A novel method for monitoring material behaviour in urban buildings using aerial multi-modality imaging
Notice bibliographique
Résumé
Thermal bridges represent critical weaknesses in building envelope materials, increasing energy consumption by 40% and reducing occupant comfort. This study proposes a novel non-destructive methodology for monitoring material performance in urban buildings using aerial multi-modality imaging. Two models were developed: 1) a customized deep learning (DL) model based on YOLOv9, trained on a multimodal dataset of 5,614 visible, thermal, and LiDAR data, and 2) a physics-based heat loss model for quantifying thermal bridges. The DL model achieved a precision of 0.72, detecting an average of 3.33 thermal bridges per image, with an inference time under 30.3 milliseconds on an NVIDIA A100 GPU, enabling real-time city-scale diagnostics. Post-processing using an ANN refined bounding box predictions and increased precision to 0.763 and reduced localization error by 14.7%. The heat loss model estimated surface losses ranging from 4.02 to 37.85 W/m², with an average of 22.37 W/m². A sensitivity analysis revealed that detection errors caused up to 28.55% relative error in heat loss estimates, with missed detections having the largest impact on performance. Validation on the AGAP (RGB and thermal fused) dataset confirmed generalizability, achieving 80% precision. Comparative evaluation showed YOLOv9-E outperformed other state-of-the-art models such as MaskRCNN, and YOLOv7. Projections suggest that undetected bridges on a typical 100 m² façade may lead to up to 11,409 kWh of excess heating demand over six months. This integrated solution offers a scalable, automated framework for non-destructive testing (NDT), material-level diagnostics, and energy-efficient retrofitting in smart city applications.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».