J'ai construit un radar pour détecter l'amiante
Pourquoi ça compte pour toi
L'amiante tue encore en Europe, et les détections coûtent une fortune à cause des intermédiaires. Cet article montre comment un jeune ingénieur a combiné physique des ondes, DSP, et IA pour construire une solution hardware réelle — et où il a échoué faute de financement. Si tu construis du hardware, tu vas comprendre les pièges qu'il a rencontrés.
Ce qu'il faut retenir
- 1.FMCW radar + beamforming Capon + CNN pour classifier les matériaux par signature électromagnétique
- 2.Le piège du hardware : avoir un POC ne suffit pas, les clients veulent le produit fini ET les certifications réglementaires
- 3.Optimisation d'antenne via OpenEMS + convolution astucieuse pour réduire le temps de simulation de 1h à 2min (sans GPU)
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Pourquoi l'amiante, et pourquoi un radar ?
En Europe, l'amiante reste partout : dans les murs, les isolants, les tuyaux. Détecter sa présence, c'est coûteux : tu dois faire venir un prestataire, il prélève des échantillons, tu les envoies au labo, et tu paies 60€ pour une analyse qui en coûte 1€ réelle. Multiplié par 10, 20 analyses sur un immeuble, ça devient ruineux.
Gauthier, ingénieur en physique et matériaux, s'est demandé : pourquoi ne pas scanner directement avec une onde électromagnétique ? Les matériaux contenant de l'amiante ont une signature électrique différente. Un radar pourrait les distinguer sans destruction, sans labo, sans intermédiaires.
L'architecture : onde + signal + neurone
Le cœur : un radar FMCW (frequency-modulated continuous wave). Au lieu d'envoyer un seul signal, il émet une rampe de fréquences (un "chirp"). L'écho revient, et la DSP transforme ce bruit brut en quelque chose d'intelligent.
L'étape critique : beamforming Capon. Le radar a plusieurs antennes. Capon combine leurs signaux pour créer une "densité spectre" — littéralement l'empreinte électromagnétique de la surface face au capteur. C'est ce tenseur qu'il a balancé dans un CNN classique.
Résultat : le réseau apprend les propriétés diélectriques des matériaux (epsilon' et epsilon''). Avec 500 Ko de données spectrales par classe (bois, pierre, alu, plastique, etc.), il pouvait classifier des matériaux inconnus.
Le cauchemar du RF (radio-fréquence)
À ce stade, beaucoup auraient crié victoire avec les cartes de développement (Texas Instruments IWRL6432, ESP32). Gauthier a voulu optimiser les antennes pour vraiment comprendre son système.
Problème : modéliser l'électromagnétisme avec Ansys HFSS coûte "un rein entier". Il a utilisé OpenEMS, open source, basé sur FDTD (finite-difference time-domain). Mais pas de GPU = simulations lentes.
L'astuce intelligente : au lieu de simuler le chirp entier, il a extrait juste la fonction de transfert TX→RX en envoyant une impulsion gaussienne (une impulsion Dirac aurait fait diverger la sim). Puis convolution pour reconstruire comment le chirp réel se comporterait. Temps de simulation : 1h → 2min.
Curiosité qu'il a découverte au passage : si ta gaussienne n'est pas centrée sur zéro en fréquence, sa transformée de Fourier devient une sinusoïde enveloppée par une gaussienne. Merci, théorie du signal.
Où ça s'est cassé
Le POC marchait. Classification correcte sur du bois, de la pierre, des matériaux mixtes. Mais dès qu'il approche des clients réels, le mur : ils refusaient de signer une lettre d'intention sans toucher le produit fini, et il fallait obtenir toutes les certifications réglementaires européennes.
Un POC = pas assez. Un produit = cher à certifier. Pas de financement = projet gelé.
À retenir pour ton projet hardware
Ce récit casse le mythe du "build in public". Avoir un truc qui marche techniquement ne = avoir un marché. Les barrières réglementaires, les lettres d'intention refusées, le manque d'argent pour les certifs : c'est du hardware vrai, pas du software où tu pousses une mise à jour et c'est en ligne.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, comprends que ce radar détecte l'amiante en mesurant comment les ondes électromagnétiques rebondissent sur les matériaux — c'est pas magique, c'est de la physique que l'IA aide juste à interpréter plus vite et plus précis qu'un humain ne le ferait.
Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :