Segmentation Framework for Heat Loss Identification in Thermal Images: Empowering Scottish Retrofitting and Thermographic Survey Companies

要約

スコットランドの改修およびサーモグラフィー調査 (TS) 会社は、社会住宅提供者と協力して貧困の拡大に取り組んでいます。
彼らは、地上レベルの赤外線 (IR) カメラベースの TS (GIRTS) を使用して熱画像を収集し、断熱不良による熱損失の原因を特定します。
ただし、この識別プロセスには多大な労力と時間がかかり、大規模なデータ処理が必要になります。
これを自動化するには、AI を活用したアプローチが必要です。
したがって、この研究では、マスク領域提案畳み込みニューラル ネットワーク (Mask RCNN) を使用した深層学習 (DL) ベースのセグメンテーション フレームワークを提案し、これらの熱画像への適用性を検証します。
このフレームワークの目的は、画像内に存在する障害物を除去しながら、弱い断熱材によって引き起こされる熱損失源を自動的に特定して除去することです。
そうすることで、労働集約的なタスクが最小限に抑えられ、自動化された一貫性のある信頼性の高いソリューションが提供されます。
提案されたフレームワークを検証するために、産業 TS パートナーと協力して約 2,500 枚の熱画像が収集されました。
次に、専門家の支援を受けて 1,800 枚の代表的な画像が慎重に選択され、ターゲット オブジェクト (TO) を強調表示するために注釈が付けられ、最終的なデータセットが形成されました。
続いて、転移学習戦略を使用してデータセットをトレーニングし、トレーニング データ量を徐々に増やし、事前トレーニングされたベースライン マスク RCNN を微調整しました。
その結果、最終的に微調整されたモデルは、TO のセグメント化において 77.2% の平均精度 (mAP) スコアを達成し、スコットランドの住宅におけるエネルギー損失を正確に定量化する上で、提案されたフレームワークの大きな可能性を実証しました。

要約(オリジナル)

Retrofitting and thermographic survey (TS) companies in Scotland collaborate with social housing providers to tackle fuel poverty. They employ ground-level infrared (IR) camera-based-TSs (GIRTSs) for collecting thermal images to identi-fy the heat loss sources resulting from poor insulation. However, this identifica-tion process is labor-intensive and time-consuming, necessitating extensive data processing. To automate this, an AI-driven approach is necessary. Therefore, this study proposes a deep learning (DL)-based segmentation framework using the Mask Region Proposal Convolutional Neural Network (Mask RCNN) to validate its applicability to these thermal images. The objective of the framework is to au-tomatically identify, and crop heat loss sources caused by weak insulation, while also eliminating obstructive objects present in those images. By doing so, it min-imizes labor-intensive tasks and provides an automated, consistent, and reliable solution. To validate the proposed framework, approximately 2500 thermal imag-es were collected in collaboration with industrial TS partner. Then, 1800 repre-sentative images were carefully selected with the assistance of experts and anno-tated to highlight the target objects (TO) to form the final dataset. Subsequently, a transfer learning strategy was employed to train the dataset, progressively aug-menting the training data volume and fine-tuning the pre-trained baseline Mask RCNN. As a result, the final fine-tuned model achieved a mean average precision (mAP) score of 77.2% for segmenting the TO, demonstrating the significant po-tential of proposed framework in accurately quantifying energy loss in Scottish homes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google