Données

Rapports scientifiques volume 13, Numéro d'article : 418 (2023) Citer cet article

1681 accès

2 Altmétrique

Détails des métriques

Les secteurs de l'hôtellerie et de la restauration (HaFS) sont notoirement connus pour leur contribution au problème du gaspillage alimentaire. Par conséquent, il est urgent de concevoir des stratégies pour réduire le gaspillage alimentaire dans les secteurs HaFS et décarboniser leur fonctionnement pour aider à lutter contre la faim, atteindre la sécurité alimentaire, améliorer la nutrition et atténuer le changement climatique. Cette étude propose trois volets pour décarboniser le fonctionnement de la cafétéria du personnel dans un complexe intégré à Macao. Celles-ci incluent l'optimisation en amont pour réduire le gaspillage alimentaire non servi, l'éducation intermédiaire pour sensibiliser le personnel à l'impact des choix alimentaires sur le climat et la santé, et enfin la reconnaissance en aval pour réduire le gaspillage d'assiettes comestibles à l'aide d'un système de vision par ordinateur de pointe. . La technologie peut être un moyen efficace pour faciliter le changement de comportement souhaité par le biais de coups de coude, tout comme la façon dont les radars peuvent ralentir les gens et aider à sauver des vies. L'approche holistique et basée sur les données adoptée a révélé un grand potentiel pour les organisations ou les institutions qui offrent des services de restauration pour réduire leur gaspillage alimentaire et l'empreinte carbone associée tout en éduquant les individus sur le lien complexe entre l'alimentation, le climat et le bien-être.

Les pertes et gaspillages alimentaires (FLW) sont un problème mondial important, les estimations de la FAO1 suggérant qu'un tiers des aliments comestibles produits pour la consommation humaine sont gaspillés chaque année dans le monde. Dans le contexte des émissions nationales, si FLW était un pays, il serait le troisième émetteur de gaz à effet de serre (GES) au monde après la Chine et les États-Unis2. La réduction des PGA mondiaux réduirait considérablement les GES dans l'atmosphère, jouant un rôle majeur dans la lutte contre le changement climatique. Le problème devient encore plus critique lorsque la population mondiale devrait atteindre 9,8 milliards d'ici 20503, alors que 11,3 % de personnes souffrent encore de la faim au quotidien4. Cela impose une demande sans cesse croissante au système alimentaire mondial pour nourrir une population croissante.

Les ressources naturelles telles que l'eau douce et les sols fertiles nécessaires à la production alimentaire peuvent s'épuiser plus rapidement qu'elles ne pourraient être reconstituées. Leur préservation est essentielle pour la sécurité alimentaire mondiale. Ainsi, faim zéro, eau potable et assainissement, consommation et production responsables font partie des 17 objectifs de développement durable (ODD) formulés en 2015 et adoptés par de nombreux pays développés et en développement5. L'objectif 12.3 des ODD est fixé à « réduire de moitié le gaspillage alimentaire mondial par habitant au niveau de la vente au détail et des consommateurs et réduire les pertes alimentaires tout au long des chaînes de production et d'approvisionnement, y compris les pertes après récolte d'ici 2030 ». L'International Food Waste Coalition (IFWC) a rapporté le dernier gaspillage alimentaire moyen dans le secteur de l'hôtellerie et de la restauration (HaFS) de 115 g par couvert de restauration en 2021, notant que cette valeur était dérivée d'une surreprésentation des sites en France6. En avril 2021, la Chine a adopté une loi sur le gaspillage alimentaire pour prévenir le gaspillage alimentaire, préserver la sécurité alimentaire nationale, conserver les ressources, protéger l'environnement et promouvoir un développement économique et social durable7.

Par définition, les pertes et gaspillages alimentaires (FLW) font référence à la diminution de la masse ou de la valeur nutritionnelle des parties alimentaires comestibles tout au long de la chaîne d'approvisionnement qui étaient destinées à la consommation humaine8. Selon la FAO9, les pertes alimentaires se produisent depuis la post-récolte jusqu'au stade de la vente au détail, mais non compris. Il est souvent involontaire et largement dû à des infrastructures et des transports inadéquats pour maintenir la qualité des aliments de la ferme au commerce de détail. D'autre part, le gaspillage alimentaire se produit aux stades de la vente au détail et du consommateur, auquel les secteurs HaFS contribuent de manière significative. Cela est souvent dû à des exigences élevées en matière de normes alimentaires, à des aliments périmés en raison d'une offre excédentaire ou d'une demande insuffisante et à un comportement de gaspillage des consommateurs. Les secteurs HaFS ont un rôle majeur à jouer dans la réduction du gaspillage alimentaire, en particulier les organisations ou les établissements d'enseignement dotés d'une cafétéria interne fréquentée par des milliers de personnes chaque jour.

Le gaspillage alimentaire ne concerne pas seulement les déchets eux-mêmes, mais aussi les impacts environnementaux négatifs de l'empreinte carbone et hydrique10, la perte de biodiversité11 et la ponction sur l'économie12. La figure 1 illustre comment la boucle de rétroaction positive d'une mauvaise gestion des terres et de l'eau accélère le changement climatique, la perte de biodiversité et la dégradation des terres. Le problème du gaspillage alimentaire est inextricablement lié au changement climatique par l'émission de GES. Les défis posés par le changement climatique comprennent la sécurité de l'eau et de la nourriture13, ainsi que les conditions météorologiques extrêmes telles que la fréquence et l'intensité accrues des catastrophes liées au climat qui menacent la santé publique14 et causent des pertes économiques massives15. Pour Macao, les inondations et les typhons intenses sont particulièrement graves, comme en témoignent les effets dévastateurs du typhon Hato en 201716. Les sources d'émissions de GES dans notre système alimentaire comprennent la déforestation pour l'agriculture, les engrais pour les plantes, la riziculture, le pâturage du bétail, le fumier du bétail et les combustibles fossiles. utilisés dans la production alimentaire et les chaînes d'approvisionnement17. On estime que la production alimentaire mondiale représente 26 % des émissions mondiales de GES. Pourtant, un quart de cela provient des PGA, c'est-à-dire des aliments perdus dans les chaînes d'approvisionnement et des déchets des consommateurs, sans compter les pertes alimentaires à la ferme pendant la production et la récolte18. Une réduction significative des émissions de GES pourrait être obtenue en optimisant la chaîne d'approvisionnement alimentaire, ce qui pourrait à terme contribuer à limiter l'augmentation de la température mondiale à moins de 2 \(^\circ\)C, comme le prévoit l'Accord de Paris17.

Boucles de rétroaction entre la dégradation des terres, le changement climatique et la perte de biodiversité. Tiré de la figure 1.3 dans The Global Land Outlook UNCCD (2022)19.

Les données sur le gaspillage alimentaire de la station intégrée dans cette étude montrent deux tendances principales. Premièrement, la « nourriture non servie » représente la majorité des déchets alimentaires de l'arrière-cuisine, ce qui comprend également les déchets provenant des parures, de la détérioration, des dommages et des erreurs de cuisson. Cela implique que les chefs surestiment la demande dans le laps de temps pendant lequel la nourriture est servie. Ce problème pourrait être résolu en optimisant l'offre en fonction de la demande. Deuxièmement, la catégorie « déchets d'assiettes » représentait la majorité (plus de 90 %) du total des déchets alimentaires dans la cafétéria du personnel. Cela implique soit que le personnel surestime sa capacité à consommer toute la nourriture prise ou le temps dont il dispose pour manger, soit que la qualité de la nourriture n'est pas à la hauteur de ses attentes. Ce problème pourrait être résolu par des changements de comportement et/ou des modifications du menu.

Cette étude vise à répondre à trois questions principales pour s'attaquer à la cause profonde du gaspillage alimentaire dans la cafétéria du personnel : quelle quantité de nourriture le chef doit-il cuisiner chaque jour ? Comment encourager le personnel à faire de meilleurs choix alimentaires et à réduire le gaspillage alimentaire comestible ? Comment faire un retour au chef sur des plats potentiellement mal cuisinés ?

Le plan de l'article est le suivant : "Méthode" décrit les méthodes expérimentales utilisées pour répondre aux trois questions de recherche énoncées ci-dessus, à savoir l'optimisation en amont, l'éducation intermédiaire et la reconnaissance en aval ; « Résultats : une étude de cas » décrit les résultats des expérimentations mises en œuvre dans la station intégrée de cette étude ; "Discussion et perspectives" aborde les impacts des interventions ainsi que les défis et les améliorations pour les études futures ; enfin "Conclusion" tire les conclusions de cette étude.

La figure 2 montre les trois flux de décarbonisation proposés dans cette étude pour réduire les GES du cycle de vie des déchets alimentaires. Les trois volets comprennent : (1) l'optimisation en amont, (2) l'éducation intermédiaire et (3) la reconnaissance en aval. Les trois flux constituent une approche holistique basée sur les données pour réduire le gaspillage alimentaire et l'empreinte carbone de la cafétéria intégrée du personnel du complexe. Comme le dit l'adage, « vous ne pouvez pas gérer ce que vous ne mesurez pas ».

Trois flux de décarbonisation pour réduire les émissions de GES du cycle de vie des déchets alimentaires : optimisation en amont, éducation intermédiaire, reconnaissance en aval.

L'optimisation en amont vise à s'attaquer au problème du gaspillage alimentaire non servi. La source du problème pourrait provenir d'une surcuisson, de plats mal cuits ou d'ingrédients de mauvaise qualité entraînant un manque de demande pour le plat. Pour mieux comprendre l'offre et la demande dans la cafétéria du personnel, les données sur le poids des déchets alimentaires non servis de la cuisine de l'arrière-salle pour différentes catégories d'aliments ont été analysées et corrélées avec le nombre de couverts servis dans la cafétéria du personnel à différents jours de la semaine pour révéler une potentielle inadéquation entre l'offre et la demande.

Pour modéliser et prévoir la demande dans la cafétéria du personnel, des données de couverture horaire des repas ont été utilisées. Il y a eu deux années de données historiques entre le 1er avril 2020 et le 1er avril 2022 inclus. Les données sur les couvertures ont montré une forte saisonnalité quotidienne et hebdomadaire en raison respectivement des heures de repas régulières et des week-ends. Ainsi, le progiciel Prophet était bien adapté à cette tâche de prévision de séries chronologiques20. La procédure était basée sur un modèle additif dans lequel une tendance, une saisonnalité et des effets de vacances étaient ajustés aux données non linéaires sous-jacentes. Il offrait une gestion robuste des données manquantes et des changements de tendance. Les sources d'incertitude dans les prévisions comprenaient : l'incertitude dans la tendance, les estimations de la saisonnalité et le bruit d'observation supplémentaire. Le modèle de prévision du Prophète pourrait être résumé par la fonction suivante

où y(t) est la sortie de la prévision, g(t) est la fonction de tendance qui peut être plate, une tendance linéaire par morceaux ou une tendance logistique par morceaux, s(t) est la fonction saisonnière qui est approchée par une série de Fourier pour les composantes saisonnières intrajournalières, hebdomadaires et/ou annuelles, h(t) est la fonction des jours fériés, et \(\epsilon (t)\) est le terme d'erreur supposé normalement distribué. Le mode de saisonnalité peut être additif ou multiplicatif. Des composantes saisonnières multiplicatives sont ajoutées en tant que quantité proportionnelle à la valeur de tendance g(t) au temps t, de sorte que les effets saisonniers répondent proportionnellement aux augmentations ou aux diminutions de la tendance.

Disposant d'un modèle pour prévoir le nombre de couverts dans la cafétéria du personnel, l'étape suivante consistait à modéliser la quantité de nourriture nécessaire compte tenu du nombre prévu d'employés. Ceci a été réalisé en modélisant le régime alimentaire humain comme composé des trois macronutriments suivants : glucides, lipides et protéines. L'apport quotidien moyen recommandé de 2000 kcal21 pourrait être utilisé pour prédire la quantité de nourriture nécessaire. Une étude de Zhang et al.22 a montré la différence d'apport en nutriments entre les sujets chinois et les autres groupes ethniques. Ils ont constaté que parmi l'échantillon chinois, le pourcentage de macronutriments répartis entre glucides, lipides et protéines était d'environ 50:35:15. Sur la base d'un calculateur de macronutriments en ligne23, pour un homme/femme sédentaire de 35 ans, mesurant 1,70 m et pesant 60 kg, qui souhaite maintenir son poids et consommer des quantités modérées de protéines, le pourcentage typique de répartition macro était de 50:30:20. Compte tenu des densités caloriques courantes des macronutriments de 4 kcal/g pour les glucides, 9 kcal/g pour les lipides et 4 kcal/g pour les protéines, l'équivalent en grammes par macro et par jour serait de 250 :67 :100 pour les glucides, les lipides et les protéines. Cela a été considéré comme la base pour satisfaire les besoins nutritionnels de base d'un personnel moyen.

En supposant que les 2 000 kcal quotidiennes soient réparties sur trois repas, de sorte que 20 % soient consommés au petit-déjeuner, 40 % au déjeuner et 40 % au dîner24 et que le pourcentage de répartition des macros reste le même que celui décrit précédemment, la quantité de macros nécessaires par repas serait de

Petit-déjeuner—50:13.4:20

Déjeuner—100:26.8:40

Dîner—100:26.8:40

où tous les ratios sont donnés en unités de grammes pour les glucides, les lipides et les protéines, respectivement.

En prévoyant le nombre de couverts un jour à l'avance, le chef pouvait estimer une quantité suffisante de chaque plat à cuisiner de manière à répondre aux besoins nutritionnels de base du personnel, minimisant ainsi le risque de surcuisson. Le modèle de prévision pourrait être mis à jour quotidiennement au fur et à mesure que de nouvelles données sur les couvertures des restaurants arrivent en fin de journée.

L'éducation intermédiaire implique l'étiquetage carbone et nutritionnel de tous les plats de la cafétéria du personnel pour que le personnel comprenne l'impact de leurs choix alimentaires sur le climat et leur santé. Cela a nécessité de collecter les recettes de chaque plat servi dans la cafétéria du personnel, ainsi que les équipements de cuisine utilisés pour cuisiner les plats afin d'estimer les émissions de GES induites par l'étape de consommation du plat.

Les menus de la cafétéria du personnel étaient organisés selon les 13 types suivants : bœuf, congee, œuf et haricots, dessert, fruits, porc, volaille, riz et nouilles, sauce, fruits de mer, soupe, soupe sucrée et légumes. Il y avait un total de 404 plats et 344 ingrédients uniques à partir desquels la base de données nutritionnelle a été construite.

Pour les plats d'étiquetage nutritionnel, les données nutritionnelles de Cronometer et leurs sources ont été utilisées. Comme la plupart des noms d'ingrédients étaient en chinois, ils ont été traduits en anglais avant de créer une base de données nutritionnelle personnalisée pour les plats de la cafétéria du personnel (voir Informations supplémentaires). La quantité de calories et de macronutriments a été rapportée en unités kcal et grammes pour 100 g de plat respectivement, une convention dans la plupart des étiquettes nutritionnelles.

Pour les plats d'étiquetage carbone, l'analyse du cycle de vie (ACV) a été utilisée pour estimer l'impact environnemental total des ingrédients alimentaires de la production à l'élimination. En considérant séparément l'énergie et les ressources impliquées à chaque étape, cela pourrait aider à identifier les «points chauds» d'émissions de sorte que des stratégies de décarbonisation ciblées pourraient être mises en œuvre.

Cinq étapes ont été incluses dans l'analyse du cycle de vie d'un ingrédient alimentaire : (1) l'agriculture (pour la production alimentaire), (2) la transformation (y compris le stockage et l'emballage), (3) la distribution, (4) la consommation et (5) la gestion des déchets. . Chaque étape du cycle de vie entraîne une empreinte carbone et doit être prise en compte lors de l'étiquetage carbone des aliments. Dans la plupart des cas, le stade agricole apporte la plus grande contribution aux émissions alimentaires totales, contribuant à 80 à 86 % des émissions des systèmes alimentaires, bien qu'avec des variations importantes selon les régions et les aliments25. Les étapes restantes des émissions de la chaîne d'approvisionnement varient également considérablement en fonction des modes de consommation alimentaire qui diffèrent d'un pays à l'autre.

Toutes les matières premières ont été classées dans l'un des 18 types suivants : alcool, aquatique, bœuf, produits laitiers, œuf, fruit, champignon, agneau, légumineuse, maïs, noix, huile, porc, volaille, riz, assaisonnement, légume et blé. Cette approche a été adoptée afin d'utiliser des facteurs d'émission spécifiques à la Chine pour certains types d'aliments sur la base d'une étude sur l'empreinte carbone des déchets alimentaires de Pékin26. Les sources d'autres facteurs d'émission, les hypothèses d'intensité énergétique pour la transformation des aliments, les modes de transport et les distances, et les émissions de gestion des déchets spécifiques à Macao ont été documentées dans les fichiers de données sur les émissions qui sont disponibles dans les informations supplémentaires.

Pour chaque plat, l'empreinte carbone a été donnée en kg CO2e/kg (c'est-à-dire en kilogrammes d'équivalent CO2 par kilogramme de plat) en fonction du poids des ingrédients indiqués dans la recette. L'équivalent CO\(_2\) (CO2e) est une unité de mesure utilisée pour normaliser les effets climatiques de divers gaz à effet de serre (GES) dus à un potentiel de réchauffement global (PRG) différent. Le GWP est une mesure de l'effet de réchauffement sur 100 ans par rapport au CO\(_2\). Par exemple, le méthane (CH\(_4\)) est environ 28 fois plus puissant que le CO\(_2\) et le protoxyde d'azote (N\(_2\)O) est environ 273 fois plus puissant que le CO\(_2\)27 .

Pour comparer l'empreinte carbone de différents plats, le système de feux de circulation du Guide suédois de la viande a été utilisé, où \(<4\) kgCO2e/kg, 4–14 kgCO2e/kg et \(>14\) kgCO2e/kg étaient marqués en vert , orange et rouge respectivement28. Le seuil d'empreinte carbone pour l'alimentation d'un individu (ou « juste valeur quotidienne des émissions alimentaires ») a été fixé à 2,7 kgCO2e/jour. Cette valeur était basée sur les émissions mondiales totales de CO2e en 2030 nécessaires pour atteindre le zéro net d'ici 2050 en supposant une tendance à la baisse linéaire, et peut être calculée comme suit : 33,8 gigatonnes de CO2e/an/8,5 milliards de personnes/365 jours \(\times\) 25 % (pour la consommation alimentaire) \(\approx\) 2,7 kgCO2e/personne/jour29.

La reconnaissance en aval consiste à construire un système de détection des déchets d'assiettes utilisant la vision par ordinateur pour mieux comprendre et quantifier ce que le personnel jette. Il permettrait la séparation des déchets alimentaires non comestibles (comme les os, les coquilles, les pelures, etc.) et comestibles (comme les légumes, la viande, le riz, etc.). La détection de différents types de déchets alimentaires pourrait également informer le chef des modifications potentielles des recettes telles que les méthodes de cuisson et/ou ajuster les ingrédients en conséquence.

Une question qui peut se poser est pourquoi les déchets de plaques ne peuvent pas être triés manuellement par le personnel lui-même. Dans un monde idéal, ce serait une approche viable pour reconnaître et quantifier avec précision les déchets de plaques. Cependant, la réalité présente plusieurs problèmes. Par exemple, le personnel peut être pressé et jeter simplement tous ses déchets d'assiettes dans une seule poubelle. Les déchets d'assiettes peuvent souvent être salissants, de sorte que la séparation des aliments comestibles et non comestibles peut prendre du temps et entraîner de longues files d'attente à la cafétéria pendant les heures de pointe. Il faudrait former des milliers d'employés pour trier manuellement leurs déchets de plaques. L'application d'une telle intervention peut peser lourdement sur les ressources humaines. Sur cette note, un système automatisé de détection des déchets de plaques éliminerait la discipline humaine de l'équation et aiderait à atténuer les problèmes décrits ci-dessus.

L'algorithme de vision par ordinateur utilisé était un modèle de détection d'objets de pointe appelé YOLOv530, capable de détecter des objets d'intérêt en temps réel. En raison de la grande variété d'articles de déchets alimentaires, des milliers d'images de déchets alimentaires étiquetés ont été nécessaires pour fournir un ensemble de données suffisamment important pour former le modèle. Pour former un modèle de détection d'objets, deux entrées étaient nécessaires : (1) des images et (2) des étiquettes constituées de cadres de délimitation avec des noms de classe autour de tous les objets d'intérêt dans les images. Comme le souligne le cours Machine Learning Engineering for Production (MLOps) de DeepLearning.ai31, il convient d'adopter une approche centrée sur les données pour l'apprentissage automatique. Il arrive souvent que des modèles simples entraînés avec des étiquettes cohérentes et précises battent les algorithmes les plus avancés avec des étiquettes incohérentes et inexactes.

Pour annoter les données, l'outil OpenLabelling modifié32 et la plateforme Roboflow33 ont été utilisés pour rationaliser le processus d'étiquetage et collaborer avec d'autres annotateurs. L'outil OpenLabelling modifié a permis un étiquetage rapide des images stockées sur la machine locale. La plate-forme Roboflow a permis d'affiner les cadres de délimitation et d'obtenir des statistiques récapitulatives de l'ensemble de données telles que la distribution des classes, qui indiquaient quelles classes étaient surreprésentées ou sous-représentées afin que la collecte de données puisse être ciblée sur les classes sous-représentées pour atténuer le problème. du déséquilibre des classes.

Plusieurs mesures ont été utilisées pour quantifier les performances d'un modèle de détection d'objets. Une métrique commune appelée intersection sur union (ou IoU) mesure le chevauchement entre deux boîtes englobantes. Il est défini comme :

où "Zone d'intersection" est le chevauchement entre deux boîtes englobantes et "Zone d'union" est la surface totale délimitée par les deux boîtes englobantes. Un IoU plus élevé signifie une plus grande fraction de chevauchement entre deux boîtes, où une valeur de 1 signifie un chevauchement parfait. Si l'IoU dépasse un seuil prédéfini (par exemple IoU = 0,5), alors le chevauchement entre une boîte englobante prédite et une vérité au sol est dit être une détection positive ou un vrai positif (TP), sinon, c'est un faux positif (FP ). Un faux négatif (FN) est si le modèle ne parvient pas du tout à prédire une boîte englobante dans une image contenant des objets d'intérêt.

Pendant l'inférence, le modèle reçoit une image invisible et prédit les boîtes englobantes. Chaque boîte englobante prédite a une probabilité (ou score de confiance) avec une valeur comprise entre 0 et 1. Une valeur de confiance plus élevée implique que le modèle est plus sûr qu'un objet d'une classe spécifique existe à l'emplacement prédit. Il peut y avoir de nombreuses boîtes englobantes prédites initialement par le modèle. Pour ne conserver que la meilleure boîte englobante autour d'un objet, YOLOv5 utilise la suppression non maximale (NMS) pour réduire le nombre de boîtes englobantes. Tout d'abord, NMS ne conservera que les boîtes englobantes qui ont un score de confiance (conf) supérieur à un seuil prédéfini (par exemple conf = 0,5) et les supprimera dans le cas contraire. Deuxièmement, toutes les boîtes englobantes prédites qui ont une valeur IoU supérieure à un seuil prédéfini (par exemple IoU = 0,5) par rapport à la meilleure boîte englobante seront supprimées. Un IoU plus grand entre deux prédictions indique probablement deux boîtes englobantes faisant référence au même objet. Cette procédure est répétée pour chaque classe prédite dans une image. Les seuils de confiance et IoU utilisés ici sont appelés seuils NMS et peuvent être définis par l'utilisateur avant l'inférence.

Pour mesurer dans quelle mesure le modèle prédit une classe donnée, les métriques de précision et de rappel sont utilisées pour évaluer les prédictions par rapport à la vérité terrain. La précision, qui mesure l'exactitude des prédictions, est donnée par

c'est-à-dire la fraction de prédictions positives (TP + FP) qui est réellement vraie (TP). Le rappel, qui mesure à quel point le modèle trouve tous les points positifs, est donné par

c'est-à-dire la fraction d'instances positives (TP + FN) qui est correctement prédite (TP). Ici, TP est vrai positif, FP est faux positif et TN est vrai négatif. Au fur et à mesure que le seuil IoU diminue de haut en bas, la précision diminuerait probablement et le rappel augmenterait, car un seuil IoU inférieur est plus facilement satisfait, donc plus de détections positives (TP ou FP). Chaque seuil IoU produirait une courbe de rappel de précision (PR) différente pour l'ensemble de données étiqueté. La précision moyenne (AP) de chaque classe est l'aire sous la courbe PR basée sur un seul seuil IoU. Il peut être calculé comme

où n est le nombre de points dans la courbe PR et \(\text {Recall}[0] = 0\). Les points qui composent une courbe PR sont des prédictions du modèle classées de confiance élevée à faible jusqu'à un seuil de confiance (par exemple conf = 0,25), sous un seul seuil IoU (par exemple IoU = 0,5). L'interpolation est souvent utilisée pour avoir des points régulièrement espacés. En d'autres termes, l'AP d'une classe est une somme pondérée de précision où le poids est l'augmentation du rappel entre des points consécutifs. Après avoir calculé l'AP pour chaque classe, la précision moyenne moyenne (ou mAP) peut être calculée en faisant la moyenne sur toutes les classes comme

où \(AP_k\) est la précision moyenne de la classe k, et n est le nombre de classes. Notez que les seuils de confiance et IoU utilisés pour évaluer AP et mAP sont différents des seuils NMS lors de l'inférence.

Pour la détection d'objets, les deux métriques courantes utilisées pour quantifier les performances du modèle sont : \(\mathrm {[email protected]}\) qui signifie mAP avec IoU = 0.5 sur toutes les classes et \(\mathrm {[email protected]:0.95}\ ) ce qui signifie que mAP est moyenné sur 10 seuils IoU de 0,5 à 0,95 avec une taille de pas de 0,05 sur toutes les classes.

Comme preuve de concept, le petit modèle YOLOv5s a été formé pendant 1000 époques avec 250 images de déchets d'assiettes de la cafétéria du personnel capturées manuellement à l'aide d'une caméra avec des catégories d'aliments étiquetées telles que les légumes, la viande et les os. La formation a été effectuée sur un GPU Nvidia V100 dans le cluster de calcul haute performance (HPC) d'astrophysique de l'UCL. Le modèle s'est considérablement surajusté à l'ensemble d'apprentissage, mais il était néanmoins prometteur car le modèle a pu apprendre la cartographie sous-jacente entre les images de déchets alimentaires et les objets alimentaires à l'intérieur.

Pour capturer efficacement de grandes quantités d'images de déchets alimentaires sans interférer avec le fonctionnement normal du personnel, le mécanisme de collecte d'images suivant a été conçu dans la salle d'intendance. Un support de fixation en acier a été installé au-dessus du système de convoyeur de retour des plateaux souillés, à plus de 2 m de haut, pour ne pas gêner le travail d'intendance des travailleurs. Une petite caméra à pince était attachée au support regardant directement en dessous où les travailleurs retireraient les plateaux souillés des supports de convoyeur à plusieurs niveaux pour l'élimination des déchets. La caméra a été réglée en mode vidéo pour enregistrer en continu pendant plusieurs heures. Lors de la post-analyse, des images ont été extraites des vidéos à raison d'une image par seconde. Les cadres ont été redimensionnés à 1280 \(\times\) 1280 pixels pour réduire la taille de stockage. En utilisant une approche d'apprentissage actif, les images ont été automatiquement étiquetées avec une version existante du modèle. Les étiquettes ont été vérifiées manuellement et corrigées si nécessaire avant de les ajouter à l'ensemble de données de formation existant sur Roboflow pour affiner les cadres de délimitation, et enfin recycler le modèle à partir de zéro.

Pour déterminer le poids des déchets de plaques, un ensemble de cellules de charge a été programmé pour prendre deux mesures de poids avant et après avoir jeté les déchets de plaques (juste avant que le plateau ne soit retiré). Le poids des déchets d'assiettes pouvait être trouvé à partir de la différence entre les deux poids, à l'exclusion du poids du plateau, des assiettes, des bols, des tasses et des ustensiles.

S'appuyant sur les idées ci-dessus, un prototype de traqueur de déchets de plaques a été construit pour intégrer tout ce qui précède. Il se composait de : Une unité Raspberry Pi (RPi) 3b+ pour la programmation, deux cellules de charge pour le pesage, un module de caméra pour la capture d'images, un support de montage en bois pour fixer les deux cellules de charge avec une plate-forme en acrylique sur le dessus, un boîtier en surplomb pour loger l'unité RPi et la caméra qui était positionnée directement au-dessus de la plate-forme de pesée en dessous. Les deux cellules de charge ont été connectées aux broches d'entrée/sortie à usage général (GPIO) du RPi via un combinateur de capteurs de charge. Le module de caméra a été branché directement sur le port du module de caméra sur la carte RPi. Les bibliothèques Python RPi.GPIO, hx711 et picamera ont été utilisées dans un script pour contrôler les canaux GPIO du Raspberry Pi et s'interfacer avec les cellules de charge et le module de caméra. Lors de la mise en marche du traqueur de déchets d'assiettes, le Raspberry Pi établirait automatiquement une connexion WiFi et pourrait être contrôlé à distance depuis un ordinateur portable via SSH (un protocole de communication réseau). Cela a permis aux mises à jour logicielles d'être transmises au Raspberry Pi en direct. Le pipeline final du système de suivi des déchets alimentaires est illustré à la Fig. 3 et est résumé ci-dessous :

Un utilisateur place un plateau sur la plate-forme de suivi, ce qui déclenche la capture du poids et de l'image « avant ». Les deux sont stockés sur la carte SD du Raspberry Pi.

L'image est téléchargée via une requête HTTP POST vers le serveur Heroku qui héberge l'application Docker de détection des déchets de plaques de conteneurs34. L'image sera traitée par un modèle YOLOv5 mis en cache pour la détection des déchets de plaque et les résultats seront automatiquement téléchargés sur la carte SD Pi qui pourra être affiché sur un écran. Notez que cette étape d'inférence s'exécute de manière asynchrone (c'est-à-dire en parallèle) avec le reste du programme.

Dans le même temps, l'utilisateur jette ses déchets d'assiettes dans une poubelle.

Après l'élimination, le poids « après » du plateau est saisi automatiquement lorsque l'utilisateur retire le plateau de la plate-forme, auquel cas le poids des déchets de plaque est calculé à partir de la différence entre « avant » et « après ».

Les données de déchets de plaques de cet utilisateur sont stockées dans un fichier CSV pour une post-analyse.

Le cycle se répète à partir de l'étape 1.

Le pipeline de suivi des déchets de plaques.

Cette étude a proposé trois voies pour réduire le gaspillage alimentaire et l'empreinte carbone dans la cafétéria du personnel d'un complexe intégré à Macao, répondant aux questions soulevées dans "Le gaspillage alimentaire dans les secteurs HaFS et ses impacts associés". Pour déterminer la quantité de nourriture à cuire, une prévision de la demande de la cafétéria du personnel et un modèle nutritionnel ont été utilisés pour estimer les besoins nutritionnels de base du personnel en une journée. Pour inciter le personnel à faire de meilleurs choix alimentaires, un étiquetage carbone et nutritionnel a été mis en place pour 404 plats servis dans la cafétéria du personnel afin de les sensibiliser aux impacts des différents aliments sur le climat et leur santé. Pour réduire les déchets alimentaires comestibles, un traqueur de déchets d'assiettes équipé d'une vision par ordinateur a été construit pour suivre ce que le personnel jette, les statistiques à partir desquelles pourraient informer le chef sur d'éventuels plats mal cuits. Les membres du personnel qui fréquentaient quotidiennement la cantine appartenaient majoritairement à l'ethnie chinoise, entre 30 et 50 ans, possédant une formation secondaire ou universitaire, un mélange assez équilibré d'hommes et de femmes, avec un revenu moyen d'environ \(\livres\) 25 000 par an (sur la base d'un taux de change MOP/GBP de \(\livres\) 0,11 au moment de la rédaction). Les résultats détaillés de chaque stratégie sont présentés ci-dessous.

La figure 4 montre la variation du nombre de couverts et du poids des déchets alimentaires non servis au cours des différents jours de la semaine. Les résultats montrent un comportement bimodal clair dans le nombre de couverts avec des jours de semaine élevés (typiquement \(\sim\) 3100 couverts) et des week-ends faibles (typiquement \(\sim\) 2850 couverts), en raison du personnel de bureau ayant des week-ends de congé. En règle générale, le gaspillage moyen de nourriture non servie par jour était de \(\sim\) 30 kg du lundi au dimanche. Bien que le nombre moyen de couverts les samedis et dimanches soit inférieur d'environ 8 % à celui des jours de semaine, le gaspillage alimentaire non servi est resté le même, voire parfois plus élevé, comme le montre l'intervalle interquartile plus large (IQR). Ce résultat montre le potentiel d'optimisation de la quantité d'aliments cuits en fonction des prévisions de couverture des repas et du modèle de macronutriments afin de réduire le gaspillage alimentaire non servi.

Une boîte à moustaches montrant le nombre de couverts de la cafétéria du personnel (en haut) et le poids des déchets alimentaires non servis (en bas) pour différents jours de la semaine. Le bas de la boîte est le quartile inférieur Q1 (25 % des données en dessous de cette valeur), le haut de la boîte est le quartile supérieur Q3 (75 % des données en dessous de cette valeur), avec une ligne à la médiane Q2 (50 % de données en dessous de cette valeur). Les moustaches au-dessous et au-dessus de la boîte ne s'étendent pas à plus de 1,5 \(\times\) IQR (IQR = Q3–Q1) des bords de la boîte, se terminant au point de données le plus éloigné dans cet intervalle. Les valeurs aberrantes sont tracées sous forme de points.

La figure 5 montre les composantes du modèle de prévision du nombre de couverts dans la cafétéria du personnel sur une base horaire. Le meilleur ensemble de paramètres s'est avéré être : une tendance plate (c'est-à-dire aucune croissance ou diminution du nombre d'employés), y compris les jours fériés à Macao, une tendance hebdomadaire multiplicative d'ordre de Fourier 5 et une tendance quotidienne multiplicative d'ordre de Fourier 15 Ces paramètres se sont avérés produire les meilleures performances de prévision sur les données de test avec une erreur absolue moyenne de 18 comptages, ce qui signifie qu'en moyenne sur une heure donnée, la différence entre les comptages prédits et réels pour le nombre de couverts était de 18 personnes d'environ 125 couverts horaires moyens (voir Fig. 5a).

Composants du modèle Prophet utilisés pour installer les couvertures de salle à manger dans la cafétéria du personnel au fil du temps. Les panneaux du haut vers le bas sont : (a) la tendance (qui est plate dans ce modèle) donne la valeur de base de la prévision (en unités de couverts par heure), (b) les effets des jours fériés qui agissent pour réduire la valeur de base de la prévision, (c) et (d) des saisonnalités hebdomadaires et quotidiennes donnant le pourcentage de la valeur de base à ajouter à l'estimation finale de la prévision.

La figure 6 montre le modèle appliqué aux données de test inédites au cours du mois d'avril 2022 (uniquement la demi-mois montrée pour plus de clarté). La prévision (ligne bleue) avec un intervalle d'incertitude de 90 % en bleu clair a bien capturé les tendances hebdomadaires et quotidiennes des couverts de la cafétéria du personnel au cours de cette période de test. D'autres variantes du modèle, telles que l'absence de jours fériés ou l'utilisation de tendances linéaires par morceaux, présentaient une erreur absolue moyenne plus élevée, malgré la production visuelle de meilleurs ajustements aux pics les plus élevés pendant les heures de déjeuner.

Prévision du nombre de couverts sur une base horaire pour la période comprise entre le 01 avril et le 17 avril 2022 (inclus). La ligne bleue représente les valeurs prévues, la teinte bleu clair représente l'intervalle d'incertitude de 90 % pour les décomptes et les points rouges représentent le nombre réel de couverts de restauration à une heure donnée.

Compte tenu d'une prévision relativement précise du nombre de couverts, les besoins nutritionnels du personnel à un moment donné ont également été modélisés. La figure 7 montre le modèle nutritionnel basé sur le nombre d'employés à une heure donnée. Il donne la quantité recommandée de macros nécessaires pour répondre aux besoins nutritionnels moyens du personnel tels que décrits dans "Optimisation en amont : prévoir la demande nutritionnelle". La quantité quotidienne de macronutriments nécessaires, sur la base d'un régime typique de 2 000 kcal par personne, pour quelque 3 000 membres du personnel à différents jours de la semaine, devrait se situer entre :

Glucides : 245-280 kg

Graisse : 71–75 kg

Protéines : 98–112 kg

En comparant ces valeurs de macronutriments prédites avec la quantité réelle servie au cours d'une journée typique, il a été constaté qu'il y avait des signes d'offre excédentaire. La quantité de glucides, de lipides et de protéines fournies était respectivement de 123 %, 207 % et 233 % des valeurs moyennes prédites. Notez que seuls les plats principaux ont été inclus dans cette analyse des macronutriments, les plats tels que les soupes, les sauces et les salades fraîches ont été exclus du calcul en raison de quantités négligeables de macronutriments. Cependant, les valeurs nutritionnelles et d'empreinte carbone ont été calculées pour ces types de plats, comme le montre la figure 8. Leur exclusion était purement basée sur l'obtention d'une valeur de référence pour les macro-nutriments minimaux requis. Ces résultats impliquaient que la médiane de 30 kg de déchets alimentaires non servis par jour pourrait potentiellement être réduite de manière significative car il y avait plus de 2 fois la moyenne des graisses et des protéines requises au cours d'une journée typique.

La prévision des macronutriments sur une base horaire pour la période comprise entre le 01 avril et le 17 avril 2022 (inclus) en fonction du nombre de couverts de restauration enregistrés. Chaque point représente la quantité typique (en kg) d'un macronutriment particulier nécessaire pour répondre aux besoins nutritionnels de base des membres du personnel pour cette heure donnée.

La figure 8 montre un diagramme en rayon de soleil de l'empreinte carbone de 404 plats regroupés par type de plat. Lorsqu'il est visualisé dans le navigateur35, le tableau est interactif, ce qui permet d'étendre différents types de plats pour afficher chaque plat avec ses valeurs nutritionnelles . La taille du secteur est proportionnelle à la somme de l'empreinte carbone de ce secteur. La couleur de chaque secteur est déterminée par l'empreinte carbone moyenne dans ce secteur et le programme suit le système de feux de signalisation du Guide suédois de la viande, tel que décrit dans "Éducation intermédiaire : étiquetage du carbone alimentaire et de la nutrition". Il ressort immédiatement de la section rouge vif que les plats de bœuf ont l'empreinte carbone la plus élevée, en grande partie en raison de leur forte émission de GES au stade agricole du cycle de vie, comme le montre la Fig. 9.

Un diagramme en rayon de soleil montrant l'empreinte carbone (kg CO2eq/kg) de 404 plats regroupés par type de plat. Il existe 13 types de plats avec le nombre de plats indiqués entre parenthèses : bœuf (28), porc (50), volaille (43), fruits de mer (62), soupe (62), riz et nouilles (34), œufs et haricots ( 26), sauce (14), légumes (31), congee (25), soupe sucrée (22), dessert (4) et fruits (3). L'étiquette de texte du fruit n'est pas visible en raison d'une très petite taille de secteur. La couleur de chaque secteur reflète l'empreinte carbone moyenne en kgCO2e par kg de plat dans ce secteur.

Évaluation du cycle de vie complet des émissions de gaz à effet de serre pour différents types d'aliments : agricoles, post-traitement (y compris la manutention et le stockage après récolte, la transformation et l'emballage), la consommation et la destination (c'est-à-dire l'élimination des déchets).

L'étiquette carbone de chaque plat pourrait être davantage corrélée avec différentes valeurs de macronutriments pour lier les objectifs environnementaux (GES) et de santé personnelle (nutrition). Des études similaires ont été menées dans les cantines scolaires pour relier l'impact environnemental des repas à leur nutrition (par exemple Volanti et al.36). L'objectif de l'éducation intermédiaire était d'aider à sensibiliser sur la façon dont les choix alimentaires et les comportements de consommation alimentaire peuvent avoir des impacts significatifs sur le climat et la santé37,38.

Sur la base des travaux d'étiquetage carbone et nutritionnel, un site Web dérivé de suivi du carbone et de la nutrition (appelé ourfood39) a été spécialement conçu pour la nourriture servie à la cafétéria du personnel. Le but de ce site Web était de donner aux membres du personnel la possibilité de suivre leur propre empreinte carbone et leur nutrition au fil du temps en fonction de leurs choix alimentaires. Cela faciliterait également l'interaction entre les employés en comparant les tendances entre eux, favorisant ainsi une discussion saine sur l'alimentation, le climat et la nutrition. L'utilisateur pourrait définir ses propres budgets carbone et nutrition /cibles en fonction de leurs besoins avec des valeurs par défaut définies sur les valeurs recommandées sur la base de la littérature Le nombre d'arbres nécessaires pour compenser l'empreinte carbone alimentaire annuelle du personnel est également affiché sur la base du taux annuel moyen de compensation de CO2 d'un arbre40. informations, l'entreprise pourrait diriger une partie de ses dons pour financer des initiatives de plantation d'arbres afin de compenser les émissions de carbone du cycle de vie des aliments servis tout au long de l'année, réduisant ainsi l'empreinte carbone de la cafétéria du personnel.

La figure 10 montre le prototype de suivi des déchets de plaques développé en interne pour capturer automatiquement des images et des poids de déchets de plaques individuels. Il a été conçu pour s'intégrer de manière transparente à la rénovation prévue de la cafétéria du personnel dans laquelle le personnel serait tenu d'éliminer ses propres déchets d'assiettes (au cours desquels les données sont collectées par le tracker) avant de les placer sur le système de convoyeur de retour des plateaux souillés.

Un prototype d'un traqueur de déchets de plaques intégré. Il se compose de cellules de charge en bas pour mesurer le poids des déchets de plaques et d'une caméra en haut pour capturer une image des déchets de plaques avant leur élimination, les deux étant contrôlées par un "Raspberry Pi" exécutant un programme Python.

Pour le composant de vision par ordinateur du système de suivi des déchets d'assiettes, le tableau 1 montre les performances finales des modèles YOLOv5 petit (s), moyen (m) et grand (l) pour détecter les déchets d'assiettes sur l'ensemble de données de validation dans 32 classes, notamment : pomme, trognon de pomme, zeste de pomme, os, os de poisson, pain, brioche, œuf dur, œuf brouillé, coquille d'œuf, vapeur d'œuf, jaune d'œuf, poisson, viande, moule, coquille de moule, nouille, orange, zeste d'orange, autres déchets, crêpe, pâtes, poire, noyau de poire, zeste de poire, pomme de terre, riz, crevettes, carapace de crevettes, tofu, tomate et légume. Le grand modèle a obtenu les meilleurs résultats sans surprise, avec mAP@0,5 de 0,681 et mAP@0,5 : 0,95 de 0,439. Cependant, la vitesse d'inférence du grand modèle était environ 3 fois plus lente que celle du petit modèle. L'ensemble de données complet contenait un total de 2 716 images (dont 10 % ont été utilisées pour la validation), avec 10 531 instances d'objets (c'est-à-dire des boîtes englobantes étiquetées). À titre de comparaison, les modèles YOLOv5 originaux ont été formés sur l'ensemble de données Common Objects in Context (COCO)41 qui contenait 80 classes avec 330 000 images et plus de 1,5 million d'instances d'objets. Le grand modèle pour cet ensemble de données COCO a atteint mAP@0,5 de 0,711 et mAP@0,5 : 0,95 de 0,534.

Une raison probable de la performance inférieure par rapport à COCO pourrait être due à 15 classes sous-représentées avec moins de 100 instances. Ces classes ont contribué à la plus grande quantité de « FN de fond » (c'est-à-dire un rappel inférieur, voir l'équation (4)). D'autre part, les classes surreprésentées telles que les os, les légumes, la coquille d'œuf, l'orange, l'écorce d'orange et l'écorce de pomme ont contribué à la plus grande quantité de « PF de fond » (c'est-à-dire une précision inférieure, voir l'équation (3)).

La figure 11 montre un exemple des prédictions du modèle YOLOv5m sur des exemples de test invisibles d'images de déchets de plaques collectées par le tracker. On peut voir que pour les aliments volumineux, le modèle réussit très bien à capturer la bonne classe et la bonne position de la boîte englobante. L'algorithme intégré du système de poids à came est capable de mesurer le poids des déchets de plateaux individuels indépendamment des différents types d'assiettes, couverts, tasses et bols utilisés. L'idée centrale est que le système obtient un poids initial du plateau avec les conteneurs et les déchets. Après vidage, le poids final du plateau et des récipients vides est obtenu. Ainsi, le poids des déchets peut être déduit de la différence entre les valeurs de poids initiales et finales.

Exemple de détection de déchets de plaques par le modèle YOLOv5m sur des images de déchets de plaques de test invisibles capturées par le traqueur de déchets de plaques de la Fig. 10.

Un avantage majeur du suivi individualisé du poids des déchets de plaques au lieu d'un total cumulé est qu'il facilite le calcul de différentes statistiques descriptives qui sont beaucoup plus pertinentes qu'une seule valeur totale des déchets. La figure 12 montre l'analyse par époque des courbes de poids de 36 échantillons d'élimination des déchets d'assiettes dans la cafétéria du personnel. La caractéristique générale de pointe à la fin de la courbe de poids représente le placement du bol ou de l'assiette sur le plateau avant le retrait de l'ensemble du plateau de nourriture de la plate-forme. Le tableau 2 montre les statistiques récapitulatives des échantillons de déchets de plaques. En moyenne, environ 20 % du poids initial des plateaux alimentaires étaient constitués de déchets d'assiettes, bien qu'il y ait eu une grande variation entre les échantillons individuels, allant de 50 à 552 g, avec un poids moyen de 253 g par couvercle. À titre de référence, l'IFWC rapporte un gaspillage alimentaire moyen de 115 g par couvert6. Une raison probable de l'écart important pourrait être due à des types de déchets d'assiettes très différents entre les cuisines asiatiques et européennes. Étant donné que les déchets d'assiettes ne sont pas séparés, le poids comprend le poids des os, des pelures et des autres parties alimentaires non comestibles. Le composant de vision par ordinateur du traqueur de déchets d'assiettes a tenté de résoudre partiellement ce problème en détectant si des aliments comestibles ont été jetés.

Analyse d'époque superposée de 36 courbes de poids provenant de l'élimination des déchets de plaques. L'axe des x représente le temps normalisé où 0 est le placement initial du plateau de nourriture sur la balance et 1 est le retrait du plateau. L'axe des ordonnées représente le poids normalisé où 1 est la valeur du 90e quantile de la courbe de poids entière dans un échantillon donné.

Un résumé des principaux résultats obtenus pour chacun des trois flux de décarbonisation et trois interventions étudiées dans l'étude de cas est présenté dans le tableau 3.

Dans la phase d'optimisation en amont, cette étude a montré le potentiel pour les chefs d'optimiser la préparation des aliments en fonction du nombre de couverts prévu combiné à un modèle macro nutritionnel, c'est-à-dire de ne préparer et ne cuisiner que ce qui est nécessaire et quand il le faut (juste-à- temps de cuisson). Malgré cela, il est parfois inévitable de se sur-préparer pour des raisons logistiques et des erreurs dans le modèle de prévision. Si la nourriture non servie ne peut pas être utilisée pour servir les personnes au sein de l'entreprise (par exemple en raison de problèmes de logistique et de ressources), il existe des options alternatives telles que le don à des organisations à but non lucratif externes, l'envoi à l'alimentation animale, au compostage anaérobie produisant du compost pour de nouvelles plantes, à digestion anaérobie produisant du biogaz pour l'énergie, et seulement finalement à la poubelle pour l'enfouissement ou l'incinérateur.

Le don de nourriture devrait être la première étape à considérer étant donné que la nourriture non servie est parfaitement bonne à manger pour les autres. Cependant, les chefs sont souvent extrêmement occupés à préparer des repas pour des milliers de personnes. Les barrières à l'entrée devraient être minimisées pour encourager la participation à l'effort commun de réduction du gaspillage alimentaire. Il doit y avoir une infrastructure pour faire du don une option plus facile que de jeter la nourriture non servie directement à la poubelle. Par exemple, la fondation à but non lucratif Chefs to End Hunger42 simplifie la récupération des excédents alimentaires en récupérant chaque jour les cartons d'excédents alimentaires des clients lors de la livraison régulière des produits pour les redistribuer à différentes organisations à but non lucratif.

Dans la phase d'éducation intermédiaire de cette recherche, une application interactive de suivi du carbone et de la nutrition a été développée pour aider les convives à mieux remplir leur plateau en les informant mieux sur les impacts sanitaires et environnementaux des aliments.

Pour l'étiquetage nutritionnel, chaque macronutriment a été traité comme une quantité distincte. Cependant, différents macro et micronutriments pourraient être combinés en un seul indice de densité nutritionnelle pour les plats qui capture divers facteurs de nutrition38. Cependant, cela nécessitait les quantités de micronutriments pour chaque ingrédient, ce qui dépassait le cadre de cette étude.

Pour l'étiquetage carbone, l'empreinte carbone d'un plat n'était qu'un indicateur de l'impact environnemental de l'alimentation. L'empreinte hydrique (c'est-à-dire la quantité d'eau utilisée) et l'empreinte écologique (c'est-à-dire la quantité de surface biologiquement productive utilisée) sont également des indicateurs environnementaux importants qui mesurent l'impact de l'alimentation sur la planète. Dans les pays développés, les régimes alimentaires riches en aliments transformés, viandes et produits laitiers pourraient avoir un impact climatique plus important que les pays en développement qui consomment un régime alimentaire à base de plantes plus local. Une étude récente a montré que les impacts environnementaux du régime alimentaire brésilien augmentent (sur la base des trois indicateurs environnementaux) tandis que la quantité d'aliments ultra-transformés a également augmenté43. Il est nécessaire d'éloigner les modes de consommation des régimes alimentaires riches en aliments à forte intensité de GES sans compromettre les valeurs nutritionnelles44. Cela réitère le fait que les choix alimentaires ont de graves implications environnementales. C'est par l'éducation, comme l'étiquetage carbone et nutritionnel, qu'il faut informer les gens pour qu'ils fassent de meilleurs choix alimentaires pour leur santé et l'environnement.

En ce qui concerne le suivi des déchets d'assiettes, certaines améliorations pourraient être mises en œuvre pour une expérience plus conviviale. Par exemple, une LED blanche peut indiquer quand l'image des déchets de plaque est capturée avant que l'utilisateur ne commence à jeter les déchets. Certains guides visuels et panneaux peuvent également être utiles. Une limitation de l'algorithme de journalisation actuel est qu'il empêche les utilisateurs de retirer le plateau de la plate-forme pour éliminer les déchets, en raison du poids du plateau agissant comme un déclencheur pour l'algorithme. Une fois le bac retiré, on suppose que l'utilisateur a fini de se débarrasser de ses déchets et le cycle d'enregistrement se termine pour cet utilisateur. Une solution potentielle pourrait être d'introduire une autre pièce de vaisselle, par exemple, un récipient en silicone facile à laver qui se moule sur les côtés du plateau et est spécifiquement utilisé pour les solides non comestibles pour une élimination facile plus tard. Cela peut également faciliter la détection des aliments comestibles pour le système de vision par ordinateur, car ils ne seraient pas masqués par d'autres parties non comestibles. Pour la capacité de vision par ordinateur, différentes versions des modèles pourraient être formées en supprimant les classes sous-représentées. Cela devrait augmenter les scores mAP en raison de meilleurs scores de rappel dans toutes les classes avec suffisamment d'instances.

De plus, d'un point de vue psychologique, l'aspect de l'éducation intermédiaire et de la reconnaissance en aval de cette étude pourrait être présenté comme un coup de pouce. Différents types d'éléments de poussée pourraient être créés à partir de ces outils pour fournir un renforcement positif et des suggestions indirectes comme moyens d'influencer le comportement et la prise de décision du personnel. En psychologie, un livre fondateur écrit par Thaler a proposé que le cerveau humain prenne des décisions selon deux modes : un, qui est intuitif et automatique, donc rapide et presque sans effort, et un autre, qui est réfléchi et rationnel, nécessitant donc une concentration et des efforts élevés pour exécuter45. Plus récemment, Kahneman a qualifié ces deux modes de pensée du Système 1 et du Système 2 respectivement46. Le nudge du système 1 (automatique) affecte directement le comportement tandis que le nudge du système 2 (réflexif) affecte directement le choix47.

Dans le cadre de l'étiquetage carbone et nutritionnel des aliments, il fournit les informations nécessaires au personnel pour faire des choix alimentaires plus éclairés, bénéfiques pour sa santé et l'environnement. Finalement, cela peut faire partie du processus de décision lors du choix de la nourriture à manger et pourrait également influencer leur comportement d'achat et de consommation alimentaire en dehors de l'entreprise. Dans le contexte du traqueur de déchets de plaques, un ensemble de LED et/ou de sons pourrait être déclenché en fonction des résultats de la détection des déchets de plaques. Par exemple, les LED rouges peuvent clignoter rapidement (avec des bips rapides répétés) lorsque le nombre d'aliments comestibles détectés dépasse un certain seuil. Sinon, les LED vertes s'allument en continu et produisent un simple effet sonore. Les LED rouges clignotantes et les bips rapides décourageraient les comportements inutiles car ces stimuli sont désagréables (une punition négative). D'autre part, les LED vertes et les simples effets sonores après une assiette propre conduisent à un renforcement positif et encouragent le personnel à maintenir ce comportement. Le traqueur de déchets d'assiettes pourrait être exploité pour introduire la gamification en fournissant un décompte en direct du nombre d'assiettes propres de manière automatisée, couplé à des détections d'images affichées en temps réel sur un moniteur dans la cafétéria du personnel. L'objectif, par exemple, pourrait être d'atteindre un nombre cible d'assiettes propres d'ici la fin de la semaine pour débloquer un certain prix et pour un tirage hebdomadaire. La nature progressive d'un score crée un fort engagement pour le personnel tout en leur donnant un sentiment de collaboration. Chacun a un rôle à jouer et contribue au nombre d'assiettes propres ! Cette idée a été mise en œuvre lors d'une initiative récente de l'entreprise appelée le «défi de l'assiette propre», comme illustré à la Fig. 13. Elle a ajouté des éléments divertissants et attrayants qui ont motivé le personnel à accorder plus d'attention à un problème de gaspillage alimentaire généralement négligé. De plus, ce système a fourni un autre moyen de collecte efficace de données d'images sur les déchets alimentaires, car seulement trois heures de déploiement ont produit plus de 700 images. La gamification a été utilisée dans d'autres contextes tels que l'amélioration de la participation à l'activité physique48. Des revues de la littérature ont montré que la gamification peut augmenter la motivation et l'engagement des utilisateurs, mais dépend fortement du contexte du problème, ainsi que des utilisateurs qui l'utilisent49.

Affichage en temps réel du défi de la plaque propre. Il affiche un décompte en direct du nombre total d'assiettes, du nombre d'assiettes propres (avec pourcentage par rapport à la cible) et des images de plateaux avec des cadres de délimitation dessinés.

Une étude plus approfondie pourrait évaluer l'efficacité des trois voies pour décarboniser la cafétéria du personnel dans d'autres stations intégrées à Macao. L'effectif combiné employé par les concessionnaires de jeux « Big Six » est d'environ 100 000 personnes au quatrième trimestre 2021 (estimé à partir des rapports annuels et financiers en 2021 de Galaxy, Melco, MGM, Sands China, SJM et Wynn). Des statistiques cruciales recueillies sur une période de temps permettraient de comparer la quantité de déchets alimentaires et l'empreinte carbone associée avec les valeurs de référence avant que de telles interventions ne soient mises en place. En outre, si ces stratégies s'avéraient efficaces, elles pourraient être mises en œuvre dans tous les établissements d'enseignement de Macao, qui compte un total combiné de plus de 133 000 étudiants de l'enseignement préscolaire à l'enseignement supérieur au cours de l'année universitaire 2020-202150, dont environ 31 % sont dans l'enseignement supérieur et 69% sont dans l'enseignement non supérieur, dont beaucoup proposent des services de restauration. La mise en œuvre de stratégies de décarbonation dans ces grandes entreprises et institutions fixerait la barre pour les petites entreprises à Macao. D'autres innovations de décarbonation pourraient surgir dans le processus, ce qui serait un pas dans la bonne direction pour conduire une nouvelle vague d'entreprises respectueuses de l'environnement.

Une grande partie du travail sur les données consiste à informer le récit. Voir des milliers d'images d'aliments parfaitement bons jetés à la poubelle rend cela très réel. Après tout, il s'agit d'un problème humain et si les données peuvent aider à changer le point de vue des gens sur l'énormité du problème du gaspillage alimentaire, alors tout le monde est inspiré pour agir et atteindre des objectifs plus ambitieux. Cela peut être considéré comme des coups de pouce basés sur des normes sociales (coups de pouce aux normes) et peut être des interventions comportementales convaincantes. La technologie de pointe pour améliorer la traçabilité de notre système alimentaire est une approche pour réduire le gaspillage alimentaire, mais les stratégies de base axées sur l'humain ne doivent pas être oubliées. Une approche holistique est une approche qui aborde tous les aspects de ce système complexe, de sorte qu'aucune partie n'est suffisante à elle seule pour résoudre le problème du gaspillage alimentaire.

Le gaspillage alimentaire a des implications environnementales, sociales et économiques. Les aliments qui finissent dans le flux de déchets nécessitent des ressources pour gérer leur détournement et leur élimination, sans parler de la perte financière, car les aliments comestibles ont également une valeur monétaire. Par conséquent, la réduction du gaspillage alimentaire se traduit directement par des économies financières. La recherche et les interventions nécessaires pour réduire le gaspillage alimentaire peuvent constituer un fardeau financier au départ. Cependant, à long terme, une réduction réussie du gaspillage alimentaire entraînerait probablement un gain monétaire pour l'organisation. Plus important encore, la réduction du gaspillage alimentaire doit être considérée comme une responsabilité sociale des entreprises. En tant que l'un des six grands concessionnaires de jeux à Macao, il est de plus en plus important qu'il joue son rôle pour soutenir les objectifs nationaux de double décarbonisation de la Chine51 et pour intégrer de manière holistique les principes environnementaux, sociaux et de gouvernance (ESG) dans les opérations commerciales en raison des attentes et pression des parties prenantes internes et externes.

Cette étude a mis en œuvre trois voies de décarbonisation dans la cafétéria du personnel d'un complexe intégré à Macao en tant qu'étude de cas réelle pour réduire les émissions de GES du cycle de vie provenant des déchets alimentaires :

L'optimisation en amont a été utilisée pour optimiser l'approvisionnement alimentaire sur la base d'un modèle de prévision de la demande pour le nombre de couverts attendus à un moment donné combiné à un modèle de macronutriments. Cette stratégie devrait contribuer à réduire le gaspillage alimentaire non servi en créant un système réactif dans lequel l'offre alimentaire correspond à la demande.

L'éducation intermédiaire a été utilisée pour aider à sensibiliser les gens entre les choix alimentaires et leur impact sur le climat et la santé en fournissant des étiquettes de carbone et de macronutriments sur tous les plats servis dans la cafétéria du personnel. Cette intervention a facilité le système 2 (reflective) nudge qui vise à orienter les gens vers des choix alimentaires plus faibles en carbone et plus sains.

La reconnaissance en aval a été utilisée pour aider à réduire les déchets alimentaires comestibles en utilisant un modèle de vision par ordinateur de pointe pour détecter les déchets d'assiettes en temps réel et les commentaires à l'utilisateur via un écran pour augmenter l'engagement. Cette intervention a facilité le système 1 (automatique) nudge qui vise à inciter les utilisateurs à réduire le gaspillage alimentaire comestible.

Toutes les données ont été recueillies auprès de la propriété Wynn Macau avec l'aide de diverses équipes. Les ensembles de données créés et analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

FAO. Empreinte du gaspillage alimentaire—impacts sur les ressources naturelles (2013). https://www.fao.org/3/i3347e/i3347e.pdf. Consulté le 35 mai 2022.

FAO. Empreinte du gaspillage alimentaire et changement climatique (2015). https://www.fao.org/3/bb144e/bb144e.pdf. Consulté le 5 mai 2022.

ONU. Population mondiale (2022). https://www.un.org/en/desa/world-population-projected-reach-98-billion-2050-and-112-billion-2100. Consulté le 5 mai 2022.

FAO. L'état de l'insécurité alimentaire dans le monde (2014). https://www.fao.org/3/i4030e/i4030e.pdf. Consulté le 31 mai 2022.

Programme des Nations Unies pour le développement. Objectifs de développement durable (2022). https://www.undp.org/sustainable-development-goals. Consulté le 4 mai 2022.

IFWC. Mesurer et déclarer le gaspillage alimentaire dans les secteurs de l'hôtellerie et de la restauration (2022). https://ec.europa.eu/food/safety/food_waste/eu-food-loss-waste-prevention-hub/resource/show/2076. Consulté le 4 mai 2022.

Congrès National du Peuple. Loi de la république populaire de chine sur le gaspillage alimentaire (2021). http://www.npc.gov.cn/englishnpc/c23934/202112/f4b687aa91b0432baa4b6bdee8aa1418.shtml. Consulté le 5 mai 2022.

Programme des Nations Unies pour l'environnement. Définition des pertes et gaspillages alimentaires (2021). https://www.unep.org/thinkeatsave/about/definition-food-loss-and-waste. Consulté le 4 mai 2022.

FAO. Pertes alimentaires et gaspillage alimentaire (2020). https://www.fao.org/food-loss-and-food-waste/flw-data). Consulté le 4 mai 2022.

Chapagain, A. & James, K. L'empreinte hydrique et carbone des déchets alimentaires et de boissons des ménages au Royaume-Uni (2011). https://wrap.org.uk/sites/default/files/2020-12/The-water-and-carbon-footprint-of-household-food-and-drink-waste-in-the-UK.pdf. Consulté le 26 mai 2022.

Lire, QD, Hondula, KL & Muth, MK Effets sur la biodiversité des actions de durabilité du système alimentaire de la ferme à la fourchette. Proc. Natl. Acad. Sci.https://doi.org/10.1073/pnas.2113884119 (2022).

Article Google Scholar

Mukherjee, A. L'économie du gaspillage alimentaire côté consommateur. Adv. Technol. Nutr. Sci. Ouvrez J. 2, 110–112. https://doi.org/10.17140/aftnsoj-2-137 (2016).

Article Google Scholar

Misra, AK Changement climatique et défis de l'eau et de la sécurité alimentaire. Int. J. Soutenir. Environ construit. 3, 153–165. https://doi.org/10.1016/j.ijsbe.2014.04.006 (2014).

Article Google Scholar

Watts, N. et al. Santé et changement climatique : réponses politiques pour protéger la santé publique. Lancette 386, 1861–1914. https://doi.org/10.1016/s0140-6736(15)60854-6 (2015).

Article MathSciNet Google Scholar

AON. Aperçu de la météo, du climat et des catastrophes (2020). http://thinktleadership.aon.com/Documents/20210125-if-annual-cat-report.pdf. Consulté le 30 mai 2022.

Yang, J. et al. Une étude comparative du typhon hato (2017) et du typhon Mangkhut (2018) - leurs impacts sur les inondations côtières à Macao. J. Geophys. Rés. Océans 124, 9590–9619. https://doi.org/10.1029/2019jc015249 (2019).

Annonces d'article Google Scholar

Clark, MA et al. Les émissions du système alimentaire mondial pourraient empêcher d'atteindre les objectifs \(1,5^{\circ }\) et \(2^{\circ }\text{ c }\) en matière de changement climatique. Sciences 370, 705–708. https://doi.org/10.1126/science.aba7357 (2020).

Article ADS CAS Google Scholar

Poore, J. & Nemecek, T. Réduction des impacts environnementaux des aliments par les producteurs et les consommateurs. Sciences 360, 987–992. https://doi.org/10.1126/science.aaq0216 (2018).

Article ADS CAS Google Scholar

Convention des Nations Unies sur la lutte contre la désertification. The Global Land Outlook (UNCCD, Bonn, 2022), deuxième éd. Consulté le 26 mai 2022.

Facebook. Prévision à grande échelle. (2017). https://facebook.github.io/prophet/. Consulté le 1er mai 2022.

FDA. Comment comprendre et utiliser l'étiquette de la valeur nutritive (2022). https://www.fda.gov/food/new-nutrition-facts-label/how-understand-and-use-nutrition-facts-label. Consulté le 26 mai 2022.

Zhang, R. et al. La différence d'apports en nutriments entre les régimes chinois et méditerranéen, japonais et américain. Nutriments 7, 4661–4688. https://doi.org/10.3390/nu7064661 (2015).

Article CAS Google Scholar

Kallmyer, T. Macro calculatrice (2022). https://healthyeater.com/flexible-dieting-calculator. Consulté le 30 mai 2022.

Nouvelles mondiales. Voici à quoi ressemblent réellement vos calories au petit-déjeuner, au déjeuner et au dîner (2017). https://globalnews.ca/news/3615212/this-is-what-your-breakfast-lunch-and-dinner-calories-actually-look-like/. Consulté le 5 mai 2022.

Vermeulen, SJ, Campbell, BM & Ingram, JS Changement climatique et systèmes alimentaires. Annu. Rév. Environ. Resour. 37, 195-222. https://doi.org/10.1146/annurev-environ-020411-130608 (2012).

Article Google Scholar

Zhang, D. et al. L'empreinte carbone des déchets alimentaires de l'industrie de la restauration : une étude de cas à Pékin. Acta Écol. Péché. 36, 25. https://doi.org/10.5846/stxb201504150769 (2016).

Article Google Scholar

GIEC. AR6 Climate Change 2021: The Physical Science Basis—Chapitre 7: Le bilan énergétique de la Terre 2, les rétroactions climatiques et la sensibilité au climat-Matériel supplémentaire (2021). https://lib.icimod.org/record/35293. Consulté le 5 mai 2022.

Röös, E., Ekelund, L. & Tjärnemo, H. Communiquer l'impact environnemental de la production de viande : Défis dans le développement d'un guide suédois de la viande. J. Propre. Prod. 73, 154–164. https://doi.org/10.1016/j.jclepro.2013.10.037 (2014).

Article Google Scholar

Le, M. Votre budget co2e personnel pour rester en dessous de \(2^\circ \text{ C }\) (2021). https://livelca.com/blogs/75a697d4-fe34-4977-ae2f-b472f1ee02da. Consulté le 4 mai 2022.

Jocher, G. et al. ultralytics/yolov5 : v6.0 - modèles "nano" yolov5n, intégration roboflow, exportation tensorflow, prise en charge opencv dnn. https://doi.org/10.5281/ZENODO.5563715 (2021).

Deeplearning.ai. Spécialisation Ingénierie en apprentissage automatique pour la production (mlops) (2021). https://www.deeplearning.ai/program/machine-learning-engineering-for-production-mlops/. Consulté le 1er mai 2022.

Goncharov, I. Étiquetage ouvert modifié. https://github.com/ivangro/ModifiedOpenLabelling (2021).

Roboflow. Donnez à votre logiciel le pouvoir de voir des objets dans des images et des vidéos (2020). https://roboflow.com/. Consulté le 1er mai 2022.

Cheng, je Kit. Détection des déchets de plaques (2022). https://foodwasteYOLOv5.herokuapp.com. Consulté le 31 juin 2022.

Cheng, je Kit. Complot sunburst de plats avec étiquettes carbone et nutritionnelles (2022). https://ikitcheng.github.io/visualizations/. Consulté le 21 juin 2022.

Volanti, M. et al. Impact environnemental des repas : Quelle est l'empreinte carbone des cantines scolaires ?. Alimentshttps://doi.org/10.3390/foods11020193 (2022).

Article Google Scholar

Clark, MA, Springmann, M., Hill, J. et Tilman, D. Impacts multiples des aliments sur la santé et l'environnement. Proc. Natl. Acad. Sci. 116, 23357–23362. https://doi.org/10.1073/pnas.1906908116 (2019).

Article ADS CAS Google Scholar

Strid, A. et al. Indicateurs de durabilité pour les aliments bénéfiques pour le climat et la santé. Durabilité 13, 3621. https://doi.org/10.3390/su13073621 (2021).

Article CAS Google Scholar

Cheng, je Kit. Notre alimentation notre climat notre santé (2022). https://share.streamlit.io/ikitcheng/ourfood/app.py. Consulté le 21 juin 2022.

Encon. Calcul de la compensation co2 par les arbres (2021). https://www.encon.be/en/calculation-co2-offsetting-trees. Consulté le 4 mai 2022.

Lin, T.-Y. et coll. Microsoft coco : Objets communs en contexte. https://doi.org/10.48550/ARXIV.1405.0312 (2014).

Des chefs pour éliminer la faim. Notre mission (2021). https://www.chefsendhunger.org/our-mission. Consulté le 21 juin 2022.

da Silva, JT et al. Émissions de gaz à effet de serre, empreinte hydrique et empreinte écologique des achats alimentaires en fonction de leur degré de transformation dans les zones métropolitaines brésiliennes : une étude en série chronologique de 1987 à 2018. Lancet Planetary Health 5, e775–e785. https://doi.org/10.1016/s2542-5196(21)00254-0 (2021).

Article Google Scholar

Garnett, T. Où se trouvent les meilleures opportunités de réduction des émissions de gaz à effet de serre dans le système alimentaire (y compris la chaîne alimentaire) ?. Politique alimentaire 36, S23–S32. https://doi.org/10.1016/j.foodpol.2010.10.010 (2011).

Article Google Scholar

Thaler, RH et Sunstein, CR Nudge (Yale University Press, 2008).

Google Scholar

Kahneman, D. Pensée, rapide et lente (Farrar (Straus & Giroux, 2013).

Google Scholar

Klieber, K., Luger-Bazinger, C. & Hornung-Prähauser, V. Incitation à un comportement durable : Incitation basée sur les données pour les innovations des villes intelligentes. Dans ISPIM Innovation Conference (ISBN 978-952-335-466-1, 2020).

Xu, L. et al. Les effets des interventions de gamification basées sur mHealth sur la participation à l'activité physique : revue systématique. JMIR Mhealth Uhealth 10, e27794. https://doi.org/10.2196/27794 (2022).

Article Google Scholar

Hamari, J., Koivisto, J. & Sarsa, H. La gamification fonctionne-t-elle ?—Une revue de la littérature des études empiriques sur la gamification. En 2014, 47e Conférence internationale d'Hawaï sur les sciences du système. https://doi.org/10.1109/hicss.2014.377 (IEEE, 2014).

Bureau d'information du gouvernement de la RAS de Macao. Annuaire de l'éducation 2020-2021 (2020). https://yearbook.gcs.gov.mo/uploads/yearbook_pdf/2021/myb2021cPA01CH15.pdf. Consulté le 14 juin 2022.

Les Nations Unies. La Chine se dirige vers la neutralité carbone d'ici 2060 ; Le président Xi Jinping s'engage à arrêter les nouvelles centrales au charbon à l'étranger (2021). https://news.un.org/en/story/2021/09/1100642. Consulté le 27 mai 2022.

Télécharger les références

IK.C. est soutenu par le STFC UCL Center for Doctoral Training in Data Intensive Science (numéro de subvention ST / P006736 / 1) et par le programme de stages Wynn Macau. Les auteurs tiennent à remercier les collègues des équipes des installations, des aliments et boissons et de la durabilité qui ont fourni le soutien, les idées et l'expertise qui ont grandement aidé la recherche. PyTorch, le logo PyTorch et toutes les marques associées sont des marques déposées de The Linux Foundation. Le framework FastAPI est disponible sur https://github.com/tiangolo/fastapi.

Département de physique et d'astronomie, University College London, Londres, Royaume-Uni

Je Kit Cheng

Institute of Environmental Management and Assessment (IEMA), mars, Cambridgeshire, Royaume-Uni

Kin K.Leong

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

IK.C. a écrit le code, analysé les résultats et rédigé le manuscrit principal. KKL a écrit le manuscrit principal et dirigé les différentes expériences. Tous les auteurs ont examiné le manuscrit.

Correspondance avec I Kit Cheng.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Cheng, IK, Leong, KK Voies de décarbonation basées sur les données pour réduire les émissions de GES du cycle de vie provenant des déchets alimentaires dans les secteurs de l'hôtellerie et de la restauration. Sci Rep 13, 418 (2023). https://doi.org/10.1038/s41598-022-27053-6

Télécharger la citation

Reçu : 17 juin 2022

Accepté : 23 décembre 2022

Publié: 09 janvier 2023

DOI : https://doi.org/10.1038/s41598-022-27053-6

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.