Electronic waste recycling : sorting and reuse
Recyclage de déchets électroniques : tri et réutilisation
Résumé
This thesis presents the development of an innovative approach to the sorting and characterisation of electronic components in the context of Waste Electrical and Electronic Equipment (WEEE) recycling. By integrating advanced machine vision, multi-energy X-ray absorption spectroscopy and machine learning techniques, this study proposes a comprehensive and accurate sorting process. This study demonstrates the effectiveness of optical sorting based on machine vision coupled with sorting algorithms such as convolutional neural networks (CNN). This combination allows similar electronic components to be efficiently grouped together, making them easier to recycle. In addition to optical sorting, X-ray absorption spectroscopy is being introduced to overcome the limitations of optical sorting by providing crucial information on the elemental composition of electronic components.The integration of all these sorting methods into a single process, supported by the construction of a prototype, demonstrates the relevance of this approach. The overall process offers the opportunity not only to group similar electronic components efficiently, but also to significantly enrich the final streams with targeted elements, enabling the recovery of previously lost elements due to their low concentration in WEEE. This study opens the door to large-scale industrial application of the process, making it economically viable to recycle many elements of interest. And more importantly this approach that is compatible with today's challenges in WEEE recycling.
Thesis funded by the ANR project: "REVIWEE" (ANR-22-PERE-0009) and the PEPR (Priority research programs and equipment) "Recyclage".
Thesis funded by the ANR project: "REVIWEE" (ANR-22-PERE-0009) and the PEPR (Priority research programs and equipment) "Recyclage".
Ce travail de thèse présente le développement d'une approche novatrice pour le tri et la caractérisation des composants électroniques dans le cadre du recyclage des déchets d'équipements électriques et électroniques (DEEE). En intégrant des techniques avancées de vision industrielle, de spectroscopie par absorption des rayons-X multi-energies et d’apprentissage machine, cette étude propose un procédé de tri global et précis. Cette étude démontre l'efficacité du tri optique basé sur la vision industrielle, couplée à des algorithmes de tri tels que les réseaux de neurones convolutionnels (CNN). Cette combinaison permet de regrouper efficacement des composants électroniques similaires, facilitant ainsi leur recyclage. En complément du tri optique, afin de surmonter les limites de ce tri, la spectroscopie par absorption des rayons-X est introduite, offrant des informations cruciales sur la composition élémentaire des composants électroniques. L'intégration de toutes ces méthodes de tri dans un seul procédé, appuyée par la construction d’un prototype, démontre la pertinence de cette approche. Le procédé global offre la capacité non seulement de regrouper efficacement des composants électroniques similaires, mais également d'enrichir considérablement les flux finaux en éléments ciblés, permettant la récupération d'éléments jusqu'alors perdus à cause de leur faible concentration dans les DEEE. Cette étude ouvre les portes à une application industrielle à grande échelle du procédé qui permet de rendre économiquement viable le recyclage de nombreux éléments d’intérêts. Et plus encore, cette approche est compatible avec les enjeux contemporains du recyclage des DEEE.
Sujet de thèse financé par le projet ANR : "REVIWEE" (ANR-22-PERE-0009) et le PEPR (Programmes et équipements prioritaires de recherche) Recyclage".
Sujet de thèse financé par le projet ANR : "REVIWEE" (ANR-22-PERE-0009) et le PEPR (Programmes et équipements prioritaires de recherche) Recyclage".
| Origine | Version validée par le jury (STAR) |
|---|