Approches par apprentissage profond pour la détection des ponts thermiques sur toitures à partir d'images aériennes

Les ponts thermiques représentent des points faibles des enveloppes de bâtiments susceptibles de provoquer des pertes énergétiques, l’accumulation d’humidité et la formation de moisissures dans la structure du bâtiment. Pour détecter les ponts thermiques dans de grands parcs de bâtiments, des drones équipés de caméras thermiques peuvent être utilisés. Étant donné que l’analyse manuelle de jeux de données d’images complets est extrêmement chronophage, nous explorons des approches fondées sur l’apprentissage profond afin d’automatiser ce processus. À cette fin, nous nous concentrons sur les ponts thermiques présents sur les toitures de bâtiments, capturés dans des images panoramiques prises par drone à partir de notre jeu de données mis à jour intitulé Thermal Bridges on Building Rooftops (TBBRv2), comprenant 926 images dotées de 6 927 annotations. Ces images contiennent des informations RGB, thermiques et d’altitude. Nous comparons des modèles de pointe, avec et sans pré-entraînement, issus de cinq architectures de réseaux de neurones différentes : MaskRCNN R50, Swin-T Transformer, TridentNet, FSAF, ainsi qu’un modèle de référence MaskRCNN R18. Nos résultats sont prometteurs, en particulier pour les modèles pré-entraînés, avec un rappel moyen dépassant 50 % pour la détection des grands ponts thermiques, notamment avec le modèle Swin-T Transformer pré-entraîné.