Dans cet article, des modèles de réseaux neuronaux LSTM (Long Short-Term Memory) et Transformer ont été développés pour la classification des différents états de bande transporteuse (chargée et non chargée). Des modèles plats de référence, tels que la régression logistique, la machine à vecteurs de support (SVM) et la forêt aléatoire, ont également été conçus et synthétisés. Six signaux de pression sur bande transporteuse de longueurs différentes ont été analysés : 0,2, 0,4, 0,8, 1,6, 3,2 et 5,0 seconde. À la fois les modèles LSTM et Transformer ont atteint une précision de 100 % en utilisant les signaux bruts de pression. De plus, le modèle LSTM a atteint le meilleur niveau de classification avec les signaux les plus courts. Une précision de 98 % et un score F1 de 100 % ont été obtenus respectivement avec des signaux de longueur 0,8 s et 1,6 s. Par ailleurs, le modèle LSTM a effectué les procédures d’entraînement et de test plus rapidement que le modèle Transformer. Le modèle de forêt aléatoire a présenté la meilleure performance de classification lorsqu’il a été alimenté par des données de signal agrégées, avec une précision de 85 %, et des scores F1 respectifs de 85 % et 69 % pour les états chargé et non chargé. L’état chargé de la bande transporteuse s’est avéré significativement plus facile à classifier que l’état non chargé dans tous les modèles. Seul le modèle LSTM a montré une meilleure rappel de classification pour l’état non chargé, notamment avec des signaux courts. L’ensemble de données expérimentales CORBEL (Conveyor belt pressure signal dataset) ainsi que les modèles développés sont open source et accessibles sur GitHub à l’adresse suivante : https://github.com/TadasZvirblis/CORBEL.