CN109784228A - 一种基于图像识别技术的光伏电站识别系统及方法 - Google Patents
一种基于图像识别技术的光伏电站识别系统及方法 Download PDFInfo
- Publication number
- CN109784228A CN109784228A CN201811629334.XA CN201811629334A CN109784228A CN 109784228 A CN109784228 A CN 109784228A CN 201811629334 A CN201811629334 A CN 201811629334A CN 109784228 A CN109784228 A CN 109784228A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic plant
- network model
- dimensionality reduction
- recognition technology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 37
- 210000005036 nerve Anatomy 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像识别技术的光伏电站识别系统及方法，包括：高清图像输入模块，用于提供数据接口，获取高清区域俯视图像；图像处理模块，用于对所述高清图像输入模块输入的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述光伏电站识别模块的运算量及运算效率；光伏电站识别模块，利用深度学习网络模型，识别经过所述图像处理模块降维后的低像素图像中光伏电站。本发明通过将商业卫星图片通过图像降维预处理，并通过预先训练和测试优化好的，有监督的U‑Net神经卷积网络模型进行光伏电站的识别，最终将光伏电站及类型进行了识别输出；整个系统具有响应快，可靠性高的优点。
Description
技术领域
本发明涉及基于图像识别和深度学习领域，具体涉及一种基于图像识别技术的光伏电站识别系统及方法。
背景技术
分布式光伏近年来在我国取得了巨大的发展，2017年中国分布式光伏发电装机容量约为19.4GW，比2016年高3.6倍，在中国太阳能光伏发电总装机容量中的占比为27.1％，产生了13.7TWh的电力，足以为北京所有家庭供电7.5个月。目前，中国的分布式光伏发电装置主要安装在中国经济最繁荣的东部和南部，大约52％的产能来自浙江、山东、江苏和安徽4个省份。分布式光伏绝大多数直接安装在建筑物屋顶上或社区公共空间，因此与用户、建筑、社区、城市也是紧密结合。
因此如何在城市高密度地区有效而快速的识别已建成的屋顶光伏电站，从而判断其是否已经安装分布式光伏电站，是一个有着实际意义和应用价值的技术需求，可以方便光伏开发运维公司的业务挖掘，也可以方便管理部门对光伏电站的管理，而现有开源地图(如百度地图、高德地图)的卫星图像分辨率较低，且更新时间滞后，因此识别效果可能会较差。另外，城区建筑密集、阴影遮盖、较为复杂的屋顶形态都会一定程度增加识别难度。
发明内容
为解决上述问题，本发明提供了一种基于图像识别技术的光伏电站识别系统及方法。本发明通过将商业卫星图片通过图像降维预处理，并通过预先训练和测试优化好的，有监督的U-Net神经卷积网络模型进行光伏电站的识别，最终将光伏电站及类型进行了识别输出；其中，PCA主成分分析法不仅达到了图像的降维，提高了U-Net神经卷积网络模型的运算速率，而且不损失主要图像信息，使得整个过程具有响应快，可靠性高的优点；而且本发明的U-Net神经卷积网络模型通过合理的测试和优化，进一步提高了识别模型的可靠性。
为实现所述技术目的，本发明的技术方案是：一种基于图像识别技术的光伏电站识别系统，包括：
高清图像输入模块，用于提供数据接口，获取高清区域俯视图像；优选的，利用精度较高的商业卫星图片作为高清图像的输入，即下述训练集的测试集。
图像处理模块，用于对所述高清图像输入模块输入的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述光伏电站识别模块的运算量及运算效率；
光伏电站识别模块，利用深度学习网络模型，识别经过所述图像处理模块降维后的低像素图像中光伏电站。
进一步，所述图像处理模块采用PCA主成分分析方法对图像进行降维。
进一步，所述光伏电站识别模块采用预先训练好的U-Net神经卷积网络模型。
进一步，还包括光伏电站识别输出模块，用于输出所述光伏电站识别模块的输出结果，将光伏电站标识。
一种基于图像识别技术的光伏电站识别方法，使用了上述的基于图像识别技术的光伏电站识别系统，包括以下步骤：
S1：获取高清区域俯视图像；
S2：对所述步骤S1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述步骤S3中的运算量及运算效率；
S3：利用深度学习网络模型，识别经过所述步骤S2中降维后的低像素图像中光伏电站。
进一步，所述步骤S2中，采用具有以下步骤的PCA主成分分析方法对图像进行降维：
T1：将所述步骤S1中的图像数据保存在一个二维数组中，其中数组的每一行表示一个图像的所有像素信息，每一列表示一个随机变量，也即不同图像同一位置的像素信息；
T2：将步骤T1中二维数组的每列减去该列的均值，这样每列的数据均值为0，再利用matlab中princomp函数自动执行PCA过程；
T3：计算协方差矩阵：计算步骤T2中执行PCA过程后的，大小为n*n的协方差矩阵，其中n表示图像的像素点个数；
T4：计算步骤T3中协方差矩阵的特征值和特征向量；
T5：选择具有最大特征值的特征向量作为主成分，将特征向量依照其对应的特征值大小，由大到小排序，根据精度要求选择不同数量的特征向量，组成新的矩阵，即降维后的图像。
进一步，所述步骤S3中，采用预先训练好的U-Net神经卷积网络模型。
进一步，所述U-Net神经卷积网络模型的训练方法为：
E1：选择含有光伏电站的高清图像作为训练集，并标注图像中的光伏电站；
E2：对所述步骤E1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像；
E3：将多尺度图像块与滑动窗口生成方法相结合，利用区域块重叠技术覆盖到整个图像的边缘，将不同尺度和分辨率的图像块相结合；
E4：通过U-Net神经卷积网络模型，优化其参数，建立所述步骤E1中标识的光伏电站和图像之间的低层次特征映射的组合，构建高层次复杂特征，实现光伏电站的精准识别定位。
作为本发明的一种优选的实施方案，基于上述内容，不同的是，所述U-Net神经卷积网络模型的训练方法还包括测试优化的步骤：
P1：选择含有光伏电站的高清图像作为测试集，并标注图像中的光伏电站；
P2：对所述步骤P1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像；
P3：组合不同的频段和尺度，来训练和融合网络模型，得到最优的U-NET网络模型参数；在计算识别时设置附加权值以提高识别成功率。
作为本发明的另一种优选的实施方案，基于上述内容，不同的是，在所述步骤E1和所述步骤P1中的训练集和测试集中，还标注了光伏电站的类型；所述步骤E4中的U-Net神经卷积网络模型还建立了光伏电站类型和图像之间的低层次特征映射的组合及高层次复杂特征；所述步骤S3中，还识别了识别光伏电站类型。
本发明的有益效果在于：
本发明通过将商业卫星图片通过图像降维预处理，并通过预先训练和测试优化好的，有监督的U-Net神经卷积网络模型进行光伏电站的识别，最终将光伏电站及类型进行了识别输出；其中，PCA主成分分析法不仅达到了图像的降维，提高了U-Net神经卷积网络模型的运算速率，而且不损失主要图像信息，使得整个过程具有响应快，可靠性高的优点；而且本发明的U-Net神经卷积网络模型通过合理的测试和优化，进一步提高了识别模型的可靠性。
附图说明
图1是本发明基于图像识别技术的光伏电站识别系统的模块化原理示意图；
图2是本发明基于图像识别技术的光伏电站识别方法的原理示意图；
图3是本发明基于图像识别技术的光伏电站识别方法中图像处理的方法原理示意图；
图4是本发明U-Net神经卷积网络模型的网络结构和流程图；
图5是本发明U-Net图像处理的部分函数与参数；
图6是本发明基于图像识别技术的光伏电站识别系统的识别对比结果示意图之一；
图7是本发明基于图像识别技术的光伏电站识别系统的识别对比结果示意图之二；
图8是本发明基于图像识别技术的光伏电站识别系统的识别对比结果示意图之三。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述。
一种基于图像识别技术的光伏电站识别系统，包括：
高清图像输入模块，用于提供数据接口，获取高清区域俯视图像；优选的，利用精度较高的商业卫星图片作为高清图像的输入。
图像处理模块，用于对所述高清图像输入模块输入的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述光伏电站识别模块的运算量及运算效率；
光伏电站识别模块，利用深度学习网络模型，识别经过所述图像处理模块降维后的低像素图像中光伏电站。
本发明通过将商业卫星图片通过图像降维预处理，并通过预先训练和测试优化好的，有监督的U-Net神经卷积网络模型进行光伏电站的识别，最终将光伏电站及类型进行了识别输出；其中，PCA主成分分析法不仅达到了图像的降维，提高了U-Net神经卷积网络模型的运算速率，而且不损失主要图像信息，使得整个过程具有响应快，可靠性高的优点；而且本发明的U-Net神经卷积网络模型通过合理的测试和优化，进一步提高了识别模型的可靠性。
进一步，所述图像处理模块采用PCA主成分分析方法对图像进行降维。PCA主成分分析法不仅达到了图像的降维，提高了U-Net神经卷积网络模型的运算速率，而且不损失主要图像信息，使得整个过程具有响应快的优点。
进一步，所述光伏电站识别模块采用预先训练好的U-Net神经卷积网络模型。
进一步，还包括光伏电站识别输出模块，用于输出所述光伏电站识别模块的输出结果，将光伏电站标识。优选的，如图6-8所示，本发明以黑白二维图像，对识别出的光伏电站进行了标注。
一种基于图像识别技术的光伏电站识别方法，使用了上述的基于图像识别技术的光伏电站识别系统，包括以下步骤：
S1：获取高清区域俯视图像；
S2：对所述步骤S1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述步骤S3中的运算量及运算效率；
S3：利用深度学习网络模型，识别经过所述步骤S2中降维后的低像素图像中光伏电站。
进一步，所述步骤S2中，采用具有以下步骤的PCA主成分分析方法对图像进行降维：
T1：将所述步骤S1中的图像数据保存在一个二维数组中，其中数组的每一行表示一个图像的所有像素信息，每一列表示一个随机变量，也即不同图像同一位置的像素信息，降维也即用更少的列来代表图像；
T2：二维数组初始化：将步骤T1中二维数组的每列减去该列的均值，这样每列的数据均值为0，再利用matlab中princomp函数自动执行PCA过程；
T3：计算协方差矩阵：计算步骤T2中执行PCA主成分分析过程后的，大小为n*n的协方差矩阵，其中n表示图像的像素点个数；
T4：计算步骤T3中协方差矩阵的特征值和特征向量；
T5：选择具有最大特征值的特征向量作为主成分，将特征向量依照其对应的特征值大小，由大到小排序，根据精度要求选择不同数量的特征向量，组成新的矩阵(降维矩阵)，即降维后的图像。
进一步，所述步骤S3中，采用预先训练好的U-Net神经卷积网络模型。
进一步，所述U-Net神经卷积网络模型的训练方法为：
E1：选择含有光伏电站的高清图像作为训练集，并标注图像中的光伏电站；
E2：对所述步骤E1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，优选为(512*512像素)；
E3：将多尺度图像块与滑动窗口生成方法相结合，利用区域块重叠技术覆盖到整个图像的边缘，将不同尺度和分辨率的图像块相结合；
E4：通过U-Net神经卷积网络模型，优化其参数，建立所述步骤E1中标识的光伏电站和图像之间的低层次特征映射的组合，构建高层次复杂特征，实现光伏电站的精准识别定位。
作为本发明的一种优选的实施方案，基于上述内容，不同的是，所述U-Net神经卷积网络模型的训练方法还包括测试优化的步骤：
P1：选择含有光伏电站的高清图像作为测试集，并标注图像中的光伏电站；
P2：对所述步骤P1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像；
P3：组合不同的频段和尺度，来训练和融合网络模型，得到最优的U-NET网络模型参数；在计算识别时设置附加权值以提高识别成功率，提高系统可靠性和稳定性。
作为本发明的另一种优选的实施方案，基于上述内容，不同的是，在所述步骤E1和所述步骤P1中的训练集和测试集中，还标注了光伏电站的类型；所述步骤E4中的U-Net神经卷积网络模型还建立了光伏电站类型和图像之间的低层次特征映射的组合及高层次复杂特征；所述步骤S3中，还识别了识别光伏电站类型。包括水泥屋顶电站、彩钢瓦屋顶电站、空地电站等三类，电站规模从户用10KW一直到最大10MW左右的分布式系统。
进一步，还包括步骤S4：输出所述步骤S3的电站及其类型识别结果，优选的，利用所识别的光伏系统图像的像素值及分辨率估算屋顶电站的大概面积(0.5m/像素)。
如图4所示的U-Net图像处理的卷积神经网络结构和流程图，以512*512像素输出的图像，最终同样输出为512*512像素图像；同时，进过上述U-Net神经卷积网络模型的训练和测试、优化方法，最终训练出的网络模型参数如图5所示；图6-图8是本发明以图5中确立的参数，所识别的结果对照图。本发明利用高清卫星地图可以准确识别安装有分布式光伏系统的电站，识别准确率到85％以上。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种基于图像识别技术的光伏电站识别系统，其特征在于，包括：
高清图像输入模块，用于提供数据接口，获取高清区域俯视图像；
图像处理模块，用于对所述高清图像输入模块输入的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述光伏电站识别模块的运算量及运算效率；
光伏电站识别模块，利用深度学习网络模型，识别经过所述图像处理模块降维后的低像素图像中光伏电站。
2.根据权利要求1所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述图像处理模块采用PCA主成分分析方法对图像进行降维。
3.根据权利要求2所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述光伏电站识别模块采用预先训练好的U-Net神经卷积网络模型。
4.根据权利要求3所述的基于图像识别技术的光伏电站识别系统，其特征在于，还包括光伏电站识别输出模块，用于输出所述光伏电站识别模块的输出结果，将光伏电站标识。
5.一种基于图像识别技术的光伏电站识别方法，使用了如权利要求1-4所述的基于图像识别技术的光伏电站识别系统，其特征在于，包括以下步骤：
S1：获取高清区域俯视图像；
S2：对所述步骤S1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像，以降低下述步骤S3中的运算量及运算效率；
S3：利用深度学习网络模型，识别经过所述步骤S2中降维后的低像素图像中光伏电站。
6.根据权利要求5所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述步骤S2中，采用具有以下步骤的PCA主成分分析方法对图像进行降维：
T1：将所述步骤S1中的图像数据保存在一个二维数组中，其中数组的每一行表示一个图像的所有像素信息，每一列表示一个随机变量，也即不同图像同一位置的像素信息；
T2：将步骤T1中二维数组的每列减去该列的均值，这样每列的数据均值为0，再利用matlab中princomp函数自动执行PCA过程；
T3：计算协方差矩阵：计算步骤T2中执行PCA过程后的，大小为n*n的协方差矩阵，其中n表示图像的像素点个数；
T4：计算步骤T3中协方差矩阵的特征值和特征向量；
T5：选择具有最大特征值的特征向量作为主成分，将特征向量依照其对应的特征值大小，由大到小排序，根据精度要求选择不同数量的特征向量，组成新的矩阵，即降维后的图像。
7.根据权利要求6所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述步骤S3中，采用预先训练好的U-Net神经卷积网络模型。
8.根据权利要求7所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述U-Net神经卷积网络模型的训练方法为：
E1：选择含有光伏电站的高清图像作为训练集，并标注图像中的光伏电站；
E2：对所述步骤E1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像；
E3：将多尺度图像块与滑动窗口生成方法相结合，利用区域块重叠技术覆盖到整个图像的边缘，将不同尺度和分辨率的图像块相结合；
E4：通过U-Net神经卷积网络模型，优化其参数，建立所述步骤E1中标识的光伏电站和图像之间的低层次特征映射的组合，构建高层次复杂特征，实现光伏电站的精准识别定位。
9.根据权利要求8所述的基于图像识别技术的光伏电站识别系统，其特征在于，所述U-Net神经卷积网络模型的训练方法还包括测试优化的步骤：
P1：选择含有光伏电站的高清图像作为测试集，并标注图像中的光伏电站；
P2：对所述步骤P1中的图像进行分割和平滑，在不损失关键信息的前提下，降维为低像素图像；
P3：组合不同的频段和尺度，来训练和融合网络模型，得到最优的U-NET网络模型参数；在计算识别时设置附加权值以提高识别成功率。
10.根据权利要求9所述的基于图像识别技术的光伏电站识别系统，其特征在于，在所述步骤E1和所述步骤P1中的训练集和测试集中，还标注了光伏电站的类型；所述步骤E4中的U-Net神经卷积网络模型还建立了光伏电站类型和图像之间的低层次特征映射的组合及高层次复杂特征；所述步骤S3中，还识别了识别光伏电站类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811629334.XA CN109784228A (zh) | 2018-12-28 | 2018-12-28 | 一种基于图像识别技术的光伏电站识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811629334.XA CN109784228A (zh) | 2018-12-28 | 2018-12-28 | 一种基于图像识别技术的光伏电站识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784228A true CN109784228A (zh) | 2019-05-21 |
Family
ID=66498857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811629334.XA Pending CN109784228A (zh) | 2018-12-28 | 2018-12-28 | 一种基于图像识别技术的光伏电站识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784228A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210095A (zh) * | 2020-03-12 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| CN112257547A (zh) * | 2020-10-19 | 2021-01-22 | 国网浙江杭州市萧山区供电有限公司 | 一种基于深度学习的变电站安全措施识别方法 |
| CN112633088A (zh) * | 2020-12-10 | 2021-04-09 | 西安理工大学 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
| CN114758002A (zh) * | 2022-06-15 | 2022-07-15 | 南开大学 | 一种基于航拍图像的光伏组串位置确定方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
-
2018
- 2018-12-28 CN CN201811629334.XA patent/CN109784228A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108470185A (zh) * | 2018-02-12 | 2018-08-31 | 北京佳格天地科技有限公司 | 卫星影像的地物标注装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘文涛等: "基于全卷积神经网络的建筑物屋顶自动提取", 《地球信息科学学报》 * |
| 赵蔷: "主成分分析方法综述", 《软件工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210095A (zh) * | 2020-03-12 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| CN111210095B (zh) * | 2020-03-12 | 2022-02-18 | 深圳前海微众银行股份有限公司 | 发电量预测方法、装置、设备及计算机可读存储介质 |
| CN112257547A (zh) * | 2020-10-19 | 2021-01-22 | 国网浙江杭州市萧山区供电有限公司 | 一种基于深度学习的变电站安全措施识别方法 |
| CN112633088A (zh) * | 2020-12-10 | 2021-04-09 | 西安理工大学 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
| CN114758002A (zh) * | 2022-06-15 | 2022-07-15 | 南开大学 | 一种基于航拍图像的光伏组串位置确定方法及系统 |
| CN114758002B (zh) * | 2022-06-15 | 2022-09-02 | 南开大学 | 一种基于航拍图像的光伏组串位置确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784228A (zh) | 一种基于图像识别技术的光伏电站识别系统及方法 | |
| CN110111335B (zh) | 一种自适应对抗学习的城市交通场景语义分割方法及系统 | |
| Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
| CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
| CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
| CN103063202B (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
| Wang et al. | Object-scale adaptive convolutional neural networks for high-spatial resolution remote sensing image classification | |
| CN110070139A (zh) | 面向自动驾驶环境感知的小样本在环学习系统和方法 | |
| CN106683112B (zh) | 一种基于高分辨率图像的道路路域建筑物变化提取方法 | |
| CN102110227B (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
| CN110263111A (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
| CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
| CN102346015A (zh) | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 | |
| CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN104166999B (zh) | 一种基于地基云图强度分层的云团提取方法 | |
| CN106056591A (zh) | 一种融合光谱图像和激光雷达数据进行城市密度估计方法 | |
| CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
| CN107273853A (zh) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 | |
| CN111539296A (zh) | 一种基于遥感影像变化检测的违章建筑识别方法及系统 | |
| CN103679210A (zh) | 基于高光谱图像解混的地物识别方法 | |
| Sampath et al. | Estimation of rooftop solar energy generation using Satellite Image Segmentation | |
| CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
| CN106897998A (zh) | 太阳能直射辐射强度信息预测方法和系统 | |
| CN101286236B (zh) | 基于多特征图像和均值漂移的红外目标跟踪方法 | |
| Guo et al. | TransPV: Refining photovoltaic panel detection accuracy through a vision transformer-based deep learning model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |