitre : présente notre Contribution & Implémentation

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 1

Planification urbain & La gestion des

déchets
 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

1. Introduction

Les environnements urbains sont un aspect fondamental du monde et leur conception est une
tâche très difficile en raison du large éventail de besoins qui doivent être satisfaits dans le
développement des surfaces, y compris ceux liés à l'agriculture, à la protection de
l'environnement, à la vie sociale, économique et financière activités, etc. En effet, le domaine
précité de l'urbanisme assure ce développement. En définissant des objectifs, des principes
directeurs d'aménagement et des projets d'aménagement, l'urbanisme est un ensemble
d'instruments et de méthodes permettant la mise en œuvre de politiques sectorielles et la
rationalisation de l'administration urbaine. De ce fait, l'urbanisme est un élément crucial et un
moteur dans le processus de création des villes.

Afin de présenter le domaine de travail choisi, la gestion des déchets, nous proposerons dans
ce chapitre un aperçu de la toile de fond de l'urbanisme en mettant l'accent sur ses différents
éléments, finalités, missions et principes essentiels.

Partie 1 : La planification urbain

2. Définition

La planification urbaine est un outil utilisé pour identifier des solutions aux problèmes que les
villes et les villages ont avec les éléments urbains, y compris l'utilisation des terres, le logement
et le transport. En réalité, il s'agit de comprendre comment les plans d'urbanisme sont créés,
qui sont les acteurs et pourquoi ces plans ont été créés.

Diverses sources ont fourni des définitions de l'urbanisme, parmi lesquelles nous citons :

«Ensemble d’études, de démarches, voire de procédures juridiques ou financières, qui

permettent aux collectivités publiques de connaître l’évolution des milieux urbains, de définir
des hypothèses d’aménagement concernant à la fois l’ampleur, la nature et la localisation des
développements urbains et des espaces à protéger, puis d’intervenir dans la mise en oeuvre
des options retenues ». Le dictionnaire d’urbanisme [1] .

La planification urbaine couvre un ensemble de secteurs physiques et sociologiques, nous

citons la démographie, l'emploi, l’habitat, l'utilisation des sols, les services publics, le budget,
l'environnement, le transport… etc. La figure suivante illustre l’interaction entre ces différents
secteurs [2]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 3

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

Figure 1. 1:Quelques composantes du système urbain [2]

3. Les activités de la planification urbain

Les activités de la planification urbain sont résumés dans les points suivants [2] :

1. La planification est tournée vers l'avenir : les décisions prises tout au long du processus
de planification sont prises pour influencer une situation dans l'environnement qui se
produira à l'avenir.

2. La planification est politique : Il est essentiel de comprendre que la plupart des initiatives
de planification impliquent d'utiliser ou de réglementer les terres d'une manière ou d'une
autre.

3. La planification implique l'identification et l'évaluation des solutions potentielles aux

problèmes : Cela a une base solide dans les théories de la planification rationnelle qui
guident la pratique de la planification moderne.

4. L'urbanisme a une obligation spécifique de refléter les exigences des minorités : Dans
le cadre de leur code d'éthique professionnelle, les urbanistes doivent accorder une
attention particulière aux préoccupations de ces groupes.

4. Les objectifs de la planification urbaine

1. Stratégie de protection de l'environnement : Des villes bien planifiées garantissent le

respect et la protection de l'environnement [3] . En outre, les gouvernements locaux
cherchent à créer des plans qui mettent en évidence la question de l'environnement et traitent
les problèmes de pollution de l'air, de l'eau et du sol.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 4

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

2. Planification pour une meilleure utilisation des terres : Selon [4], les gouvernements
locaux sont chargés de créer et de mettre en œuvre les plans des villes et des agglomérations.
En adoptant un plan directeur officiel, le type de plan d'urbanisme le plus populaire,
détaillant l'avenir à long terme de la communauté et mettant en valeur ses divers éléments,
tels que le logement et le transport

3. Un périphérique cherchant des résultats immédiats, les zones urbaines utilisent d'autres
stratégies spécialisées comme les plans stratégiques de revitalisation. L'expansion des
agglomérations conduit également à des plans qui permettent de synchroniser la croissance
urbaine et celle des territoires environnants [3]

4. Plan d'amélioration de l'image de la ville : Les lieux accueillent aujourd'hui une

population plus importante qu'auparavant, et certaines villes souffrent particulièrement de
la dégradation des infrastructures et d'un manque de services, entraînant une migration des
habitants vers des villes plus conviviales et plus peuplées.

5. En fait, en raison de l'évolution de la population, des infrastructures, de l'utilisation des sols,

du développement économique et des facteurs environnementaux, les villes changent avec
le temps et adoptent de nouvelles apparences. Tout cela est causé par un certain nombre
d'éléments, notamment le style de gestion de la ville, la disponibilité des ressources et
parfois des catastrophes naturelles. Les difficultés auxquelles la communauté est confrontée
en conséquence s'aggravent.

6. Planification du développement économique : La capacité de connaître le potentiel dans

de nombreux secteurs est rendue possible par la recherche socio-économique de la région,
qui aide à une planification urbaine efficace. Mais une excellente croissance sociale,
culturelle et économique est garantie par la mise en œuvre de plans d'infrastructures et
d'investissements avec une couverture géographique suffisante de l'ensemble du territoire
[3].

Essentiellement, cette planification tend à stimuler la dynamique de croissance économique et

à améliorer le bien-être de la société.

5. Les fondamentaux de la planification urbaine

Trois concepts directeurs sont utilisés en urbanisme [4] :

1. Coordination : Il s'agit de coordonner les nombreuses demandes d'occupation du sol

formulées en tenant compte à la fois des objectifs propres à l'organisation et des besoins des
politiques sectorielles.
2. Coopération : un effort de groupe dans lequel les participants travaillent ensemble pour
atteindre un objectif commun. Les processus qui choisissent un style de fonctionnement

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 5

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

coopératif anticipent une minimisation des risques et une diminution de l'incertitude en

retour.
3. La participation : est un élément crucial dans la validation d'une proposition d'urbanisme.
Il permet l'incorporation de divers acteurs (personnes ou groupes) pour aider le décideur à
améliorer les processus de prise de décision.

Figure 1. 2:Principes de la planification urbaine [4]

6. L’évaluation de la planification urbaine

6.1. Projet urbain

Projet urbain, projet de ville ou projet d’agglomération [5] fait appel aux acteurs qui doivent
non seulement contribuer à la réflexion et à la consultation mais aussi au processus
d’élaboration du projet

Le projet urbain « organise un territoire afin d’en améliorer l’usage, la qualité, le

fonctionnement, la dynamique économique et culturelle et les relations sociales. Il doit assurer
à tous l’accessibilité à l’espace public, à l’habitat, aux équipements, aux transports ; se
préoccuper de la qualité des espaces publics, de l’architecture, des paysages, de
l’environnement naturel, de la mise en valeur du patrimoine ; servir les enjeux du
développement durable, avec une utilisation économe de l’espace tout en garantissant le
fonctionnement des infrastructures, ainsi que des réseaux de transports et de distribution.» [6]

6.2. Types de projets urbains

1. Le projet urbain politique : regroupe les projets dits « de territoire », « de ville, « de
développement » ; il couvre tout le territoire communal ou intercommunal [7].

2. Le projet urbain opérationnel : est considéré comme des opérations urbaines d'une
certaine ampleur, durant au moins une dizaine d'années, généralement multifonctionnelles,
associant des acteurs privés [5].

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 6

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

3. Le projet urbain architectural : est réservé à l’approche du « design urbain », en lien avec
sa réhabilitation faite par les architectes-urbanistes. Il est centré sur un bâtiment, ou un
ensemble de bâtiments [5].

7. Les stratégies de planification urbaine

1. Inciter toute la société à l’aménagement de l’environnement : mettre en place un

mécanisme de motivation incitant le public à participer à la protection environnementale ;
mettre pleinement en jeu le rôle actif des organisations non-gouvernementales ; participer à
la coopération internationale et chercher les meilleures approches à l’aménagement de
l’environnement à l’échelle du monde.

2. Optimaliser l’utilisation circulaire des ressources : faire payer pour la protection de

l’environnement ; attribuer des subventions environnementales ; les échanges du marché.

3. Appliquer un aménagement selon les lois : renforcer la direction verticale ; prémunir les
travaux d’aménagement contre les interférences locales ; normaliser les actes d’application
de la loi ; mettre en application la poursuite de responsabilité ; renforcer la supervision
administrative ; mettre en oeuvre la vérification verte.

4. Eviter un cycle vicieux de la pauvreté et des problèmes environnementaux : réduire la

pauvreté par la répartition des recettes, la sécurité sociale et la régulation fiscale ; mettre en
place un mécanisme de développement environnemental équitable, avantageux
réciproquement et à responsabilité partagée par une coordination entre la ville et la
campagne et une coordination régionale.

Tous les points ci-dessus sont indirectement contenus dans le processus de gestion des déchets.
Ce processus est introduit dans la partie suivante.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 7

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

Partie 2 : Gestion des déchets

La gestion des déchets urbains, une activité qui dépend de l’organisation du territoire et qui
impacte son aménagement La gestion des déchets urbain, que ce soit au niveau de la
planification, de la collecte et du traitement impacte et dépend des décisions liées à l’urbanisme
et l’aménagement du territoire.

8. Définition des déchets

« Tout résidu d'un processus de production, de transformation ou d'utilisation, toute

substance, matériau, produit ou plus généralement tout bien, meuble abandonné ou que son
détenteur destine à l'abandon »1.

9. Source de déchets

Les facteurs suivants rendent la création de déchets inévitable :

1. Economique : biens à durée de vie finie ;

2. Biologique : chaque cycle de vie produit des métabolites ;

3. Chimie : Le principe de conservation de la matière stipule que si un produit est obtenu à

partir de deux autres, un quatrième se formera. Ceci s'applique à toutes les réactions
chimiques.

4. Technologiquement : parlant, les déchets sont produits par tous les procédés industriels ;
écologiquement parlant, des déchets sont produits suite aux efforts de dépollution (air, eau);

10. Les caractéristiques des déchets

Les déchets sont caractérisés premièrement par la densité qui définir la sélection d'une collecte
et d'un stockage moyens, la compréhension de la densité est cruciale.

Comme un deuxième point on trouve le taux d’humidité, c’est une quantité importante d'eau,
qui varie selon les saisons et l'environnement, peut se retrouver dans les ordures.

Aussi, la quantité de calories qui est dégagée par la combustion d'une unité de poids de déchets
bruts est appelée pouvoir calorifique. Finalement le rapport de concentration carbone, ce rapport
est choisi comme norme de qualité pour les déchets compostés.

1
Selon le Code de l’Environnement (art. L541-1)

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 8

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

11. Classification des déchets

Les déchets se présentent sous une multitude de formes. Ils peuvent être classés en utilisant une
variété de facteurs, y compris le producteur de déchets, les caractéristiques des déchets et
l'industrie dans laquelle les déchets sont générés. A l'aide de cette classification, il est possible
de séparer les règles qui s'appliquent aux différents acteurs de la gestion des déchets et de
modifier ces réglementations en fonction des capacités du producteur et des dangers liés à la
manipulation des déchets.

11.1. Déchets organiques

Ils sont principalement produits dans les maisons, les restaurants et les entreprises qui traitent
des produits alimentaires. Puisqu'ils sont principalement destinés aux décharges municipales,
ils doivent être séparés des autres types de déchets. [8]

Figure 1. 3:Déchets organiques

11.2. Déchets recyclables

Tous les déchets qui peuvent être transformés en d'autres éléments ou utilisés pour fabriquer
des matières premières sont inclus dans cette catégorie. Il est produit dans les maisons, les
bureaux et les industries, et il doit être séparé pour que des groupes de personnes spécialisées
dans la collecte sélective puissent travailler ensemble et gérer la transformation finale dans des
coopératives et des entreprises de recyclage [9] .

Figure 1. 4:Déchets recyclables

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 9

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

11.3. Déchets industriels

Il s'agit principalement de déchets solides liés à la production issue de divers procédés
industriels. Typiquement, il est composé de matières premières mises au rebut pour être
recyclées ou réutilisées dans des procédés industriels [10].

Figure 1. 5:Déchets industriels

11.4. Déchets hospitaliers

Les déchets des hôpitaux et des établissements médicaux sont la source de contamination et le
potentiel de transmission de maladies à toute personne qui entre en contact avec eux. Il doit être
manipulé avec la plus grande prudence et conformément aux normes en vigueur. Ce type de
déchets est destiné aux entreprises spécialisées dans leur traitement, où ils sont généralement
brûlés [11] .

Figure 1. 6:Déchets hospitaliers

11.5. Déchets électroniques

Ce gaspillage résulte de l'élimination d'appareils grand public qui ne sont plus fonctionnels ou
qui sont obsolètes. Il existe des endroits appropriés pour l'élimination, y compris les entreprises
et les coopératives engagées dans l'industrie du recyclage. Ils envoient ces déchets d'une
manière qui respecte l'environnement [12].

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 10

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

Figure 1. 7:Déchets électroniques

11.6. Déchets nucléaires

C'est celui que les centrales nucléaires utilisent le plus. Du fait qu'il contient un élément
radioactif, c'est un déchet très dangereux qui doit être manipulé avec précaution [13].

Figure 1. 8:Déchets nucléaires

12. La gestion des déchets

Comprend toutes les activités liées à la collecte, au tri, au transport, à l'entreposage, à la

récupération et à l'élimination des ordures, ainsi que la gestion de ces activités. De cette
définition, un certain nombre de procédures du système actuel de gestion des déchets en Algérie
se dégagent.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 11

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

Figure 1. 9:Cycle de vie de déchets [14]

12.1. La gestion de collecte des déchets

La collecte des déchets est la procédure de Rassemblement et/ou regroupement de déchets en

vue de leur transport vers une installation de traitement a partir l’un des

Les nombreuses stratégies de récupération :

Tri à la source : Avant la collecte séparée, les déchets doivent être triés, soit à la source, soit
dans une installation de tri.

Collecte volontaire : Il s'agit d'offrir à la population des espaces d'accueil soigneusement

sélectionnés (en centre-ville ou en périphérie) pour permettre un excellent service à la
population,

La collecte séparée : consiste à regrouper les matières recyclables dans un ou plusieurs

conteneurs, notamment les emballages. Le porte-à-porte ou les contributions volontaires
peuvent être utilisés pour effectuer des collectes séparées.

12.2. Le traitement des déchets

Le terme « traitement des déchets » fait référence à toute mesure pratique prise pour s'assurer
que les déchets sont récupérés, stockés et éliminés d'une manière qui assure la protection de la
santé publique et/ou de l'environnement contre tout impact négatif que ces déchets peuvent
avoir. déchets"2.

2
12 décembre 2001, loi 01-19.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 12

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

12.3. Récupération de matériaux

La réutilisation est le fait d'employer un article ou un produit usagé à une nouvelle fin qui
n'est pas liée à l'usage initial auquel il était destiné.

Une illustration serait un envoi de bouteilles nettoyées et remplies.

Réutiliser les déchets, c'est les réutiliser, mais autrement qu'auparavant.

Une illustration serait l'utilisation de vieux pneus pour protéger les coques des bateaux.

Le recyclage est le processus de réintroduction de matériaux dérivés de déchets dans le cycle

de fabrication, entièrement ou partiellement à la place de matériaux frais.

Utilisez des bouteilles cassées qui ont été refondues pour créer de nouvelles bouteilles à titre
d'exemple.

12.4. Recyclage des déchets

La collecte des déchets est la première étape du processus de recyclage des déchets. Les
déchets de recyclage ne sont pas destinés à être jetés ou brûlés ; il est plutôt destiné à être
traité. La collecte est organisée de manière appropriée. La méthode la plus populaire de
recyclage des déchets est la collecte sélective [3] .

Traitement : Après le tri, les usines de traitement s'occupent des ordures. Ils s'intègrent dans
la chaîne de transformation qui leur est propre en tant que déchet et en sortent comme
matière utilisable.

Commercialisation et consommation : les matériaux recyclés sont utilisés pour créer de

nouveaux produits qui sont ensuite vendus et consommés par les clients. à nouveau mis au
rebut, récupéré et recyclé lorsqu'il atteint la fin de sa durée de vie utile [3] .

12.5. La valorisation organique

Le compostage : C’est un procédé biologique aérobie de dégradation et de valorisation de
matière organique en un produit stabilisé et hygiénisé disposant des caractéristiques d’un
terreau enrichi en composés humiques.

Bio-méthanisation : L’opération de méthanisation consiste à transformer des matières

organiques en conditions anaérobies (sans oxygène), produisant à la fois un gaz
combustible, appelé biogaz (mélange de gaz carbonique et méthane), et un amendement
organique.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 13

 CHAPITRE 1 : PLANIFICATION URBAIN & LA GESTION DES DECHETS

13. Conclusion

La planification urbaine est une discipline très riche et étendue. Il couvre un large éventail de
préoccupations, y compris la gestion des déchets.

La technologie la plus récente doit être utilisée en conjonction avec les concepts d'économie
économique, de responsabilité et de bonne gestion des déchets de manière intelligente afin de
réduire ces barrières et de faire avancer une vision holistique du développement durable.

Par conséquent, l'intégration de l'aide à la décision sera nécessaire pour répondre aux défis dans
ce domaine lors du développement d'une application en urbanisme pour répondre à la question
de l'évaluation des projets urbains.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 14

L’aide à la décision
 CHAPITRE 2 : L’AIDE A LA DECISON

1. Introduction
Dans ce chapitre, nous nous sommes intéressés aux méthodes d’aide à la. D’abord, nous
présentons la notion de la décision, ensuite, nous détaillons les définitions, les approches et le
processus d’aide à la décision en termes de notions, d’étapes du déroulement du processus
d’aide à la décision et de classement des approches existantes dans la littérature.

2. Notion de la décision
La decision est généralement décrit comme un processus mental qui consiste à évaluer plusieurs
possibilités ou alternatives afin de choisir celle qui sert le mieux les objectifs du décideur. Par
conséquent, il existe deux composantes décisionnelles principales dans la prise de décision : les
alternatives qui sont envisagées par le décideur et les objectifs qui doivent être atteints en
sélectionnant une option. en sélectionnant une alternative. Ce processus peut conduire à une
décision d'action ou d'opinion.

Selon la même théorie, [15] considère qu'une décision peut être définie comme un engagement
dans une action, c'est-à-dire une intention explicite d'agir, qu'elle émane d'un individu ou du
résultat d'un groupe de travail.
Selon la même logique, [16] considèrent qu'une décision est une action entreprise pour relever
un défi ou réagir à un changement de l'environnement, c'est-à-dire pour répondre à un problème
personnel ou à un problème d'entreprise.

3. Aide à la décision
Selon [17], l’aide à la décision est l'action d'une personne qui aide à obtenir des réponses à des
questions posées par un travailleur selon des modèles bien énoncés mais pas toujours
parfaitement définis. Des aspects qui contribuent à éclairer une décision et suggèrent, ou
simplement favorisent, un comportement susceptible de renforcer la cohérence entre l'évolution
du processus d'une part, et les buts et le système de valeurs dans le service dans lequel cet
intervenant est placé d'autre part.
L'appui aux décisions est un processus. Cela indique qu'il faut souvent du temps et des efforts
avant qu'une décision ne soit prise, ce qui implique un certain nombre de tâches.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 15

 CHAPITRE 2 : L’AIDE A LA DECISON

4. Evolution des systèmes d’aide à la décision (SIAD)

Les processus décisionnels individuels et de groupe sont soutenus par une variété d'outils
technologiques, tels que les systèmes d'aide à la décision (DSS), qui sont apparus pour la
première fois au début des années 1970. Évolution des technologies de l'information [18] [19].
En utilisant les expressions structurées, non structurées et semi-structurées, Simon, Gory et
Scott Morton [20] ont mis en évidence l'idée de SAD dans leur description des décisions et
dans leur référence aux actions de gestion d'Anthony. De plus, ils ont utilisé l'explication de
Simon sur le processus de sélection (Intelligence, Design, Choice).

5. Les approches d’aide a la décision

5.1. Les systems à base de connaissances
L'un des systèmes intelligents d'aide à la décision les plus connus est le système basé sur la
connaissance (KBS). Insolubles par les méthodes conventionnelles, les problèmes complexes
peuvent désormais être résolus grâce à l'utilisation d'approches d'intelligence artificielle. Le
système dit à base de connaissances, qui a donné naissance à l'approche système expert, a été
créé en combinant des technologies informatiques telles que l'ingénierie des connaissances, le
traitement du langage naturel, les systèmes d'aide à la décision, l'intelligence artificielle, les
systèmes de gestion de bases de données, le génie logiciel, la représentation des connaissances,
le raisonnement par cas (RBC), les réseaux de neurones et le web sémantique [21] .

Figure 2. 1: Architecture d’un système à base de connaissances [21]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 16

 CHAPITRE 2 : L’AIDE A LA DECISON

5.2. Les systèmes à base de réseaux de neurones

Les réseaux de neurones artificiels (ANN), qui sont calqués sur le système nerveux humain,
visent à créer une machine capable d'imiter les fonctions du cerveau humain et d'apprendre en
faisant des erreurs [22]. Les RNA se caractérisent par leur capacité à apprendre à partir de
données ambiguës, biaisées ou incomplètes.
Les éléments constitutifs fondamentaux d'un RNA sont les neurones qui, grâce à leurs corps et
leurs branches, ressemblent étroitement aux neurones biologiques. En réalité, le réseau neuronal
agit comme une série d'arbres neuronaux liés.

Cette procédure consiste principalement en une boucle de prédiction ; pour diminuer les erreurs
totales causées par le réseau basé sur la fonction de transfert, le poids est ajusté.

Figure 2. 2: Perceptron biologique VS perceptron artificie [21]

5.3. Les systèmes assistés par les agents intelligents.

Domaine de recherche particulièrement actif en IA, les systèmes multi-agents (SMA) et les
agents intelligents [23] [24] se développent en parallèle avec les systèmes intelligents d'aide à
la décision.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 17

 CHAPITRE 2 : L’AIDE A LA DECISON

Figure 2. 3:Les architectures SMA [21]

5.4. Les systèmes basés sur la logique floue

Une technique connue sous le nom de système flou (SF) a démontré sa capacité à créer une
large gamme de systèmes de prise de décision, en particulier lorsque l'on travaille avec
différents types de connaissances. En réalité, peu de systèmes informatiques peuvent accueillir
des données linguistiques dont la description nécessite une expérience humaine spécifique. Pour
traiter à la fois des variables de type linguistique et des variables quantitatives, ainsi que pour
modéliser des systèmes complexes à partir de données imprécises, Lotfi Zadeh a introduit l'idée
de logique floue en 1965 [25] ; incomplète et vague, ou lorsque le système utilise des règles
d'inférence qui agissent de façon très générale avec les catégories floues [26].

5.5. La fouille des données et la fouille des traitements

Tous les domaines où les données numériques contiennent une quantité considérable de
connaissances et d'informations cachées ont connu une croissance exponentielle.
Les processus suivants sont utilisés dans la découverte de connaissances dans une base de
données (KDD) [27] , qui tente de détecter des modèles et des relations significatifs à partir
d'ensembles de données. C'est pourquoi de nombreuses théories et outils informatiques sont
utilisés pour étudier et utiliser ces informations (sélection de données, traitement de données,
transformation de données, fouille de données, interprétation et évaluation de données).

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 18

 CHAPITRE 2 : L’AIDE A LA DECISON

Figure 2. 4: Processus de la découverte de connaissances [21]

5.6. L’apprentissage machine et l’apprentissage profond

Un domaine relativement actif de la recherche en intelligence artificielle est l'apprentissage

automatique. un terme créé par Arthur Samuel en 1959 [28] pour classer les méthodes basées
sur les connaissances acquises par l'analyse de données ou l'application de règles établies pour
catégoriser des éléments, prévoir des résultats, repérer des tendances ou reconnaître un
comportement inattendu. En imitant le comportement humain, l'apprentissage automatique
permet aux ordinateurs d'apprendre automatiquement et éventuellement de s'améliorer pour
prendre de meilleures décisions.

Figure 2. 5: Les types d’apprentissage machine [21]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 19

 CHAPITRE 2 : L’AIDE A LA DECISON

6. Conclusion
Dans ce chapitre nous avons mettons l’acon sur les concepts clé de domaine d’aide a la décision
et leur approches ; l’approche basé sur l’apprentissage profond a obtenu a grand succès dans les
application d’aide à la décision intelligent , dans ce fait le chapitre suivant sera un état de l’art
sur les système d’aide à la décision basé sur les algorithme d’apprentissage profond pour la
planification urbain ( cas d’étude : gestion déchets).

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 20

 Etat de l’art

Les approches d’apprentissage

automatique pour l’aide à la décision

des projets urbain

Cas d’études : La gestion des déchets

 CHAPITRE 3 : ETAT DE LART

1. Introduction

L'intelligence artificielle est une discipline scientifique qui vise à résoudre des problèmes d'une
grande complexité logique. L'apprentissage automatique est l'un des domaines de l'intelligence
artificielle qui permet à la machine d'apprendre et d'améliorer progressivement ses
performances. Par conséquent, l'apprentissage en profondeur est un groupe de méthodes
d'apprentissage automatique qui essayez de concevoir avec un haut niveau d'abstraction des
données. Aujourd'hui, la technologie de l’apprentissage profond (Deep Learning) représente
l'essentiel des recherches menées par les professionnels, d'autant plus qu'elle intervient dans
plusieurs domaines comme la classification des images médicales. Dans ce chapitre, nous
présenterons tout d'abord les concepts liés à l'apprentissage profond poursuivi d’un état de l’art
sur les travaux connexe.

2. Intelligence artificielle

L'intelligence artificielle (IA) vise à simuler la façon dont le cerveau humain prend des
décisions. L'intelligence artificielle implique la mise en œuvre d'un certain nombre de
technologies pour permettre aux machines de simuler une forme d'intelligence réelle. L’IA
comprend divers sous-domaines, dont les plus connus sont l'apprentissage automatique et
l'apprentissage profond.

3. Machine Learning

Selon [22] L’apprentissage automatique (machine Learning) est le champ de l’IA qui permet
à la machine d’améliorer progressivement ses performances sur une tâche spécifique à partir
des données sans données sans être explicitement programmé.

L'apprentissage automatique passe par les réseaux de neurones conçus pour imiter les capacités
de prise de décision de l'homme, et est généralement divisé en :

3.1. Apprentissage supervisé

C’est la forme la plus commune d’apprentissage automatique, est une méthode permettant de

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 22

 CHAPITRE 3 : ETAT DE LART

transformer un jeu de données en un autre, le programme est formé sur un ensemble prédéfini
d 'exemples de formation, ce qui facilite ensuite sa capacité à parvenir à une conclusion précise
lorsque de nouvelles données sont fournies [23] [24 ], tel que les algorithmes d'Arbres de
décision, Régression logistique, et le plus connu c’est Machines à vecteurs de support (SVM).

3.2. Apprentissage non supervisé

Ce type partage une propriété commune avec l'apprentissage supervisé : il transforme un jeu
de données en un autre. Mais l'ensemble de données dans lequel il se transforme n'est pas
connu ou compris auparavant. Contrairement à l'apprentissage supervisé sera quant à lui
alimenter uniquement par des exemples, et créera lui-même les classes qui lui semblent les
plus judicieuses (clustering) ou des règles d’associations (algorithmes Apriori). L’algorithme
K-moyen (K-means) permet de comprendre facilement le concept de classification non
supervisée [25].

4. Deep Learning

4.1. Définition

“ Le Deep Learning permet à des modèles composés de plusieurs couches de traitement

d’apprendre des représentations des données avec de multiples niveaux d’abstraction”. [26]

D’après les travaux de Deng L et al [26], le « Deep Learning » est une classe de techniques
d’apprentissage automatique appartient au domaine de « Machine Learning » dans lesquelles
de multiples couches de traitement de calcul itératif dans des architectures hiérarchisées
supervisées sont exploitées pour les algorithmes d’apprentissage non supervisé pour des tâches
d’analyse et de classification. L’apprentissage profond consiste essentiellement à calculer des
caractéristiques hiérarchiques des paramètres des réseaux de neurones artificiels pour les
représentations vectorielles des données d’observation ou d’entrées. La famille des méthodes
d’apprentissage en profondeur s’enrichit de plus en plus, englobant celles des réseaux de
neurones, des modèles probabilistes hiérarchiques, ainsi que de nombreux algorithmes
d’apprentissage des fonctionnalités supervisés et non supervisés.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 23

 CHAPITRE 3 : ETAT DE LART

4.2. Deep Learning VS Machine Learning

Deux caractéristiques principales distinguent Deep Learning de Machine Learning :

4.2.1. Extraction des caractéristiques

Dans la Machine Learning, Les fonctionnalités de l'application sont requises par un expert,
puis codées manuellement, contrairement au Deep Learning dont les algorithmes tentent de
connaître automatiquement les fonctionnalités de haut niveau des données.

4.2.2. La performance

Les performances sont associées à un volume de données accru. La précision des

performances des algorithmes de Deep Learning s'améliore avec l'augmentation du volume de
données 'inverse se produit avec les algorithmes de Machine Learning traditionnels où les
résultats prévalent à mesure que la quantité de données augmente.

4.3. Le fonctionnement

Les méthodes d'apprentissage en profondeur dépendent principalement des réseaux de

neurones, où le réseau de neurones se compose de trois couches importantes, comme le montre
la figure : La couche d’entrée ; La couche cachée ; La couche résultante.

Figure 3. 1:Topologie de réseau de neurones [27].

En deep learning, la profondeur du réseau est calculée en fonction du nombre de couches

cachées dans le réseau neuronal, qui varie de 2 à 150 couches [27].

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 24

 CHAPITRE 3 : ETAT DE LART

Le composant principal d'un réseau neuronal est constitué de ganglions (neurones) qui sont
connectés les uns aux autres via des liens dirigés (flèche). Chaque flèche représente un lien
entre une sortie de neurone et une autre entrée, et chaque flèche porte un poids (W). Chaque
nœud est une unité de traitement qui reçoit des données sous forme de valeurs d'entrée et est
passé à travers ce « réseau » de couches cachées jusqu'à ce qu'il converge dans la couche de
sortie. La couche de sortie correspond à nos attentes : il peut s'agir d'un nœud (nous disons
classification binaire) ou de quelques nœuds s'il s'agit d'un problème de classification multi-
classes.

La forme à l'intérieur des neurones dans les couches de base représente une fonction
d’activation qui peut être un Cube ,Elu , Hardsigmoid , Hardtanh , Identity , Leakyrelu
,Rationaltanh ,Relu ,RRelu ,Sigmoid , Softmax , Softplus ,Softsign , Tanh [28] .

Figure 3. 2:Topologie de réseau de neurones profond [28].

4.4. Quelques algorithmes de Deep Learning

Dans les années 1980, la plupart des réseaux de neurones formaient une seule couche en raison
du coût de calcul et de la disponibilité des données. De nos jours, nous pouvons prendre plus
de couches cachées dans nos réseaux de neurones, d'où le surnom d'apprentissage en
profondeur [29]. Les différents types de réseaux de neurones disponibles pour utilisation ont
également proliféré, y compris des réseaux pré-formés et des réseaux formés à partir de zéro.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 25

 CHAPITRE 3 : ETAT DE LART

4.4.1. Modèles à partir de zéro (From Scratch)

Un modèle peut être construit dès le début pour résoudre un problème, car cela dépend d'abord
du choix du type de modèle approprié pour résoudre le problème, puis du démarrage de la
conception du modèle et du choix du nombre approprié de couches et d'hyperparamètres. Pour
cela il existe trois grandes familles de réseaux de neurones qui sont DNN, RNN et CNN.

DNN

Les réseaux de neurones profonds (Deep neural networks :DNN) sont des réseaux
d'alimentation directe (forward feed networks : FFNN) où les données circulent de la couche
d'entrée à la couche de sortie sans revenir en arrière, et les connexions entre les couches sont à
sens unique et ne touchent jamais aucun nœud de manière répétée.

RNN

Un réseau de neurones répétitifs (repetitive neural network :RNN) est une classe de réseaux de
neurones artificiels caractérisés par la formation de connexions entre les nœuds sous la forme
d'un graphe orienté le long d'une séquence en tant que liens de caractéristiques d'une couche
aux couches précédentes, de cette manière les informations peuvent revenir à les parties
précédentes du réseau et donc chaque modèle dans les classes dépendent des événements passés,
permettant aux informations de continuer.

CNN

Selon les travaux de Yin W et al [30], les réseaux de neurones convolutifs (Convolutional
neural networks : CNN) sont des types spécifiques de réseaux de neurones artificiels qui
utilisent des perceptrons et un algorithme d'unité d'apprentissage automatique pour
l'apprentissage supervisé, permettant d'analyser des données. Les CNN s'appliquent beaucoup
plus au traitement d'images, également au traitement du langage naturel (Natural language
processing : NLP) et à d'autres types de tâches cognitives. Comme d'autres types de réseaux
de neurones artificiels, un réseau de neurones convolutionnel a une couche d'entrée, une
couche de sortie et une ou plusieurs couches cachées . Certaines de ces couches sont

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 26

 CHAPITRE 3 : ETAT DE LART

convolutives et utilisent un modèle mathématique et algébrique pour transmettre les résultats

aux couches successives.

Figure 3. 3: Architecture du CNN [30]

Des exemples typiques de la technique d'apprentissage en profondeur sont les réseaux "CNN",
où un modèle plus sophistiqué accélère l'évolution de l'intelligence artificielle en fournissant
des systèmes qui simulent différents types d'activités biologiques dans le cerveau humain.
Généralement, les réseaux « CNN » sont constitués de quatre couches principales :

❖ La couche convolutive « CONV » : qui traite les données d'entrée ou les résultats des
couches intermédiaires ou cachées.
❖ La couche de pooling « POOL » : qui permet de compresser les informations en
réduisant la taille de l'image intermédiaire.
❖ La couche d'activation : ce sont des fonctions de redressement linéaire souvent
appelées "ReLU" qui permettent la mise à jour des paramètres de la couche courante
ainsi que des couches précédentes.
❖ La couche entièrement connectée « FL » : qui est une couche de type perceptron.

4.4.2. Modèles pré-entraînés (Pretrained models)

Un modèle pré-formé est un modèle pré-construit pour résoudre des problèmes similaires. Au
lieu de créer un modèle à partir de zéro pour résoudre un problème similaire, vous pouvez
utiliser le modèle formé sur un autre problème comme point de départ. Cette méthode surmonte
les conséquences du temps, du potentiel matériel et de l'énorme effort requis, mais elle peut ne

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 27

 CHAPITRE 3 : ETAT DE LART

pas être précise à 100 %. Les modèles les plus pré-entraînés utilisés sont VGG , ResNet et
AlexNet.

VGG-16

VGG-16 (également appelé OxfordNet) est une architecture de réseau neuronal convolutif de
16 couches de profondeur. Le modèle charge un ensemble de poids pré-formés sur ImageNet.
Le modèle atteint une précision de test de 92 % dans le top 5 dans ImageNet, qui est un
ensemble de données de plus de 14 millions d'images appartenant à 1000 classes. La taille
d'entrée par défaut pour le modèle VGG-16 est de 224 x 224 pixels avec 3 canaux pour l'image
RVB. Il a des couches de convolution de filtre 3x3 avec une foulée 1 et une couche maxpool
de filtre 2x2 de foulée 2.[ 31 ]

VGG-19

De même, le VGG-19 fonctionne de la même manière que le VGG-16, le VGG-19 diffère du

VGG-16 uniquement en ce qu'il traite des couches plus profondes pour une sortie meilleure et
plus précise [31] .

Figure 3. 4:VGG 16 et 19 Models [31].

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 28

 CHAPITRE 3 : ETAT DE LART

ResNet

Se compose de 50 couches (pour (ResNet-50), presque 3 fois plus profondes qu'un réseau VGG-
19.
ResNet pour "Residual neural network" a été développé par la recherche Microsoft, ce réseau
est capable d'apporter une facilité d'apprentissage pour les réseaux qui sont par la suite plus
profonds et difficiles à entraîner. ResNet se compose de 50 couches (pour (ResNet-50), presque
3 fois plus profondes qu'un réseau VGG-19.

Figure 3. 5:ResNet Model [32]

AlexNet

Les réseaux de neurones convolutifs (CNN) ont toujours été le modèle de référence pour la
reconnaissance d'objets, ce sont des modèles puissants, faciles à contrôler et encore plus faciles
à former. Le seul problème : ils sont difficiles à appliquer aux images haute résolution. À
l'échelle d'ImageNet, il fallait une innovation qui serait optimisée pour les GPU et réduirait les
temps de formation tout en améliorant les performances.
Alexnet est le nom d'une architecture de réseau neuronal convolutif (CNN), conçue par Alex
Krizhevsky afin de résoudre le problème du réseau cnn. Son architecture se compose de huit
couches : cinq couches convolutionnelles et trois couches entièrement connectées. Mais ce n'est
pas ce qui rend AlexNet spécial .

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 29

 CHAPITRE 3 : ETAT DE LART

Figure 3. 6:AlexNet architecture [33]

5. Apprentissage automatique pour la gestion des déchets

Le terme gestion des déchets alimentée par l'IA fait simplement référence à l'utilisation de l'IA
en relation avec la gestion des déchets. Nous pouvons associer l'IA aux puces informatiques,
aux voitures de luxe et aux mégadonnées, mais en réalité, l'IA est déjà utilisée de diverses
manières pour gérer l'infrastructure qui nous entoure, y compris la gestion des déchets.

Par exemple, des conteneurs "intelligents" peuvent être utilisés pour avertir les entreprises de
gestion des déchets lorsque les conteneurs sont pleins, ce qui signifie que les méthodes de
collecte peuvent être améliorées et que des économies de main-d'œuvre et de carburant peuvent
être réalisées. Alternativement, l'IA peut être utilisée pour mettre en relation les personnes
avec les services et les décharges à proximité, garantissant que davantage de déchets sont
envoyés dans des centres de recyclage plutôt que dans des décharges.

Bien qu'il existe différentes façons d'utiliser l'IA dans l'industrie de la gestion des déchets, c'est
le tri des déchets alimenté par l'IA qui peut véritablement révolutionner l'industrie et changer
notre environnement.

6. Les Datasets

Dans cette partie, nous présentons différents ensembles de données utilisées dans les projets
de classification/identification/tri des déchets à l'aide de modèles d'apprentissage automatique.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 30

 CHAPITRE 3 : ETAT DE LART

6.1. TrashCan 1.0

Un ensemble de données étiqueté par segmentation d'instances d'observations de déchets

7212 images réparties en 3 catégories principales : bio, poubelle, inconnu. Catégories :

bio = tortue, calmar, homard, inconnu, méduse, raie, crevette, écrevisse, poulpe, requin,
coquillage, crabe, étoile de mer, anguille

poubelle = vêtements, tuyau, bouteille, sac, snack_wrapper, gant, pneu, pot, tasse, récipient,
branche, débris, bâche, boîte, tuyau, corde, foin, filet, papier, seau, câble. [34]

Figure 3. 7:TrashCan 1.0 dataset [34]

6.2. Trash-ICRA19
Ces données proviennent de l'ensemble de données J-EDI sur les débris marins. Les vidéos qui
composent cet ensemble de données varient considérablement en termes de qualité, de
profondeur, d'objets dans les scènes et de caméras utilisées. Ils contiennent des images de
nombreux types de débris marins différents, capturés dans des environnements réels,
fournissant une variété d'objets dans différents états de décomposition, d'occlusion et de
prolifération. De plus, la clarté de l'eau et la qualité de la lumière varient considérablement
d'une vidéo à l'autre. Ces vidéos ont été traitées pour extraire 5 700 images, qui composent cet
ensemble de données, toutes étiquetées avec des boîtes englobantes sur des instances de
déchets, des objets biologiques tels que des plantes et des animaux. L'objectif final est de
développer des méthodes de détection de déchets efficaces et précises adaptées au déploiement
de robots embarqués. Nous espérons que la publication de cet ensemble de données facilitera
la poursuite des recherches sur ce problème difficile, rapprochant la communauté de la

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 31

 CHAPITRE 3 : ETAT DE LART

robotique marine d'une solution au problème urgent de la détection et de l'élimination

autonomes des déchets [35] .

Figure 3. 8: Trash ICRA19 [35]

6.3. TACO
Ensemble de données ouvertes avec 1500 images de 28 catégories et 60 sous-catégories
détaillées de déchets dans la nature.

Il contient des photos de déchets prises dans divers environnements, des plages tropicales aux
rues de Londres. Ces images sont étiquetées et segmentées manuellement selon une taxonomie
hiérarchique pour entraîner et évaluer les algorithmes de détection d'objets [36] .

Figure 3. 9: TACO dataset [36]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 32

 CHAPITRE 3 : ETAT DE LART

6.4. Trashnet
L'ensemble de données couvre six classes : verre, papier, carton, plastique, métal et déchets.
Actuellement, le jeu de données se compose de 2527 images [37] :

• 501 verre
• 594 papier
• 403 carton
• 482 plastique
• 410 métal
• 137 poubelle
Et également connu sous le nom de données de classification des ordures(Garbage
Classification Data)

L'ensemble de données de classification des déchets contient 2467 images de 6 catégories :

carton (393), verre (491), métal (400), papier (584), plastique (472) et déchets (127).

Figure 3. 10:Trashnet dataset [37]

6.5. Waste Classification data

Données de classification des déchets contient plus de 25k images déjà divisées en données

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 33

 CHAPITRE 3 : ETAT DE LART

d'entraînement - 22564 images et données de test - 2513 images. Deux grandes catégories :
organique et recyclable [38] .

Figure 3. 11: Waste classification dataset [38]

6.6. Litter
Le jeu de données Litter contient 14 000 images avec 20 000 annotations (boîtes englobantes)
et 24 classes. Chaque classe représente un objet (gobelet), tandis que les sous-classes
déterminent sa taille, sa forme ou son matériau (gobelet en papier long/gobelet en papier court)
[39] .

Figure 3. 12:Litter [39]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 34

 CHAPITRE 3 : ETAT DE LART

6.7. TrashBox dataset

Ensemble de données d'objets poubelles pour la classification et la détection des déchets
(aucune annotation de détection fournie dans le référentiel). Contient 17785 images d'objets
inutiles extraites du Web [40] .

Les catégories de déchets sont les suivantes :

• Déchets médicaux : seringues, gants chirurgicaux, masques chirurgicaux,

médicaments (médicaments et pilules) [Nombre d'images : 2010]
• Déchets électroniques : Puces électroniques, Ordinateurs portables et Smartphones,
Appareils électroménagers, Fils, cordons et câbles électriques [Nombre d'images :
2883]
• Plastique : Sacs, Bouteilles, Contenants, Gobelets, Mégots (qui ont un filtre en
plastique) [Nombre d'images : 2669]
• Papier : Tetra Pak, Journaux, Gobelets en papier, Mouchoirs en papier [Nombre
d'images : 2695]
• Métal : canettes de boisson, déchets de construction, bombes aérosols, canettes de
qualité alimentaire, autres objets métalliques. [Nombre d'images : 2586]
• Verre [Nombre d'images : 2528]
• Carton [Nombre d'images : 2414]

6.8. Comparaison des datasets

Tableau 1: Comparaison de dataset

Nom Categories Subcategories Images Annotations Commentaire

TrashCan 1.0 3 34 7212 Segmentation Images sous-

marines
Trash- 3 34 5700 Detection Images sous-
ICRA19 marines
TACO 28 60 1500 Segmentation Déchets dans
la nature

TrashBox 7 25 17785 Detection Extrait du

/Classification Web
Trashnet 6 - 2527 Classification Arrière-plan
transparent

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 35

 CHAPITRE 3 : ETAT DE LART

Waste 2 - 25K Classification Extrait de la

Classification recherche
Data Google
Litter 24 Size , shape ou 14K Detection Déchets dans
material la nature.
Licence
payante

7. Les travaux connexes

Les recherches sur les systèmes d'aide à la décision dans le domaine de la gestion des déchets
basés sur des techniques d'intelligence artificielle varient, incluant des recherches spécialisées
dans le suivi des déchets, des recherches sur l'identification des déchets, ainsi que des
recherches sur le tri des déchets (classification).

Les usages des techniques de IA (plus précisément : apprentissage profond) diffèrent

également dans l'analyse d'images/vidéos de déchets, comme l'utilisation de
détection/classification ou de la segmentation.

Nous présentons dans ce qui suit un ensemble des travaux connexes de

classification/segmentation des déchets basée sur l’apprentissage profond.

7.1. Classification
Le domaine de la classification des images est largement utilisé pour la détection et la
catégorisation des ordures. La classification des images est un processus par lequel une image
peut être classée en fonction de son contenu visuel

[40] ont proposé un modèle de réseau neuronal convolutif visant à séparer les déchets en trois
catégories, à savoir les déchets compostables, les déchets recyclables et les déchets de rejet,
c'est-à-dire non recyclables ou réutilisables.

Dans [41] , l’autre propose une méthode utilisant MHS (Multilayer hybride deep learning
method) qui utilise CNN pour extraire des caractéristiques des images et MLP pour combiner
ces caractéristiques extraites des images grâce à des capteurs, triant finalement les déchets en
deux catégories à savoir recyclables et autres. La méthode a atteint une précision globale
supérieure à 90 %. Mindy Yang et al.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 36

 CHAPITRE 3 : ETAT DE LART

[42] propose une application smartphone pour la détection de flaques de déchets dans des
images cliquées par des utilisateurs qui sont géolocalisées. Il utilise CNN sur les images pour
la détection des pools de déchets ; l'application atteint une précision moyenne de 87,69 %.

Dans [43], les auteurs ont utilisé les données de classification des déchets dans le but de
comparer les performances de divers réseaux de neurones à convolution pré-formés, à savoir
AlexNet, ResNet, VGG-16 et InceptionNet pour la classification des déchets. Le réseau de
neurones InceptionNet a montré la meilleure mesure de performance pour le modèle proposé
avec une précision de 98,15 % et une perte de 0,10 pour l'ensemble d'apprentissage alors
qu'elle était de 96,23 % et de 0,13 pour l'ensemble de validation.

7.2. Segmentation
Dans le domaine de la segmentation sémantique, une image est divisée en segments où tous
les pixels d'un segment ont des caractéristiques communes.

Cenk Bircanoglu et al. [44] ont comparé divers réseaux convolutifs profonds comme les
réseaux résiduels profonds, Inception Res-Net, MobileNet, DenseNet, etc

Dans [45] propose une manière de traiter la structure de l'image basée sur la segmentation de
l'image, la reconstruction 3D et l'estimation du volume. Le travail utilise une segmentation par
fenêtre glissante basée sur des réseaux de neurones profonds. La sortie du système est le
volume des déchets détectés et analysés.

Dans [46] présente un modèle dans lequel le contenu d'observation vidéo est disséqué, en
utilisant la disposition des objets. Les éléments apparaissant dans la vidéo sont reconnus et
classés à l'aide d'un modèle de système neuronal convolutionnel. Un enregistrement de journal
contenant les classes d'éléments uniques et l'heure d'apparition est produit pour une recherche
ultérieure. Kimin Yun et al.

8. Synthèse

Pour aide à prendre des décision au niveau de planification urbain , plus précisément , au
niveau de gestion des déchets urbaines , nous avons choisi d’appliquer une approches
intelligentes basé sur les algorithme d’apprentissage automatique dans le domaine de

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 37

 CHAPITRE 3 : ETAT DE LART

classification des déchets afin de produire un système intelligent aide a prendre des décision
de classifier les déchets au 2 niveau , recyclable et non recyclable afin d’améliorer le process
de tri , voir les plus grandes économies environnementales et financières déminuer les errons
humains , élimination des déchets dans le respect del'environnement,..etc.

Notre travail est similaire à celui de [43] , à la différence près que nous avons formé les images
avec d'autres techniques , telles que le simple réseaux CNN (Scratch) et un autre (Transfer
Learning) dans le but de comparer et identifier le meilleur classifieurs.

9. Conclusion

Dans ce chapitre, nous avons présenté un état de l’art sur les algorithme d’apprentissage
profond ainsi que les datasets disponibles pour la classification/segmentation des déchets, avec
qu’une étude sur les travaux connexe et finalement nous avons montré notre synthèse.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 38

Contribution & Implémentation
 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

1. Introduction

Dans ce chapitre, nous présentons notre contribution de création un système intelligent pour
aide à la décision dans la phase de trie de déchets , nous coénonçons tous d’abords par
l’architecture générale qui résume notre travaille , puis nous détaillons l’architecture proposé ,
la base de données et finalement nous détaillons les étapes d’implémentation et l’évaluation .

2. CNN pour la classification des images

CNN est généralement utilisé pour le traitement des images. Pour notre cas, nous utiliserons les
CNNs pour classer image de type jpg. Les modèles CNNs a montré des résultats parfaits lors
de l'évaluation de l'environnement à l'aide d'images. Cependant, la création de model CNN
peut être de types scratch ou bien par l’appel d’un modèle.

3. Architecture générale

Tout comme la catégorisation de n'importe quel ensemble de données d'image dans des sections
spécifiques est un problème de type Computer Vision, cette application est considérée comme
un problème d'apprentissage image profond.
Nous allons commencer avec des fichier images, appliquer un prétraitement de données
(augmentation de données), les insérer dans un modèle CNN et faire des prédictions sur la classe
à laquelle appartient l’image.
La figure suivant résume notre système proposé, une fois les déchets collectés, ils peuvent être
séparés en plusieurs catégories à l'aide d'un système de traitement d'images informatisé.
L'approche que nous proposons utilise une caméra numérique reliée à un ordinateur exécutant
une application de classification des déchets. Le logiciel de ce système emploie des méthodes
de traitement d'image basées sur des cv ouverts et des réseaux neuronaux pour reconnaître les
objets. Les débris qui sont passés séparément sur le tapis roulant sont photographiés par la
caméra et envoyés au système programmé par ordinateur pour identification. Enfin, les ordures
sont envoyées vers des conteneurs particuliers en fonction des résultats du système.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 40

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 1: Architecture générale de system proposé

4. Architecture détaillée du système proposé

L'idée proposée se concentre principalement sur la catégorisation et l'identification des déchets

qui ont été jetés dans les processus. Normalement, les déchets non traités sont déversés dans
une décharge où ils se décomposent, mais cela peut prendre des milliers d'années pour que les
déchets non biodégradables le fassent. Ce projet émet l'idée qu'un système automatisé pourrait
classer et identifier les déchets en se basant uniquement sur les caractéristiques de la pièce elle-
même, notamment sa forme, sa couleur et sa taille. Le système proposé est capable d'auto-
apprentissage et peut donc être constamment mis à jour en cas de nouveau déchet.
L'avantage de ce système proposé est qu'il comprendrait une classification simple des déchets
organiques/recyclables, la décomposition des déchets, moins de risques sanitaires et une
procédure plus rapide qui ne nécessite qu'un petit investissement initial.
La conception de base du système proposé est illustrée dans la figure suivante.

La collecte des données est la première étape, après quoi elles sont normalisées, organisées en
groupes de même taille et divisées en deux groupes (train et test). Les données du groupe de
formation sont utilisées pour développer le modèle, tandis que les données du groupe de test
sont utilisées pour tester le modèle. Enfin, le modèle doit passer par l'étape d'évaluation.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 41

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 2: Architecture détaillé de système proposé

5. Architecture du modèle CNN

Nous avons mis en place une approche d’un réseau profond (CNN), l’architecture de cette
approche a été modifiée et améliorée en essayant plusieurs combinaisons de plusieurs
paramètres.
Cependant, l'architecture du modèle proposé présente les caractéristiques suivantes :
• Les couches d’entrées ont une dimension (nombre de neurones) égale au nombre de
caractéristiques du vecteur d’entrée.
• La fonction d’activation utilisée était 𝑅𝑒𝐿𝑈, différentes autres fonctions comme 𝑡𝑎𝑛ℎ et
𝑠𝑖𝑔𝑚𝑜𝑖𝑑 ont été expérimentées, mais le 𝑅𝑒𝐿𝑈 donne toujours les meilleurs résultats.
• Les couches de sortie ont une dimension égale au nombre de classes (les dix chiffres arabes
parlés), pour la classification multi-classes la fonction d’activation ” 𝑆𝑜𝑓𝑡𝑚𝑎𝑥 ” a été choisi.
Elle donne une probabilité (dont la somme vaut 1) en sortie de chaque neurone, le neurone de
sortie avec la probabilité la plus grande permettant alors de décider que sa classe associée est la
classe prédite.
• La technique 𝑑𝑟𝑜𝑝𝑜𝑢𝑡 a été utilisée aussi, lorsqu’on tombe au problème de surapprentissage
(𝑂𝑣𝑒𝑟𝑓𝑖𝑡𝑡𝑖𝑛𝑔). Cette technique s’agit de considérer aléatoirement qu’un pourcentage de
neurones d’une couche dans le but d’obtenir un modèle généralisable.
• La fonction de perte (𝐿𝑜𝑠𝑠 𝑓𝑢𝑛𝑐𝑡𝑖𝑜𝑛) sélectionnée était “ 𝑏𝑖𝑛𝑎𝑟𝑦_𝑐𝑟𝑜𝑠𝑠𝑒𝑛𝑡𝑟𝑜𝑝𝑦 ” pour la
classification binaire.
L’optimiseur "𝐴𝑑𝑎𝑚" a été utilisé au lieu de l’algorithme d’optimisation stochastique du

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 42

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

gradient descendant (𝑆𝐺𝐷) qui nous a données de mauvais résultats.

La fonction de perte va mesurer l’écart entre les prédictions de modèle et les résultats attendus.
Ensuite, l’algorithme d’optimisation "𝐴𝑑𝑎𝑚" va dicter comment mettre à jour les poids d’un
réseau de neurones pour diminuer la perte, qui au modèle de converge rapidement et obtient des
meilleures prédictions avec le minimum d’erreur.

6. Model from scratch

Figure 4. 3:Architecture de modèle CNN proposé

Les couches de convolution ont des nombres de filtres variés de différentes tailles, ils ont le
𝑃𝑎𝑑𝑑𝑖𝑛𝑔 𝑠𝑎𝑚𝑒 pour conserver la même taille des cartes de caractéristiques d’entrées. Étant
donné une matrice d'entré 2𝐷 de spectrogramme, l’opération de convolution 2𝐷 utilisant
plusieurs filtres nous donne une carte de caractéristiques appelées (𝐹𝑒𝑎𝑡𝑢𝑟𝑒𝑠 𝑚𝑎𝑝), ensuite, la
fonction d’activation 𝑅𝑒𝐿𝑈 sera appliquée à chaque valeur du 𝑓𝑒𝑎𝑡𝑢𝑟𝑒𝑠 𝑚𝑎𝑝𝑠.
Ces caractéristiques seront encore passé à l’opération 𝑀𝑎𝑥 − 𝑝𝑜𝑜𝑙𝑖𝑛𝑔 sur la carte de

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 43

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

caractéristiques afin d’obtenir de nouvelles caractéristiques plus significatives dans lesquelles

la nouvelle caractéristique c’est la valeur maximum des autres valeurs de la carte. Ensuite une
autre couche convolutif et de 𝑚𝑎𝑥 𝑝𝑜𝑙𝑙𝑖𝑛𝑔 sont répétée pour obtenir de nouvelles
caractéristiques plus significatives. Ces nouvelles caractéristiques seront finalement transmises
à deux couches entièrement connectées, une couche de 𝐷𝑟𝑜𝑝𝑜𝑢𝑡 est utilisée afin d’éviter le sur-
apprentissage. La dernière couche contient la fonction 𝑆𝑜𝑓𝑡 − 𝑚𝑎𝑥 qui donne la distribution
de probabilité sur chaque classe.
La version efficace de l’algorithme descente de gradient stochastique « 𝐴𝑑𝑎𝑚 » était utilisé
pour optimiser le réseau, et la fonction de perte d’entropie croisée catégorique
(𝑐𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑐𝑎𝑙_𝑐𝑟𝑜𝑠𝑠𝑒𝑛𝑡𝑟𝑜𝑝𝑦) était utilisée étant donné que nous apprenons un problème de
classification multi-classes.

5.1. Model Transfer Learning (VGG 16)

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 44

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Pour le trainement de modele nous avons choisi le VGG 16 . Un réseau neuronal résiduel est un réseau
neuronal convolutif (CNN) avec de nombreuses couches. En particulier, VGG 16 est un CNN avec 16
couches qui ont été pré-entraînées sur la base de données ImageNet. Un CNN préformé fonctionnera
mieux sur les nouvelles tâches de classification d'images car il a déjà appris certaines fonctionnalités
visuelles et peut transférer ces connaissances (d'où un transfert d'apprentissage). Puisqu'ils sont capables
de décrire plus de complexité, les réseaux de neurones profonds devraient théoriquement mieux
fonctionner que les réseaux peu profonds sur les données d'entraînement. En réalité, cependant, les
réseaux de neurones profonds ont tendance à avoir des performances empiriques pires que les réseaux
peu profonds. Des réinitialisations ont été créées pour contourner ce problème à l'aide d'un hack appelé
connexions de raccourci. Lorsque des ajustements sont nécessaires, les connexions de raccourci
appliquent la fonction d'identité pour transmettre des informations aux couches suivantes. Cela
raccourcit le réseau neuronal lorsque cela est possible et permet aux réinitialisations d'avoir des
architectures profondes et de se comporter davantage comme des réseaux neuronaux peu profonds. Le
34 dans resnet34 se réfère simplement au nombre de couches. L’architecture de notre deuxième modèle
est la suivante :

7. Environnement de développement

Notre modèle est implémenté sous une machine avec un processeur Intel Core i5 fonctionnant
avec une vitesse d'horloge de 1,8 GHz, 16 Go de mémoire, 128 Go de SSD et 1 To de stockage.
Le langage de programmation est le langage python le plus spécifié pour le domaine d'analyse
des donnés. L'implémentation été réalisation localement avec l'IDE anaconda (Jupyetr
Notebook) et aussi sur le cloud de google (Google colab) pour bénéficier de GPU. Les étapes
d'implémentation sont réalisé à l'aide de diverses bibliographies telles que : Keras, Tensorflow,
Pandas, Numpy , Matplotlib.

7.1. Python
Python est un langage de programmation généraliste interprété de haut niveau. Ce langage est
l'un des principaux langages d'analyse de données et il met fortement l'accent sur les
nombreuses tâches telles que l'analyse d'images, ce qui signifie combiner les meilleures
fonctionnalités nécessaires à la réalisation de notre travail. Dans notre implémentation nous
avons utilisé la version 3 du python (Python 3) [47] .

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 45

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 4: pyhton logo [47]

7.2. Google colab

Colaboratory (Colab), est un produit de Google Research. Colab permet à n'importe qui d'écrire
et d'exécuter le code Python de son choix par le biais du navigateur. C'est un environnement
particulièrement adapté au machine learning, à l'analyse de données et à l'éducation. En termes
plus techniques, Colab est un service hébergé de notebooks Jupyter qui ne nécessite aucune
configuration et permet d'accéder sans frais à des ressources informatiques, dont des GPU [48].

Figure 4. 5: google colab logo [48]

7.3. Numpy
NumPy est une bibliothèque pour le langage de programmation Python, ajoutant la prise en
charge de grands tableaux et matrices multidimensionnels, ainsi qu'une grande collection de
fonctions mathématiques de haut niveau pour opérer sur ces tableaux [49] .

Figure 4. 6:NumPy logo [49]

7.4. Pandas
Pandas est une bibliothèque logicielle écrite pour le langage de programmation Python pour la
manipulation et l'analyse de données. En particulier, il propose des structures de données et des
opérations de manipulation de tableaux numériques et de séries chronologiques [50].

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 46

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 7:Pandas logo [50]

7.5. Keras
Keras est une bibliothèque de logiciels open source qui fournit une interface Python pour les
réseaux de neurones artificiels. Keras agit comme une interface pour la bibliothèque
TensorFlow [51].

Figure 4. 8:Keras logo [51]

7.6. Tensorflow
TensorFlow est une bibliothèque de logiciels gratuite et open source pour l'apprentissage
automatique et l'intelligence artificielle. Il peut être utilisé dans une gamme de tâches, mais se
concentre particulièrement sur la formation et l'inférence des réseaux de neurones profonds
[52].

Figure 4. 9:TensorFlow logo [52]

7.7. Matplotlib
Matplotlib est une bibliothèque de traçage pour le langage de programmation Python et son
extension de mathématiques numériques NumPy. Il fournit une API orientée objet pour intégrer
des tracés dans des applications à l'aide de kits d'outils d'interface graphique à usage général
[53].

Figure 4. 10:Matplotlib logo [53]

8. Dataset

L'ensemble de données original de Kaggle se compose de 25 077 images d'images organiques

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 47

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

(13 966) et recyclables (11 111). Les images acquises sont des fichiers .jpg colorés d'orientation
aléatoire portrait et paysage avec une résolution allant de 191 pixels (minimum) x 264 pixels
(maximum). Un total de 24 705 images ont le mode couleur RGB tandis que 372 images ont le
mode P. Ce dernier a été supprimé de l'ensemble de données pour éviter les problèmes de bandes
de couleurs. Ainsi, seules 24 705 images ont été retenues pour les expérimentations [54] .

Figure 4. 11:Structure de dataset

9. Etapes d’implémentation

9.1. Importation des bibliographie

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 48

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

9.2. Importation de dataset

9.3. Unzip le fichier de dataste

9.4. Englober les classes de dataset

9.5. Prétraitement de données

9.5.1. Augmentation de données

Split: 80/20
Rescale (255)
Image size (180, 180)
Flips: True
Rotation: 10
Zoom: 0.4

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 49

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

9.5.2. Preparation des données

9.5.3. Renommer les classes (labels)

9.6. Création du premier model (CNN from scratch )

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 50

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

9.7. Création du deuxième model (CNN transfer learning : VGG16)

10. Résultat et discussion

10.1. Mesures d’évaluation

Model CNN

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 51

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 12: Accuracy et loss de CNN

Figure 4. 13: Matrice de confusion de CNN

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 52

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Exemple de prédiction CNN

Figure 4. 14: Exemple de prédiction CNN

Model VGG16

Figure 4. 15: Accuracy et loss de VGG 16

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 53

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

Figure 4. 16:Matrice de confusion VGG 16

Exemple de prédiction VGG 16

Figure 4. 17:Exemple de prédiction VGG 16

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 54

 CHAPITRE 4 : CONTRIBUTION & IMPLEMENATION

11. Conclusion

Pour la classification des images de déchets , nous avons utilisé deux modèle d'apprentissage
en profondeur avec l'ensemble de données "𝑤𝑎𝑠𝑡𝑒 𝑐𝑙𝑎𝑠𝑠𝑠𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑜𝑛 𝑑𝑎𝑡𝑎 ". Il y avait de
nombreux défis avec le développement qui ont nécessité beaucoup de temps pour être résolus.
La taille de l'ensemble de données et les limites des outils matériels à portée de main
(processeur, mémoire). Pour résoudre ces problèmes, nous avons choisi de collaborer avec la
plateforme google colab afin de tirer parti des ressources matérielles et d'exécuter notre modèle
CNN pour une classification binaire qui comprenait les les dechéts organiques et recyclables.
De nombreux essais ont été faites pour découvrir l'architecture optimale pour la classification
avec les hyper-paramètres appropriés des modèles.
Le modèle transfer learnig proposés a produit des résultats satisfaisants, avec une bonne
précision de classification des divers image par rapport de le model from scratch .

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 55

 CONCLUSION GENERALE

1. Conclusion

Ce travail de recherche s’inscrit dans le cadre d'un systeme intelligent d'aide a la decison pour
la planification urbain . dans ce fait et en cours de cette these , nous avons etudier le domaine
de la plannification urbain et extrairel'axe de La gestion des déchets comme un cas d'etude . la
gestion de dechets constituent un grand défi auquel fait face toutes les sociétés actuelles où
Leur traitement reste une problématique et se traduit par des multiplications négatives Pour faire
face à cette problématique, nous avons adopté une méthodologie de recherche qui consiste à
concevoir et implémenter un système de classification automatique (intelligent) d’images dont
une perspective diade a la decison pour classifier les dechets comme organique ou bien
recyclable et les mettres dans le cycle de recyclage .
A ce stade nous avons choisi d'appliquer les algorithmes d'apprentissage profond pour classifier
les déchets en 2 catégories, notre contribution est basé sur un model CNN from scratch et un
autre model transfer learning (VGG16) . Pour cela nous avons choisi de réaliser une application
intelligente sous le langage de programmation Python qui utilise une source de données
contient des images annotées par des valeurs (organique et recyclable ) pour la dataset de waste
classification data .
Nous avons commencé par l'introduction de contexte de planification urbaine et la gestion des
déchets . Ensuite, nous avons etudier le domaine daide a la decison ainsi que les approches
d'aide a ladecison . en plus nous avons réalisé un état de l'art ou nous
avons met l’accent sur les algorithmes d'apprentissage automatique et leur application aux
systeme aide a la decison pour les gestions
des déchets travaux connexes), puis nous avons proposé notre contribution où nous avons étudié
deux models et faire une comparaison.
Les résultats obtenus sont très encourageants, où nous avons atteint un meilleur Taux celui de
94% dans le deuxime model avec le VGG 16.

2. Perspectives

Notre travail ne s'arret pas a ce stade , il reste ouvert pour des améliorations . dans ce fait nos
futures améliorations sont :

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 56

 CONCLUSION GENERALE

✓ Nous voulons ajouter une contribution de segmentation des iamges pour mieux classifier les
objets englober dans une seul image
✓ Nous voulons travailler sur des autres algorithmes de IA pour augmenter et comparer les
résultats .

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 57

 REFERENCES BIBLIOGRAPHIES

[1] : MERLIN, P. & CHOAY, F. 1988. de l'article/du chapitre Dictionnaire de l'urbanisme et de

l'aménagement, distributeur Presses Universitaires de France
[2] : LAURINI, R. 2014. Information systems for urban planning: a hypermedia cooperative approach,
CRC Press.
[3] : SABRINA, S. 2006. Comportement des bétons à base de granulats recyclés. Génie civil.
[4] : MATE 2004. Ministère de l’Aménagement du Territoire et de l’Environnement (MATE),
Aménagement de l’Algérie 2020, Alger, Algérie
[5] : ASCHER, F. 1995. Métapolis: ou l'avenir dês villes, Odile Jacob.
[6] : MASBOUNGI, A. & DE GRAVELAINE, F. 2002. Projets urbains en France/French urban
strategies. Editions du Moniteur, Paris
[7] : ARAB, N. 2004. L'activité de projet dans l'aménagement urbain: processus d'élaboration et modes
de pilotage Les cas de la ligne B du tramway strasbourgeois et d'Odysseum à Montpellier.
Ecole des Ponts ParisTech.
[8] : KAWAI, K. & HUONG, L. T. M. 2017. Key parameters for behaviour related to source separation
of household organic waste: A case study in Hanoi, Vietnam. Waste Management &
Research, 35, 246-252.
[9] : SEYRING, N., DOLLHOFER, M., WEIßENBACHER, J., BAKAS, I. & MCKINNON, D. 2016.
Assessment of collection schemes for packaging and other recyclable waste in European
Union-28 Member States and capital cities. Waste Management & Research, 34, 947-956.
[10] : ZOBEL, T. 2015. ISO 14001 adoption and industrial waste generation: The case of Swedish
manufacturing firms. Waste Management & Research, 33, 107-113
[11] : ALI, M., WANG, W., CHAUDHRY, N. & GENG, Y. 2017. Hospital waste management in
developing countries: A mini review. Waste Management & Research, 35, 581-592.
[12] :BABU, B. R., PARANDE, A. K. & BASHA, C. A. 2007. Electrical and electronic waste: a global
environmental problem. Waste Management & Research, 25, 307-318.
[13]:GAN, L. & YANG, S. 2017. Legal context of high level radioactive waste disposal in China and
its
further improvement. Energy & Environment, 28, 484-498.
[14]:[Link] (12/05/2022)
[15] : lises Cortés, Miquel Sànchez-Marrè, Luigi Ceccaroni, Ignasi R Roda, and Manel Poch. Artificial
intelligence and environmental decision support
systems. Applied intelligence, 13 (1): 77–91, 2000.
[16] :Salvatore Greco, Benedetto Matarazzo, and Roman Slowinski.
Rough sets theory for multicriteria decision analysis. European journal of operational

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 58

 REFERENCES BIBLIOGRAPHIES

research, 129 (1): 1–47, 2001.

[17] : Paul R Kleindorfer, Howard Kunreuther, Howard G
Kunreuther, and Paul JH Schoemaker. Decision sciences: An integrative perspective.
Cambridge University Press, 1993
[18]: Marko Bohanec. Decision support. In Data mining and decision support,
pages 23–35. Springer, 2003.
[19]: Daniel J Power. A brief history of decision support systems.
DSSResources. com, 3, 2007.
[20] : Jung P Shim, Merrill Warkentin, James F Courtney, Daniel J
Power, Ramesh Sharda, and Christer Carlsson. Past, present, and future of decision
support technology. Decision support systems, 33 (2): 111–126, 2002
[21] : KHELIFA Boudjemaa ,Système intelligent d'aide à la décision
pour la planification du projet urbain , these de doctorat , 2020
[22] :. W. Glorfeld and B. C. Hardgrave. An improved
method for developing neural networks: The case of evaluating commercial loan
creditworthiness. Computer Operation Research, 23 (10): 933–944, 1996.
[23] :ren Etzioni and Daniel Weld. A softbot-based interface to
the internet. Communications of the ACM, 37 (7): 72–76, 1994.
[24] :M Khoong. Decision support systems: an extended research agenda.
Omega, 23 (2): 221–229, 1995.
[25]:Lotfi A Zadeh. Fuzzy sets. Information and control, 8 (3): 338–353, 1965.
[26] :Radu F Babiceanu and F Frank Chen. Development and
applications of holonic manufacturing systems: a survey. Journal of Intelligent
Manufacturing, 17 (1): 111–131, 2006.
[27] : Usama Fayyad, Gregory Piatetsky-Shapiro, and Padhraic Smyth.
The kdd process for extracting useful knowledge from volumes of data. Communications
of the ACM, 39 (11): 27–34, 1996.
[28] : Arthur L Samuel. 1959. some studies on machine learning using the
game of checkers. IBM Journal of Research and Development, 3: 211–229, 1967.
[29] : Chen, Q., Wang, W., Wu, F., De, S., Wang, R., Zhang, B., & Huang, X. (2019). A survey on an
emerging area: Deep learning for smart city data. IEEE Transactions on Emerging Topics in
Computational Intelligence, 3(5), 392-410
[30] : [W. Yin, K. Kann,M. Yu, et H. Schütze. Comparative Study of CNN and RNN for Natural
Language Processing, 2017.

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 59

 REFERENCES BIBLIOGRAPHIES

[31] : Mojumder, U., Sarker, T. T., Monika, G. M., & Ratul, N. A. (2016). Vehicle model identification
using neural network approaches (Doctoral dissertation, BRAC University).
[32] :Detailed Guide to Understand and Implement ResNets – [Link] (27/05/2022)
[33] : Pedraza, A., Gallego, J., Lopez, S., Gonzalez, L., Laurinavicius, A., & Bueno, G. (2017, July).
Glomerulus classification with convolutional neural networks. In Annual conference on medical image
understanding and analysis (pp. 839-849). Springer, Cham.
[34] : [Link] ( 05/05/2022)
[35]:[Link] (05/05/2022)
[36] :[Link](06 /05/2022)
[37] : github [Link] (06/05/2022)
[38] : [Link]
[39] :[Link]

[40] :Hiremath T, Rajarajeswari S (2019) A survey on existing convolutional neural networks and waste
management techniques and an approach to solve waste classification problem using neural networks
[41]: Chu Y, Huang C, Xie X, Tan B, Kamal S, Xiong X (2018) Multilayer hybrid deep-learning method
for waste classification and recycling. Comput Intell Neurosci
[42] : Mittal G, Yagnik KB, Garg M, Krishnan NC (2016) Spotgarbage: smartphone app to detect
garbage using deep learning. In Proceedings of the 2016 ACM International Joint Conference on
Pervasive and Ubiquitous Computing (pp. 940–945).
[43] :A deep learning approach based hardware solution to categorise garbage in environment |
SpringerLink
[44]:Bircanoğlu C, Atay M, Beşer F, Genç Ö, Kızrak MA (2018) RecycleNet: intelligent waste sorting
using deep neural networks. In 2018 Innovations in Intelligent Systems and Applications (INISTA) (pp.
1–7). IEEE
[45]:Nilopherjan N, Piriyadharisini G, Rajmohan R, Sandhya SG (2018) Automatic garbage volume
estimation using sift features through deep neural networks and poisson surface reconstruction. Int J
Pure Appl Math 119(14):1101–1107
[46]:Aljarrah I, Mohammad D (2018) Video content analysis using convolutional neural networks. In
2018 9th International Conference on Information and Communication Systems (ICICS) (pp. 122–126).
IEEE
[47] : Welcome to [Link]
[48] : [Link]
[49] : What is NumPy? — NumPy v1.22 Manual

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 60

 REFERENCES BIBLIOGRAPHIES

[50] :pandas - Python Data Analysis Library ([Link])

[51] : Keras: the Python deep learning API
[52] : TensorFlow
[53] :Matplotlib — Visualization with Python
[54] : [Link]

SYSTEME INTELLIGENT D’AIDE A LA DECISION POUR LA PLANIFICATION URBAIN 61