KI macht Wärmebilder zu präzisen Sanierungsplänen

Künstliche Intelligenz hat die Thermografie in wenigen Jahren von einer rein visuellen Kontrolltechnik zu einem datengetriebenen Diagnose-Werkzeug weiterentwickelt. Smarte Chatbots wie ChatGPT und ähnliche Tools können Ergebnisse aus Bildanalysen (die mit spezialisierten Bildanalyse-KI-Modellen erzeugt wurden und als Text oder strukturierte Daten bereitgestellt werden) weiterverarbeiten und in Berichte umwandeln. Damit beschleunigen sie die Analyse um das Zigfache gegenüber manuellen Methoden, wie verschiedene Studien belegen.

Zeitgleich demonstriert das Cascade-U-Net-Verfahren, dass sich feinste Konturen von Fenstern oder Betonstürzen in Infrarotaufnahmen sauber isolieren lassen, was die thermische Verlustberechnung wesentlich präzisiert

Sobald diese strukturierten Temperaturdaten per API an ein großes Sprachmodell wie ChatGPT fließen, entstehen automatisch formulierte Gutachten, die Planer, Energieberater und Facility-Manager ohne Mehrarbeit direkt für Sanierungsentscheidungen heranziehen können.

Thermische Anomalien – von Wärmebrücken über Feuchtezonen bis zu unbekannten Mustern – lassen sich heute auch ohne gelabelte Datensätze detektieren. One-Class-Anomaly-Detection-Modelle erkennen Abweichungen selbst dann, wenn ihnen das konkrete Fehlerbild im Training nie begegnet ist, und verringern damit die Quote falscher Meldungen oder Bewertungen enorm.

Datengrundlagen haben sich stark erweitert

Als Datengrundlage dienen längst nicht mehr nur stationäre Kameras: Besonders kompakt ist die FLIR ONE Edge Pro, die Radiometrie live an ein Smartphone oder einen Edge-Server überträgt und dadurch mobile Innenraum-Checks erlaubt.

Für Hoch- und Industrieanlagen übernehmen zunehmend Drohnen die Aufnahme; sie erreichen verwinkelte Fassadenabschnitte oder Dächer, ohne Gerüstaufbau, und liefern hochauflösende IR-Orthomosaike binnen weniger Minuten

Wesentliche Qualitätskennzahlen wie Emissionsgrad oder Blickwinkelkorrektur werden dabei automatisch nachkalibriert, etwa über neuronale Modelle, die emissionsgradabhängig Messfehler in Echtzeit kompensieren.

Sobald die Segmentierung abgeschlossen ist, erhält das Sprachmodell strukturierte JSON-Pakete mit Kenngrößen wie Flächenanteil, Temperaturdifferenzen zwischen zwei Messpunkten, Materialklasse und Dringlichkeitsgrad. Praxisberichte zeigen, dass Inspektoren ChatGPT bereits heute als Ghostwriter für Prüfberichte nutzen; gegenüber klassischer Textverarbeitung spart das Stunden pro Einsatz. Durch Retrieval-Augmented-Generation lassen sich zusätzlich Normtexte, Sanierungsrichtlinien oder unternehmensinterne Templates in den Prompt einbinden, sodass jeder Bericht nicht nur korrekt, sondern auch formal konsistent ist.

Lernen von bestehenden GPT-Auswertungen

Der effektivste Weg zur Qualitätssicherung ist das sogenannte Few-Shot-Prompting: Man füttert das LLM mit zwei oder drei gelungenen Beispielberichten, die bereits Tabellen, Diagrammbeschriftungen und normative Formulierungen enthalten. Die Modelle extrahieren daraus implizit die gewünschte Textlänge, Abschnittsstruktur und Terminologie und replizieren sie bei neuen Datensätzen. Besonders wertvoll sind öffentlich geteilte Berichte aus der Bau- und NDT-Community.

Unternehmen können ihre Historie von Prüfprotokollen darüber hinaus in eine Vektordatenbank überführen; der GPT-Agent ruft die jeweils ähnlichste Altauswertung ab und modelliert Stil, Kapitelreihenfolge und Tabellenaufbau präzise nach. Dieser Retrieval-Schritt sorgt zudem für Konsistenz bei technischen Begriffen, Grenzwerten und Haftungsausschlüssen, was die Einhaltung von Normen wie ISO 6781-1 unterstützt.

KI-basierte Thermografie verknüpft neuronale Bildanalyse, automatisierte Kalibrierverfahren und generative Sprachmodelle zu einem vollintegrierten Prüfprozess, der Wärmeverluste innerhalb von Minuten quantifiziert und in normgerechte Handlungsempfehlungen übersetzt. Muster-Prompts, aussagekräftige Beispielberichte und der Rückgriff auf hinterlegte Vorlagen in den KI-Systemen reichen aus, um auch ohne tiefes Prompt-Engineering konsistente und technisch belastbare Gutachten zu erzeugen. Angesichts dynamisch wachsender Hardware- und Softwaremärkte ist zu erwarten, dass sich dieser Workflow in naher Zukunft als Standard in Energieaudits und Instandhaltungsstrategien etablieren wird.