YOLOv7 for Real-Time Monitoring of Heat Loss Regions in Building Envelopes Using UAV-Infrared Thermography
Notice bibliographique
Résumé
Drone technology has enabled efficient city-scale data collection for detecting thermal bridges in building envelopes. These thermal bridges can cause up to 30% of energy loss and can make up to 50% of the building's envelope area leading to severe heat loss, moisture infiltration, and mold growth. Addressing thermal bridges through timely monitoring can enhance building energy performance and offer comfortable occupied conditions. This paper offers a rapid, non-invasive solution for identifying areas of heat loss to improve building energy efficiency. The study utilized real world thermal bridging data collected from six city building blocks, each block containing approximately 20 buildings. The data was collected using a DJI M600 drone equipped with a FLIR-XT2 thermal camera, capturing thermal images of building envelopes. The YOLOv7 deep learning model was used to process the collected data for automated thermal anomaly detection. The model was trained over 250 epochs using standard gradient descent algorithm. During the training process, the loss function decreased gradually. The model achieved a precision of 0.58 in detecting thermal bridges. The Drone-based approach allowed capturing images from about 20 different angles per building, enhancing detection reliability. Moreover, the model achieved a high inference speed of 41 frames per second at an image size of${640}\times {640}\ \text{pixels}$, providing a method for real-time data analysis of building façades, The results demonstrate that integrating thermal imaging with advanced deep learning techniques effectively detects thermal anomalies in buildings envelopes.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».