النهج القائمة على التعلم العميق لبناء كشف الج pontات الحرارية السطحية من الصور الجوية
{Frank Schultmann Rebekka Volk Markus Götz Yu Hou James Kahn Zoe Mayer}
الملخص
الجسور الحرارية تمثل نقاط الضعف في الغلاف المعماري التي قد تؤدي إلى فقدان الطاقة، وتجمع الرطوبة، وتكوين العفن في هيكل المبنى. للكشف عن الجسور الحرارية في مخزون كبير من المباني، يمكن استخدام الطائرات المُسيرة المزودة بكاميرات حرارية. وبما أن التحليل اليدوي لمجموعات صور شاملة يستهلك وقتًا طويلاً، نستعرض مناهج التعلم العميق لتمكين أتمتة هذا العملية. ولهذا الغرض، نركّز على الجسور الحرارية الموجودة على أسطح المباني، والتي تم تسجيلها في صور طائرة مُسيرة بانورامية من مجموعة بياناتنا المحدثة المسمّاة "الجسور الحرارية على أسطح المباني" (TBBRv2)، والتي تحتوي على 926 صورة و6927 تسمية. وتشمل الصور معلومات باللون RGB والحرارية وارتفاعات. ونقارن بين النماذج الرائدة في المجال، مع وبدون التدريب المسبق، من خمسة معماريات مختلفة للشبكات العصبية: MaskRCNN R50، وTransformer Swin-T، وTridentNet، وFSAF، بالإضافة إلى نموذج مرجعي MaskRCNN R18. ونلاحظ نتائج واعدة، خاصة بالنسبة للنماذج المُدرّبة مسبقًا، حيث حققت نموذج Transformer Swin-T المُدرّب مسبقًا متوسط استرجاع يفوق 50% في الكشف عن الجسور الحرارية الكبيرة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| instance-segmentation-on-tbbr | Swin-T (ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 28.0 |
| instance-segmentation-on-tbbr | Mask R-CNN (ResNet-50-FPN) | Average Recall@IoU:0.5-0.95: 20.1 |
| instance-segmentation-on-tbbr | Swin-T | Average Recall@IoU:0.5-0.95: 20.6 |
| instance-segmentation-on-tbbr | Mask R-CNN (ResNet-50-FPN, ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 21.9 |
| object-detection-on-tbbr | Mask R-CNN (ResNet-50-FPN) | Average Recall@IoU:0.5-0.95: 30.8 |
| object-detection-on-tbbr | Mask R-CNN (ResNet-50-FPN, ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 37.0 |
| object-detection-on-tbbr | FSAF (ResNeXt-101, ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 38.0 |
| object-detection-on-tbbr | TridentNet (ResNet-50, ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 30.0 |
| object-detection-on-tbbr | TridentNet (ResNet-50) | Average Recall@IoU:0.5-0.95: 21.5 |
| object-detection-on-tbbr | FSAF (ResNeXt-101) | Average Recall@IoU:0.5-0.95: 24.8 |
| object-detection-on-tbbr | Swin-T (ImageNet-1k pretrain) | Average Recall@IoU:0.5-0.95: 45.4 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.