Heat loss detection using thermal imaging by a small UAV prototype
Notice bibliographique
Résumé
There is an increasing interest in detecting heat loss through buildings using unmanned aerial vehicles (UAVs) and thermal sensors. The present study constitutes an attempt to develop a system that can detect heat loss in different inaccessible portions of building structures, such as roofs and high-rise facades. Traditionally, inspectors have conducted surveys to investigate insulation performance and detect heat loss through various portions of buildings. However, these kinds of surveys tend to be time-consuming, costly, and risky. To mitigate risks, a small, low-cost Adafruit thermal infrared sensor and a small, onboard Raspberry Pi microcontroller were mounted on a UAV to detect heat loss through buildings. The lightweight Raspberry Pi microcontroller and Adafruit thermal sensor were powered by additional batteries. A lightweight battery was selected based on the maximum payload and power demand of the microcontroller and thermal sensor. The Raspberry Pi was controlled remotely by a portable computer. The UAV flight plan was controlled remotely by FreeFlight Pro software. Several experimental tests were conducted in both indoor and outdoor environments. Both video and image data were obtained remotely from the thermal sensor and microcontroller. A standard FLIR thermal camera with a very high resolution was also used to ensure the accuracy of the results obtained from the UAV-based thermal sensor. All the images captured by the Adafruit thermal sensor were compared with the standard thermal camera images. The results showed that the presently developed system can detect heat loss through inaccessible locations in buildings with modifications only in sensor resolution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».