Redwood trie les batteries par IA à plus de 98 % de précision

Guide

Redwood trie les batteries par IA à plus de 98 % de précision

Par Tom Levy10 min de lecture

Tri des batteries par IA : Redwood dépasse 98 % de précision et accélère la récupération du lithium, du nickel et du cobalt.

Partager cet article

La lettre du soirGratuit · 19 h

Le brief IA que les pros lisent chaque soir

Les 7 actus IA du jour, décryptées en 5 min. Gratuit.

Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.

Choisissez votre rythme

Gratuit · Pas de spam · Désabonnement en 1 clic

Le tri est devenu le point de passage critique du recyclage des batteries. Mélangées avant traitement, des cellules issues de l’électronique grand public, des véhicules électriques et d’autres usages peuvent présenter des chimies, des formats et des niveaux de charge différents. Une erreur d’orientation dégrade la qualité des flux et complique la récupération des matériaux.

Redwood Materials affirme avoir industrialisé une réponse concrète : une ligne automatisée qui identifie les batteries usagées avec une précision supérieure à 98 %. Le système combine vision par ordinateur, capteurs laser, données de poids et machine learning, puis dirige chaque batterie vers le flux de traitement adapté. Il traite plusieurs tonnes par heure sur des matières réellement destinées au recyclage.

Cette approche ne remplace pas le procédé de recyclage. Elle intervient en amont, à l’endroit où la qualité du tri conditionne la suite de la chaîne. Voici comment elle fonctionne, ce qu’elle apporte aux métaux recyclés et pourquoi elle devient stratégique en 2026.

Redwood dépasse 98 % de précision sur le tri des batteries usagées

L’idée clé est simple : reconnaître chaque batterie avant son traitement permet de limiter le mélange de chimies incompatibles et d’améliorer la régularité des flux entrants.

Redwood Materials a mis en service une ligne de tri automatisée fondée sur la vision par ordinateur et le machine learning. L’entreprise indique que son système identifie les batteries avec une précision supérieure à 98 %, en déterminant notamment leur chimie avant leur orientation vers la bonne étape de recyclage.

La ligne traite des matières issues du réseau de recyclage de Redwood. Les batteries passent dans un flux organisé en file individuelle, puis traversent une zone de capteurs. Des caméras haute résolution observent les inscriptions et la forme des éléments, tandis qu’un profilomètre laser mesure leurs caractéristiques physiques. Des équipements de pesée complètent les informations disponibles.

Ces données sont analysées par un modèle d’intelligence artificielle exécuté sur une infrastructure locale équipée de processeurs graphiques. Le système prend ensuite une décision en temps réel et déclenche l’orientation de la batterie vers le flux correspondant.

À retenir : Redwood revendique une précision supérieure à 98 % et une capacité de traitement de plusieurs tonnes par heure. Le chiffre concerne l’identification et le tri, pas un taux global de récupération des métaux.

L’entreprise explique avoir entraîné le modèle sur ses propres données de batteries. Le dispositif a été développé en quelques mois, puis amélioré au fil de son utilisation sur des matières réelles. Cette boucle permet au système de tenir compte de la diversité des produits rencontrés dans les flux de collecte.

Pourquoi l’identification est difficile

Une batterie ne se présente pas toujours comme un produit clairement étiqueté. Les inscriptions peuvent être absentes, effacées ou difficiles à lire. Des batteries de dimensions proches peuvent aussi utiliser des chimies différentes, avec des compositions métalliques et des traitements adaptés à chaque catégorie.

Le modèle ne s’appuie donc pas sur une seule information. Il croise plusieurs signaux :

  • les marquages visibles sur la batterie ;
  • la forme et les dimensions ;
  • le profil physique mesuré par laser ;
  • le poids ;
  • les données accumulées pendant l’entraînement du modèle.

Cette combinaison réduit la dépendance à un unique indice. Elle permet aussi de traiter des lots hétérogènes, dans lesquels les formats et les origines varient fortement.

Le tri par IA intervient avant la récupération des matériaux

Le bénéfice principal se situe dans la préparation du flux, avant les étapes mécaniques, thermiques ou chimiques du recyclage.

Après collecte, les batteries doivent être sécurisées, regroupées et préparées. Les opérations suivantes peuvent comprendre le démontage, le broyage et la séparation des différentes fractions. La matière obtenue doit ensuite être traitée pour récupérer des éléments comme le lithium, le nickel, le cobalt et le cuivre.

Un flux mieux séparé facilite cette chaîne. Les batteries orientées vers des traitements adaptés produisent des matières plus homogènes. Cette homogénéité peut contribuer à améliorer la qualité des métaux recyclés et à rendre les opérations plus régulières, deux effets mis en avant par Redwood.

Le tri automatisé agit donc comme un filtre de qualité. Il ne crée pas de lithium supplémentaire et ne garantit pas, à lui seul, qu’un métal sera récupéré à 100 %. En revanche, il réduit le risque de mélanger des batteries qui ne devraient pas suivre exactement le même parcours.

Une décision prise en temps réel

Le fonctionnement repose sur une succession d’étapes rapides :

  • les batteries sont séparées pour passer une par une ;
  • les caméras et capteurs enregistrent leurs caractéristiques ;
  • le modèle estime la catégorie et la chimie ;
  • le système déclenche l’orientation vers le flux approprié ;
  • les données d’exploitation alimentent l’amélioration du modèle.

Cette automatisation est particulièrement adaptée à un environnement où les objets arrivent à cadence élevée. Le tri manuel reste utile pour certaines opérations, mais il devient difficile à maintenir lorsque les volumes atteignent plusieurs tonnes par heure.

Le modèle de Redwood est exécuté sur un cluster de processeurs graphiques installé sur site. Cette architecture limite la dépendance à une connexion distante pour prendre les décisions de tri. Elle permet aussi d’intégrer les données provenant directement de la ligne industrielle.

Ce que l’IA change pour le lithium, le nickel et le cobalt

L’objectif industriel dépasse la vitesse de séparation : Redwood cherche à augmenter la part de métaux récupérés à partir de batteries déjà produites.

Le recyclage peut fournir une source secondaire de matières premières pour les batteries. Lorsque les flux sont correctement séparés, les opérateurs peuvent mieux orienter les traitements et limiter les contaminations entre catégories. Redwood relie cette amélioration à la qualité des métaux recyclés et à la stabilité de ses opérations.

Les matériaux visés comprennent notamment le lithium, le nickel et le cobalt. Leur récupération permet de réintroduire des matières dans la chaîne industrielle au lieu de dépendre uniquement de nouvelles ressources extraites ou importées.

L’enjeu est aussi géopolitique. Une filière de recyclage capable de traiter localement davantage de batteries peut réduire l’exposition aux chaînes d’approvisionnement internationales. Le tri par IA ne suffit pas à créer une autonomie complète, mais il améliore une étape qui conditionne le rendement de la filière.

Recyclage et objectifs européens

Le règlement européen sur les batteries prévoit des objectifs de rendement de recyclage et de récupération de certains matériaux. Pour les batteries au lithium, l’objectif de rendement de recyclage atteint 65 % au 31 décembre 2025, puis 70 % au 31 décembre 2030.

Des objectifs spécifiques concernent également les éléments récupérés. Le cobalt, le cuivre, le plomb et le nickel doivent atteindre un taux de récupération de 90 % au 31 décembre 2027, puis 95 % au 31 décembre 2031. Pour le lithium, les objectifs sont de 50 % en 2027 et de 80 % en 2031.

IndicateurÉchéanceObjectif
Rendement de recyclage des batteries au lithium31 décembre 202565 %
Rendement de recyclage des batteries au lithium31 décembre 203070 %
Récupération du cobalt, du cuivre, du plomb et du nickel31 décembre 202790 %
Récupération du lithium31 décembre 202750 %
Récupération du cobalt, du cuivre, du plomb et du nickel31 décembre 203195 %
Récupération du lithium31 décembre 203180 %

Ces objectifs ne portent pas spécifiquement sur l’intelligence artificielle. Ils créent toutefois un cadre dans lequel la préparation des matières devient déterminante. Plus les flux entrants sont propres et bien caractérisés, plus les recycleurs disposent de leviers pour atteindre les performances attendues.

À retenir : l’IA ne remplace pas le recyclage chimique ou mécanique. Elle améliore l’étape de décision qui précède ces traitements, avec un impact potentiel sur la qualité des flux et la récupération des matériaux.

Pourquoi plusieurs tonnes par heure changent l’équation industrielle

La précision ne suffit pas si elle ne tient pas face aux volumes réels. La capacité annoncée de plusieurs tonnes par heure donne au dispositif une portée industrielle, car elle l’inscrit dans le rythme d’une installation de recyclage plutôt que dans celui d’un laboratoire.

Une ligne de tri rapide peut réduire les manipulations manuelles et absorber des arrivages mélangés. Elle apporte aussi une méthode reproductible : chaque batterie traverse le même tunnel de détection et fait l’objet d’une décision fondée sur plusieurs mesures.

Cette répétabilité compte dans une chaîne où les variations de lots compliquent la planification. Les batteries provenant de téléphones, d’ordinateurs, d’outils électriques ou de véhicules peuvent différer fortement par leur taille, leur enveloppe et leur composition. Un système automatisé doit donc généraliser ses décisions au-delà d’un stock parfaitement standardisé.

Le rôle des données industrielles

Redwood a entraîné son modèle sur ses propres données de batteries. Cet avantage vient de l’accès à des exemples correspondant aux matières réellement traitées par l’entreprise. Plus la ligne rencontre de formats et de cas particuliers, plus elle peut enrichir la base utilisée pour améliorer les classifications.

Le processus fonctionne comme une boucle opérationnelle :

  • la ligne observe les batteries entrantes ;
  • le modèle propose une classification ;
  • les erreurs ou les cas difficiles sont identifiés ;
  • les données servent à réentraîner ou ajuster le système ;
  • la nouvelle version est réévaluée sur la ligne.

Cette boucle explique pourquoi l’IA industrielle ne se résume pas à installer une caméra. La performance dépend de la qualité des données, du choix des capteurs, de la définition des catégories et de la capacité à vérifier les décisions prises.

La précision supérieure à 98 % annoncée par Redwood constitue un indicateur important, mais elle ne décrit pas toutes les dimensions de la performance. Un système peut être précis sur l’identification tout en nécessitant des contrôles sur la sécurité, la maintenance, la consommation énergétique et la qualité du produit final.

Tri manuel ou tri par IA : deux approches qui ne répondent pas au même besoin

Le tri manuel reste souple, mais l’automatisation devient plus pertinente lorsque les volumes et la diversité des batteries augmentent.

CritèreTri manuelTri automatisé par IA
CadenceDépend du nombre d’opérateursPlusieurs tonnes par heure annoncées par Redwood
IdentificationLecture et jugement humainsCaméras, laser, poids et modèle de machine learning
Adaptation aux formatsFlexible sur de petits lotsApprentissage à partir de données de batteries
RépétabilitéVariable selon les opérateursDécisions standardisées par la ligne
Données d’exploitationCollecte limitéeMesures intégrées au processus de tri
Positionnement industrielAdapté aux volumes réduits ou aux contrôlesAdapté aux flux importants et hétérogènes

Le tri manuel conserve un intérêt pour les anomalies, les objets endommagés ou les situations qui sortent des catégories prévues. L’IA peut alors prendre en charge le flux normal et laisser aux opérateurs les cas qui demandent une expertise particulière.

Cette complémentarité réduit le risque de présenter l’automatisation comme une solution totale. Dans un centre de recyclage, la sécurité des batteries, la détection des dommages et la gestion des incidents restent des fonctions essentielles autour du système de tri.

Une automatisation qui doit rester contrôlable

Un modèle de machine learning peut se tromper face à une batterie rarement représentée dans les données d’entraînement. La ligne doit donc prévoir des règles pour les cas incertains, les batteries illisibles et les objets qui ne correspondent à aucune catégorie fiable.

La traçabilité joue également un rôle central. Les opérateurs doivent pouvoir relier une décision à des mesures observées, surveiller les erreurs d’orientation et détecter une baisse de performance. La vitesse ne remplace pas le contrôle qualité.

Les limites à surveiller avant de généraliser la méthode

Le tri par IA apporte une amélioration opérationnelle mesurable, mais ses effets environnementaux complets dépendent de l’ensemble de la chaîne.

La première limite concerne la portée du chiffre de 98 %. Redwood présente cette précision comme une performance de classification. Ce résultat ne constitue pas automatiquement un taux de récupération du lithium, du nickel ou du cobalt, ni une réduction quantifiée des émissions de gaz à effet de serre.

La deuxième limite concerne l’adaptation à d’autres installations. Un modèle entraîné sur les données d’un recycleur peut nécessiter un nouvel entraînement pour un autre site, avec d’autres formats, d’autres fournisseurs et d’autres catégories de batteries. Les capteurs et les règles de décision doivent également être calibrés pour chaque environnement industriel.

La troisième limite est liée à la sécurité. Les batteries endommagées, gonflées ou présentant un risque d’incendie demandent des procédures spécifiques. L’identification de la chimie ne remplace pas la détection des dangers physiques et la mise en quarantaine des éléments à risque.

Enfin, l’automatisation consomme elle-même de l’énergie et nécessite des équipements, des logiciels et une maintenance. Son intérêt environnemental dépend donc du gain obtenu sur les flux de recyclage, de la durée d’utilisation de la ligne et de la capacité à augmenter effectivement la récupération des matériaux.

À retenir : une précision élevée est une condition favorable, pas une preuve suffisante d’un bénéfice environnemental global. Le résultat final se mesure sur la qualité des métaux récupérés, la stabilité du procédé et la réduction des matières premières vierges nécessaires.

Notre avis : le tri intelligent devient une brique essentielle du recyclage

Redwood montre une application de l’IA plus industrielle que spectaculaire : reconnaître des batteries usagées, les séparer rapidement et préparer des flux adaptés au recyclage. Avec une précision annoncée supérieure à 98 % et une capacité de plusieurs tonnes par heure, le dispositif répond à deux contraintes concrètes du secteur, la diversité des batteries et l’augmentation des volumes.

L’intérêt est particulièrement fort pour les recycleurs qui veulent améliorer la qualité de leurs matières entrantes. L’IA peut réduire la dépendance au tri manuel, documenter les flux et soutenir une récupération plus régulière du lithium, du nickel et du cobalt.

L’avis de Brief IA est donc favorable, avec une réserve claire : le prochain indicateur décisif ne sera pas seulement la précision du classement, mais la mesure publiée des gains sur la récupération des matériaux, les coûts de traitement et les émissions. Dans les six prochains mois, l’enjeu sera de voir si cette approche reste performante sur davantage de catégories de batteries et si d’autres recycleurs adoptent des lignes comparables.

Si le tri devient le nouveau standard des usines de recyclage, la question ne sera plus de savoir si l’IA peut reconnaître une batterie, mais combien de matières premières elle permet réellement de remettre dans la chaîne industrielle.

La lettre du soirGratuit · 19 h

Le brief IA que les pros lisent chaque soir

Les 7 actus IA du jour, décryptées en 5 min. Gratuit.

Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.

Choisissez votre rythme

Gratuit · Pas de spam · Désabonnement en 1 clic

Partager cet article

Sources

  1. aitechnews.digital
  2. sunshinescrap.com
  3. letsdatascience.com
  4. onestopesg.com
  5. redwoodmaterials.com
  6. newsio.io
  7. wastesservice.com
  8. frontscoop.com
  9. linex-power.com
  10. pivotnews.ai
#intelligence artificielle#recyclage des batteries#Redwood Materials#durabilité#machine learning

Brief IA

L'actualité IA en français, chaque jour. Tous nos articles sont sourcés et vérifiés.

Tous les articles

Questions fréquentes

Que faut-il retenir de « Redwood trie les batteries par IA à plus de 98 % de précision » ?
Tri des batteries par IA : Redwood dépasse 98 % de précision et accélère la récupération du lithium, du nickel et du cobalt. (Analyse originale de Brief IA — briefia.fr/blog/tri-automatise-batteries-durabilite-2026).
Qui a rédigé cet article sur guide ?
Cet article original a été rédigé et édité par Tom Levy, fondateur de Brief IA (briefia.fr), le média de référence et la newsletter quotidienne #1 de l'actualité IA en français. Brief IA publie des analyses, comparatifs et guides originaux, sourcés et vérifiés.

Suivez Brief IA

L'actu IA du jour, aussi dans votre fil.