Déchets marins : l’ENSIT lance une base de données tunisienne pour entraîner l’IA à surveiller les côtes
Le laboratoire RIFTSI (Robotique intelligente, fiabilité et traitement du signal et de l’image) de l’École nationale supérieure d’ingénieurs de Tunis (ENSIT) annonce le lancement de TUN-MED-MAR-UAV-LITTER, une base de données ouverte destinée à renforcer la détection et le suivi des déchets marins et côtiers grâce à l’intelligence artificielle (IA).
Développée à partir d’images aériennes captées par drone sur le littoral tunisien, cette ressource vise à fournir aux chercheurs un outil adapté à la détection, à la classification et à la segmentation automatisées des déchets.
Fruit de quatre années de recherche, cette base est présentée par ses concepteurs comme une première en Tunisie dans ce domaine. Elle met à la disposition de la communauté scientifique des données issues de conditions réelles d’observation, avec l’objectif de faciliter le développement de nouveaux modèles d’intelligence artificielle capables d’identifier les déchets présents dans différents environnements côtiers méditerranéens.
Plus de 10 000 images aériennes du littoral tunisien
La base TUN-MED-MAR-UAV-LITTER rassemble 10 397 images et 22 736 objets annotés, répartis en sept grandes classes et 19 sous-classes de déchets. Les données ont été collectées sur 17 plages tunisiennes et couvrent 58 zones d’évaluation, offrant ainsi une importante diversité de situations pour l’entraînement et l’analyse des modèles d’IA.
Les images ont été acquises exclusivement dans des environnements réels à l’aide de drones. Elles sont géoréférencées et accompagnées d’annotations polygonales conformes aux formats internationaux, permettant de localiser précisément les déchets dans les images.
Parmi les principales catégories identifiées figurent notamment le carton, le tissu, le verre, le métal, le plastique, le bois et d’autres types de déchets.
L’un des intérêts de cette base réside dans la diversité des milieux représentés. Les prises de vue couvrent des plages sableuses, des zones rocheuses, des espaces caractérisés par la présence de posidonie ainsi que des environnements combinant plusieurs de ces éléments. Cette variété permet de confronter les systèmes d’intelligence artificielle à des conditions proches de celles rencontrées lors d’opérations de surveillance du littoral.
36 architectures d’IA mises à l’épreuve
Pour évaluer les performances de la base de données, l’équipe de recherche a testé 36 architectures d’intelligence artificielle, parmi lesquelles des réseaux de neurones convolutifs (CNN), des Transformers et différentes architectures YOLO utilisées dans la détection et la segmentation d’objets.
Les modèles évalués ont atteint une précision de classification de 91,71 %, tandis que la segmentation a obtenu un score de 87 % selon l’indicateur mask mAP@0.5:0.95. Ces résultats témoignent du potentiel de cette ressource pour les applications de surveillance environnementale.
La base est également structurée pour permettre l’entraînement, la validation et le test des modèles. Une partie des données d’entraînement peut notamment faire l’objet de techniques d’augmentation contrôlée, telles que la rotation des régions d’intérêt, les variations d’exposition lumineuse ou l’ajout de bruit. Les ensembles de validation et de test restent non augmentés afin de garantir une évaluation plus fiable des performances.
Une ressource conçue pour les environnements côtiers méditerranéens
Selon l’étude comparative menée par les chercheurs, TUN-MED-MAR-UAV-LITTER se distingue par la combinaison de plusieurs caractéristiques rarement réunies au sein d’une même base ouverte : des images réelles obtenues par drone, des annotations polygonales précises, une grande diversité de catégories de déchets et des environnements côtiers méditerranéens complexes.
La présence de zones rocheuses, de plages sableuses et surtout d’herbiers de posidonie constitue un élément important pour l’entraînement des modèles. Ces arrière-plans peuvent en effet rendre l’identification automatique des déchets plus difficile, notamment lorsque les objets se confondent avec leur environnement.
Cette diversité doit permettre aux chercheurs de développer des modèles plus robustes, capables de fonctionner dans des conditions variables de luminosité, de perspective, d’arrière-plan et de taille des objets. L’objectif est ainsi de rapprocher les performances obtenues en laboratoire des contraintes rencontrées lors d’une véritable surveillance du littoral.
L’IA au service de la protection du littoral tunisien
Au-delà de la recherche en vision par ordinateur, cette base de données ouvre des perspectives dans le domaine de la surveillance environnementale par drone. Les systèmes développés à partir de ces données pourraient contribuer à automatiser l’identification des déchets sur les plages, à cartographier les zones affectées par la pollution et à suivre son évolution dans le temps.
La technologie pourrait également être intégrée à des dispositifs de surveillance autonome ou à des outils d’aide à la décision destinés aux acteurs chargés de la protection des écosystèmes marins et côtiers. L’analyse automatisée des images permettrait notamment de traiter rapidement de grandes quantités de données collectées par drones.
Le projet est placé sous la direction scientifique du professeur Hassene Seddik, chef de projet au laboratoire RIFTSI de l’ENSIT. Il a bénéficié de la contribution des chercheurs doctorants Riadh Salah Chaouachi, Moataz Harrazi, Anas Aouadi et Rabie Ouerghie, ainsi que de la collaboration scientifique de Noureddine Zaaboub, professeur associé à l’Institut national des sciences et technologies de la mer (INSTM), et de chercheurs et collaborateurs de l’ENSIT, du RIFTSI et de l’ENICar.
Accessible en libre accès, via ce lien zenodo.org/records/23624900, TUN-MED-MAR-UAV-LITTER ambitionne ainsi de soutenir les chercheurs tunisiens et internationaux dans le développement de solutions d’intelligence artificielle dédiées à la détection des déchets marins, à la surveillance des côtes et à la préservation des écosystèmes méditerranéens.
Tekiano avec IA
