FR

TM_Rooftops - Intelligence artificielle pour l'optimisation des toitures urbaines

Ingénierie et Architecture

Ce projet explore l'utilisation du machine learning pour optimiser l'exploitation des toitures dans la transition énergétique. Il analyse les méthodes de détection automatique d'objets sur les toits et développe un modèle de segmentation d'orthophotos pour identifier toitures et panneaux solaires.

Comparaison des modèles (gauche : annotations, centre : Detectron2, droite : YOLOv9).

Ce projet d'approfondissement explore l'utilisation du machine learning pour optimiser l'exploitation des toitures dans le contexte de la transition énergétique. Il se concentre sur deux aspects complémentaires : l'analyse des méthodes de détection automatique d'objets sur les toits et l'étude du cadastre solaire du Grand Genève.

La première partie du projet examine en détail le travail réalisé par le Swiss Territorial Data Lab (STDL) sur la détection automatique des surfaces occupées et libres sur les toits. Cette analyse révèle le potentiel des techniques d'intelligence artificielle appliquées aux données LiDAR, orthophotos et vectorielles pour identifier efficacement les espaces disponibles sur les toitures. Les résultats de cette approche ont été particulièrement appréciés par les experts du domaine, soulignant sa pertinence pratique.

La seconde partie du projet se concentre sur le développement d'un modèle de segmentation d'orthophotos pour détecter les toitures et les panneaux solaires. Cette phase pratique a impliqué la sélection et l'annotation de données, la création d'un dataset, et l'entraînement de deux modèles de deep learning : Detectron2 et YOLO. Bien que les résultats initiaux soient encourageants, ils mettent en lumière l'importance cruciale de la qualité et de la quantité des données d'entraînement pour obtenir des performances optimales.

La comparaison entre Detectron2 et YOLO a révélé que ce dernier était plus performant et plus facile à utiliser pour cette tâche spécifique, notamment dans la détection des panneaux solaires. Cependant, les deux modèles ont montré des limitations dues à la qualité du dataset, soulignant ainsi un axe d'amélioration majeur pour de futurs développements.

Ce projet a également abordé les aspects de mise en production, avec le déploiement du modèle YOLO sur la plateforme Core Engine du Swiss AI Center, démontrant ainsi la faisabilité d'une application pratique de ces technologies.

En conclusion, ce travail établit une base solide pour de futurs développements dans l'application du machine learning à la transition énergétique urbaine. Il met en évidence le potentiel considérable de ces technologies pour optimiser l'utilisation des toitures, tout en identifiant clairement les domaines nécessitant des améliorations, notamment en termes de qualité des données et d'affinement des modèles. Les perspectives ouvertes par ce projet sont prometteuses pour le développement d'outils encore plus performants, capables de soutenir efficacement la planification et la mise en œuvre de stratégies de transition énergétique à l'échelle des territoires.