Construire un radar millimétrique capable de classifier des matériaux grâce à l'intelligence artificielle : voilà le défi qu'un jeune ingénieur européen s'est lancé en 2025. Son objectif ? Révolutionner la détection d'amiante dans les bâtiments. Cette aventure entrepreneuriale, bien que non aboutie faute de financement, offre des enseignements précieux sur les défis du hardware couplé à l'IA. Découvrons comment l'IA transforme les applications industrielles et comment cette technologie radar pourrait changer la détection de matériaux dangereux.
Le Problème de l'Amiante en Europe : Un Enjeu de Santé Publique
L'amiante reste un problème majeur en Europe. Présent dans d'innombrables bâtiments construits avant les années 2000, ce matériau fibreux cause des cancers et des maladies respiratoires graves. La détection traditionnelle nécessite des prélèvements physiques envoyés en laboratoire, un processus coûteux où une analyse à 1€ se transforme en facture de 60€ pour le client final.
L'idée initiale était simple mais ambitieuse : créer un radar portable capable d'identifier l'amiante sans prélèvement destructif. Une solution qui pourrait économiser du temps, de l'argent et protéger davantage de personnes contre l'exposition à cette substance toxique.
Architecture Technique du Radar FMCW et Traitement du Signal
Le système repose sur un radar FMCW (Frequency-Modulated Continuous Wave) qui émet des signaux dont la fréquence augmente progressivement dans le temps. Cette approche, combinée à des algorithmes de traitement du signal numérique (DSP), permet d'extraire une signature électromagnétique unique pour chaque matériau.
La Chaîne de Traitement DSP Complète
Le processus de classification se déroule en plusieurs étapes sophistiquées. D'abord, les antennes TX émettent un balayage de fréquence linéaire. L'écho reçu est mélangé avec le signal transmis pour produire un signal de battement basse fréquence, dont la fréquence est proportionnelle à la distance aller-retour vers le réflecteur.
Une transformée de Fourier rapide (FFT) convertit ensuite cette fréquence en distance, chaque bin représentant une profondeur dans le matériau. Le beamforming Capon (MVDR) résout l'angle d'arrivée pour chaque bin de distance, produisant un spectre de densité angulaire précis plutôt qu'un retour flou.
| Étape DSP | Fonction | Sortie |
|---|---|---|
| Génération de chirp | Balayage fréquentiel linéaire | Signal RF modulé |
| Mixage | Comparaison TX/RX | Signal de battement |
| Range FFT | Conversion fréquence-distance | Profil de profondeur |
| Beamforming Capon | Résolution angulaire | Spectre densité 2D |
| Classification IA | Identification matériau | Classe de matériau |
L'Intégration de l'Intelligence Artificielle
Le spectre de densité obtenu constitue l'empreinte électromagnétique du matériau analysé. C'est ce tenseur qui alimente un réseau de neurones convolutif (CNN) pour la classification. Les réseaux neuronaux modernes excellent dans ce type de reconnaissance de motifs complexes.
Le modèle apprend effectivement les propriétés électromagnétiques des matériaux (permittivité relative epsilon' et epsilon''), permettant de différencier bois, aluminium, plastique, pierre et leurs combinaisons multicouches. L'entraînement s'est effectué sur 500 Ko de données spectrales par classe, capturées dans différents environnements et orientations.
Prototypage Hardware : De la Carte de Développement au Produit
Le développement a débuté avec des cartes d'évaluation : un Texas Instruments IWRL6432 BOOST couplé à un ESP32. Cette approche pragmatique permet de valider rapidement les concepts avant d'investir dans un PCB personnalisé. Comme l'expliquent les startups françaises spécialisées en IA, le prototypage rapide est crucial pour tester les hypothèses techniques.
Un banc de test mécanique permettait d'interchanger rapidement les échantillons de matériaux et de serrer les surfaces pour obtenir des mesures reproductibles. Cette phase d'expérimentation a duré deux mois, principalement consacrés à maîtriser la chaîne d'outils et le cycle compilation-flash-débogage du firmware embarqué.
Les Défis de la Conception RF
La radiofréquence (RF) est notoire pour sa complexité. Entre équations aux dérivées partielles, physique des ondes et systèmes chaotiques, c'est un domaine exigeant. Le projet a nécessité une modélisation complète des antennes pour comprendre et reproduire les caractéristiques du design de Texas Instruments.
L'optimisation s'est appuyée sur OpenEMS, une alternative open-source à Ansys HFSS. Cette solution utilise la simulation FDTD (Finite-Difference Time-Domain) pour modéliser la propagation des équations de Maxwell dans les matériaux. Une simulation paramétrique calculait les caractéristiques des antennes, puis des opérations de convolution simulaient l'émission, la réflexion et la réception complètes des chirps.
Résultats et Précision de Classification
La preuve de concept a démontré des capacités prometteuses. Le classifieur, entraîné sur les signatures de beamforming, atteignait des taux de précision variables selon les combinaisons de matériaux testées. Les matériaux détectés incluaient :
- Combinaisons bois-aluminium, bois-livre, bois-pierre, bois-plastique
- Combinaisons pierre-aluminium, pierre-bois, pierre-livre, pierre-plastique
- Pierre-plexiglas
L'hypothèse de travail reposait sur deux principes : « même surface, même couche » et « changement de matériau soudain et discontinu ». Sous ces conditions, le système pouvait affirmer qu'une couche entière était constituée d'un matériau spécifique.
La Question Cruciale de l'Amiante
L'amiante n'est pas un matériau homogène mais une famille de minéraux fibreux. Ces fibres microscopiques, une fois inhalées, provoquent des inflammations pulmonaires sévères et des dommages irréversibles. La présence d'amiante modifie les propriétés électromagnétiques d'un matériau composite.
La question centrale restait sans réponse définitive : le radar est-il suffisamment sensible pour distinguer de manière fiable un matériau pur de sa version contaminée à l'amiante, et à quelle concentration minimale ? Cette validation aurait nécessité des tests approfondis avec des échantillons certifiés.
Astuces Techniques pour la Rétro-Ingénierie d'Antennes
L'optimisation des antennes a révélé plusieurs techniques ingénieuses. OpenEMS ne fonctionnant pas sur GPU, il fallait réduire la taille des simulations temporelles et spatiales pour obtenir des résultats en 2 minutes plutôt qu'1 heure.
La solution : calculer uniquement la fonction de transfert TX→RX, puis utiliser des convolutions pour simuler le comportement complet avec émission de chirp, réflexion sur surface et réception. En théorie du signal, envoyer une impulsion de Dirac devrait révéler la fonction de transfert, mais cette approche déstabilise la simulation.
L'astuce consistait à envoyer une impulsion gaussienne. Dans le domaine fréquentiel, diviser la sortie par l'entrée donne la fonction de transfert recherchée. Attention : une gaussienne non centrée sur zéro produit une forme sinusoïdale dans sa transformée de Fourier, la gaussienne devenant l'enveloppe du sinusoïde.
Pourquoi le Projet S'est Arrêté : Leçons d'une Startup Hardware
Malgré une preuve de concept fonctionnelle, le projet n'a pas trouvé son financement. Les clients potentiels exigeaient un produit fini avec toutes les certifications européennes avant de signer une lettre d'intention. Le POC seul ne suffisait pas à convaincre ces utilisateurs sceptiques.
Cette expérience illustre les défis spécifiques des startups technologiques, particulièrement dans le hardware où les cycles de développement sont longs et les coûts élevés. Contrairement au logiciel, où l'IA accélère désormais le développement, le hardware impose des contraintes physiques incompressibles.
Recommandations pour les Futurs Entrepreneurs Hardware
L'expérience a généré des enseignements précieux pour quiconque envisage une startup hardware :
- Valider la volonté de payer avant tout : Créer une page de précommandes avec paiement Stripe et système de remboursement. Une vidéo de lancement mesure l'intérêt réel et les coûts d'acquisition client.
- Prototyper avec des cartes de développement : Éliminer rapidement les composants inutiles et concevoir le design le plus lean possible.
- Adapter le mécanique à l'électronique : Concevoir les boîtiers 3D autour des circuits, jamais l'inverse. Les délais de fabrication PCB sont incompressibles.
- Prévoir l'évolutivité : Rendre le produit OTA-updatable avec code rétrocompatible pour intégrer les retours clients.
- Éviter la RF si possible : Sinon, s'appuyer sur des outils open-source pour naviguer cette complexité.
L'Avenir de l'IA dans la Détection de Matériaux
Bien que ce projet spécifique n'ait pas abouti commercialement, il démontre le potentiel de l'intelligence artificielle appliquée aux sciences des matériaux. Les réseaux neuronaux peuvent apprendre des signatures électromagnétiques complexes que les méthodes traditionnelles peinent à différencier.
D'autres applications pourraient bénéficier de cette approche : contrôle qualité industriel, inspection de structures, détection de défauts dans les matériaux composites, ou identification de contrefaçons. L'IA continue d'évoluer et les capacités de classification ne cessent de s'améliorer.
La combinaison de capteurs physiques sophistiqués (radar mmWave) et d'algorithmes d'apprentissage profond représente une tendance majeure. Les futurs entrepreneurs disposent aujourd'hui d'outils logiciels puissants pour accélérer le développement, comme le montre l'intégration de l'IA dans divers secteurs.
Conclusion : Hardware et IA, un Défi Passionnant mais Exigeant
Cette aventure de six mois dans la création d'un radar de classification de matériaux illustre parfaitement les défis du hardware couplé à l'intelligence artificielle. Contrairement au software devenu « commodity » grâce aux outils d'IA générative, le hardware impose des contraintes physiques, des délais de fabrication et des coûts initiaux importants.
Les enseignements sont clairs : valider le marché avant d'investir massivement, prototyper rapidement avec des composants existants, et concevoir dès le départ pour l'évolutivité. Le manque de financement a stoppé ce projet prometteur, mais les connaissances acquises en firmware embarqué, traitement du signal, conception RF et développement produit restent des atouts précieux.
L'intersection entre capteurs avancés et IA ouvre des possibilités fascinantes pour résoudre des problèmes réels comme la détection d'amiante. Les prochaines générations d'entrepreneurs bénéficieront d'outils encore plus puissants et de cycles de développement accélérés. Pour aller plus loin dans vos projets d'IA, qu'ils concernent le hardware ou le software, créez votre compte gratuit sur Roboto et explorez les possibilités de l'intelligence artificielle générative.
