Building Energy Efficiency Analysis and Diagnosis Using Integrated Image Processing and Thermal Imaging Technologies
Notice bibliographique
Résumé
With the continuous growth of global energy demand and escalating environmental issues, enhancing building energy efficiency has become a critical challenge for many countries.Buildings, as major energy consumers, require precise energy efficiency analysis and diagnosis to achieve energy conservation and emission reduction goals.In recent years, the application of image processing and thermal imaging technologies in building energy efficiency analysis has become increasingly widespread.These technologies provide accurate energy efficiency assessments, aiding in the identification and resolution of energy efficiency issues within buildings.However, existing methods face numerous challenges in handling complex thermal imaging data and segmenting energy efficiency states, often failing to comprehensively reflect the actual energy performance of buildings.This paper proposes a novel approach to building energy efficiency analysis and diagnosis by integrating image processing and thermal imaging technologies.The approach comprises two main components.First, a selection search algorithm tailored for building infrared thermal images is introduced to enhance the precision and efficiency of thermal image processing.Second, a new method for segmenting building energy efficiency states is proposed, utilizing the (SHapley Additive exPlanations) SHAP attribution clustering algorithm to provide a more comprehensive and accurate evaluation of building energy performance.These advancements address the limitations of existing methods and offer new technical means for building energy efficiency analysis.The proposed approach not only improves the precision of energy efficiency assessments but also has significant application value and potential for widespread adoption.This research contributes to the ongoing efforts in energy conservation and provides a robust framework for future studies in building energy efficiency diagnostics.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».