Les progrès récents des réseaux de neurones profonds ont stimulé un développement important dans la littérature sur la classification des déchets basée sur les images. Ces méthodes s'appuient principalement sur l'apprentissage par transfert pour atteindre des résultats de pointe. Dans cette contribution, une nouvelle méthodologie est introduite, qui utilise des champs de métadonnées tels que la localisation et l'intensité du trafic temporel afin d'assister les classificateurs existants basés sur les images. Nous avons constitué ISBNet, un jeu de données comprenant 889 images accompagnées de leurs métadonnées associées, réparties sur cinq catégories (papier, plastique, boîtes métalliques, cartons à boisson en carton [Tetra Pak] et décharges). Ce jeu de données a été utilisé pour développer notre modèle, ThanosNet, qui surpasser les modèles actuels de pointe en classification des déchets basés sur les images. Bien que ISBNet soit limité à une communauté d'utilisateurs spécifique, la méthodologie générale proposée ici s'applique à une large gamme de contextes de consommation.