CN112348030A - 一种太阳能光伏板识别方法、装置、电子设备及存储介质 - Google Patents
一种太阳能光伏板识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112348030A CN112348030A CN202110028173.4A CN202110028173A CN112348030A CN 112348030 A CN112348030 A CN 112348030A CN 202110028173 A CN202110028173 A CN 202110028173A CN 112348030 A CN112348030 A CN 112348030A
- Authority
- CN
- China
- Prior art keywords
- solar photovoltaic
- photovoltaic panel
- semantic segmentation
- segmentation model
- image
- 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 57
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000003550 marker Substances 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种太阳能光伏板识别方法、装置、电子设备及存储介质,涉及图像处理技术领域。该方法包括利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果,以提高太阳能光伏板识别精度,解决现有方法的精度难以满足实际应用需求的问题。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种太阳能光伏板识别方法、装置、电子设备及存储介质。
背景技术
太阳能光伏系统,也称为光生伏特,是指利用光伏半导体材料的光生伏特效应而将太阳能转化为直流电能的设施。由于近年来各国都在积极推动可再生能源的应用,光伏产业的发展十分迅速,及时准确的对太阳能光伏板的空间分布信息进行监测获取,可以为农业管理、环境保护、土壤污染等问题提供决策依据。
目前利用遥感手段对太阳能光伏板自动提取,主要是基于遥感图像光谱特征进行图像分割,由于影像中各种地物之间存在“同物异谱”和“同谱异物”现象,在某些地物目标提取中很容易造成漏提取和误提取。因此,在利用光谱的方法进行遥感影像中太阳能光伏板的提取时,与耕地、林地这些在光谱信息中有明显差别的地物较容易区分出来,但是很容易与建筑物、农业大棚等产生混淆,导致提取精度难以满足实际应用需求。
发明内容
本申请实施例的目的在于提供一种太阳能光伏板识别方法、装置、电子设备及存储介质,以提高太阳能光伏板识别精度,解决现有方法的精度难以满足实际应用需求的问题。
本申请实施例提供了一种太阳能光伏板识别方法,所述方法包括:
利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
在上述实现过程中,通过验证样本对语义分割模型进行验证,以反向传播的方式优化模型参数,以提高识别率,再对测试影像集中的遥感影像进行识别获得较为准确的太阳能光伏板的第一识别结果,已解决现有方法的精度难以满足实际应用需求的问题。
进一步地,在所述利用预处理后的验证数据对预设的语义分割模型进行验证,以优化模型参数的步骤之前,所述方法还包括:
构建所述语义分割模型;
获取训练样本并对所述语义分割模型进行训练。
在上述实现过程中,通过构建语义分割模型并对其进行训练,以完成语义分割模型的训练和构建,可用于的太阳能光伏板的识别。
进一步地,所述语义分割模型包括编码器和解码器,所述构建所述语义分割模型,包括:
所述编码器利用高分辨率网络提取所述太阳能光伏板特征;
利用所述解码器对所述太阳能光伏板特征所在的特征层进行重构,以获得所述太阳能光伏板的图像信息。
在上述实现过程中,编码器为模型骨干网络HRNet构成,用于编码丰富的目标语义信息,提取目标特征;解码器用于重构精确的目标图像边界,获得目标在测试影像中的图像信息。
进一步地,所述获取训练样本并对所述语义分割模型进行训练,包括:
获取包含所述太阳能光伏板的第一遥感影像;
对所述第一遥感影像进行标注以获取对应的样本标签;
对带有所述样本标签的第一遥感影像进行剪裁以生成样本集,所述样本集包括按照预设比例进行随机分配的所述训练样本和所述验证样本;
设置训练超参数FocalLoss损失函数、CosineAnnealing学习率调整函数和Adam优化器并将所述训练样本输入所述语义分割模型进行训练。
在上述实现过程中,将样本集按照一定的比例进行随机分配为训练样本和验证样本,训练样本用于模型训练,验证样本用于确定网络结构或者控制模型复杂程度的参数,训练超参数的设置用于解决模型训练过程中遇到的问题,提高训练效率。
进一步地,所述方法还包括:
获取包含所述太阳能光伏板的第二遥感影像;
对所述第二遥感影像进行随机抽取,以对抽取影像进行标注,生成标记影像,所述标记影像即为所述测试影像集;
利用所述标记影像对所述语义分割模型进行评估。
在上述实现过程中,将标记影像用于对语义分割模型进行评估,以评价该语义分割模型的性能。
进一步地,所述利用所述标记影像对所述语义分割模型进行评估,包括:
利用所述标记影像和所述语义分割模型进行模型预测,以获取所述标记影像的第二识别结果;
将所述标记影像上的标记真值与所述第二识别结果基于mIOU评价指标进行比对,以获取评估结果;
所述mIOU评价指标表示为:
其中,P为每个标记影像的所述第二识别结果对应的预测值的像素的集合,G为所述标记真值对应的像素的集合,k为输入的测试影像即标记影像的个数,i取从1到k的整数。
利用mIOU评价指标作为语义分割模型的评估结果,以衡量语义分割模型的识别精度。
本申请实施例提供一种太阳能光伏板识别装置,所述装置包括:
优化模块,用于利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
预测模块,用于利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
识别模块,用于根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
在上述实现过程中,通过优化的语义分割模型对太阳能光伏板进行识别,以提高识别率,解决现有方法的精度难以满足实际应用需求的问题。
进一步地,所述装置还包括:
构建模块,用于构建所述语义分割模型;
训练模块,用于获取训练样本并对所述语义分割模型进行训练。
在上述实现过程中,对语义分割模型进行构建和训练,以生成能够准确识别太阳能光伏板的模型。
本申请实施例提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行上述中任一项所述的太阳能光伏板识别方法。
本申请实施例提供一种可读存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行上述中任一项所述的太阳能光伏板识别方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种太阳能光伏板识别方法的流程图;
图2为本申请实施例提供的太阳能光伏板的识别结果示意图;
图3为本申请实施例提供的构建语义分割模型的流程图;
图4为本申请实施例提供的HRNet的示意图;
图5为本申请实施例提供的模型训练流程图;
图6为本申请实施例提供的对模型进行评估的流程图;
图7为本申请实施例提供的对模型进行评估的具体流程图;
图8为本申请实施例提供的太阳能光伏板识别装置的结构框图;
图9为本申请实施例提供的太阳能光伏板识别装置的整体结构框图。
图标:
100-优化模块;110-构建模块;111-编码模块;112-解码模块;120-训练模块;121-第一影像获取模块;122-第一标注模块;123-样本生成模块;124-参数设置模块;200-预测模块;300-识别模块;410-第二影像获取模块;420-第二标注模块;430-评估模块;431-第二识别结果获取模块;432-评估结果获取模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本申请实施例提供的一种太阳能光伏板识别方法的流程图。该方法基于深度学习模型如语义分割模型实现对遥感影像中太阳能光伏板的准确识别。识别过程具体可以包括以下步骤:
步骤S100:利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
使用验证样本对训练过程中的深度学习模型进行验证评价,并实现反向传播优化模型参数,以提高模型的识别率。
步骤S200:利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
步骤S300:根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
具体地,将测试影像集中的测试影像输入至完成训练的语义分割模型中,输出测试影像中每个像素点包含太阳能光伏板的概率,将该概率与太阳能光伏板识别概率阈值作对比,得到包含有太阳能光伏板的像素点区域;根据该像素点区域可得到太阳能光伏板的识别结果,如图2所示,为太阳能光伏板的识别结果示意图。
此外,预设的概率阈值可以根据识别场景的需求而定,可以通过设定较高的概率阈值来获得更高的识别精度。
像素点区域中的像素点通常为相连的,一般不会有离散型的像素点独立存在。对于像素相连的像素点区域,通过将像素点区域的边缘进行连通,得到的闭合区域即为太阳能光伏板的识别区域,该区域即为太阳能光伏板的识别结果。
此外,在利用上述语义分割模型进行太阳能光伏板的识别和预测之前,还需要对语义分割模型进行构建,再获取训练样本并对所述语义分割模型进行训练。
其中,语义分割模型包括编码器和解码器,如图3所示,为构建语义分割模型的流程图,对语义分割模型进行构建的具体步骤如下:
步骤S111:编码器利用高分辨率网络提取所述太阳能光伏板特征;
步骤S112:利用解码器对所述太阳能光伏板特征所在的特征层进行重构,以获得所述太阳能光伏板的图像信息。
示例地,语义分割模型采用DeepLabv3+的编码器-解码器结构,其中,编码器由模型骨干网络(Backbone)HRNet(High Resolution Net,高分辨率网络)构成,用于编码丰富的目标语义信息,提取目标特征即太阳能光伏板特征,解码器用于重构精确的目标图像边界,获得目标在测试影像中的图像信息。
具体地,如图4所示,为HRNet的示意图,HRNet是将不同分辨率的特征图进行并联,在并联的基础上,添加不同分辨率特征图之间的交互融合,同分辨率的层直接复制。具体结构为需要升分辨率的特征图交互融合使用bilinear upsample和1×1卷积将通道数统一,需要降分辨率的特征图交互融合使用strided 3×3卷积将通道数统一,将上下及本层特征图通过相加的方式融合。将提取的多层特征图进行合并,得到多尺度特征融合层FP。
在解码器中,将多尺度特征融合层通过上采样与解码器的浅层特征层F2合并,得到多尺度特征融合结果。
如图5所示,为模型训练流程图,获取训练样本并对所述语义分割模型进行训练的具体步骤包括:
步骤S121:获取包含所述太阳能光伏板的第一遥感影像;
步骤S122:对所述第一遥感影像进行标注以获取对应的样本标签;
步骤S123:对带有所述样本标签的第一遥感影像进行剪裁以生成样本集,所述样本集包括按照预设比例进行随机分配的所述训练样本和所述验证样本;
示例地,使用Google遥感影像获取包含有太阳能光伏板的第一遥感影像,使用标注工具对第一遥感影像进行目标(太阳能光伏板)标注,得到对应的样本标签;剪裁该包含样本标签的第一遥感影像,以获取预设尺寸的样本集;再以一定比例随机将样本集分为训练样本和验证样本,其中,训练样本用于对语义分割模型进行训练,验证样本用于模型的验证(步骤S100),以确定和优化如网络结构或者控制模型复杂程度的模型参数。
对于具有较少类型的太阳能光伏板的样本,使用离线样本增强方法提升其样本数量,提高语义分割模型对于少数类型样本的检测召回率,其使用的离线样本增强方法包括但不限于旋转、翻转、混合、填充、随机噪点、图像通道变换以及光照强度变化。
步骤S124:设置训练超参数FocalLoss损失函数、CosineAnnealing学习率调整函数和Adam优化器并将所述训练样本输入所述语义分割模型进行训练。
具体地,训练超参数的设置,如在训练时使用FocalLoss损失函数,可以用于解决分类过程中存在的类别不平衡、分类难度大等问题;在训练时使用CosineAnnealing学习率调整函数,可以避免训练过程中梯度下降陷入局部最小值的问题;使用Adam(Adaptivemoment estimation,自适应矩估计)优化器,其作用为训练时加速收敛速度,以提高训练效率。
此外,如图6所示,为对模型进行评估的流程图,该方法还包括:
步骤S410:获取包含所述太阳能光伏板的第二遥感影像;
步骤S420:对所述第二遥感影像进行随机抽取,以对抽取影像进行标注,生成标记影像,所述标记影像即为所述测试影像集;
步骤S430:利用所述标记影像对所述语义分割模型进行评估。
具体地,使用Google遥感影像获取包含有太阳能光伏板的第二遥感影像,使用标注工具对其中一部分第二遥感影像进行标注对应的样本标签,生成标记影像,未被标记部分作为测试影像集,标记影像用于评估语义分割模型的性能指标,如图7所示,为对模型进行评估的具体流程图,具体评估过程包括以下步骤:
步骤S431:利用所述标记影像和所述语义分割模型进行模型预测,以获取所述标记影像的第二识别结果;
步骤S432:将所述标记影像上的标记真值与所述第二识别结果基于mIOU评价指标进行比对,以获取评估结果;
所述mIOU评价指标表示为:
其中,P为每个标记影像的所述第二识别结果对应的预测值的像素的集合,G为所述标记真值对应的像素的集合,k为输入的测试影像即标记影像的个数,i取从1到k的整数,统计完成测试影像集全部k张影像的预测像素集合与真值像素集合的交并比后,除以k,得到测试影像集的平均交并比作为模型的最终评价指标。
将标记影像输入语义分割模型得到太阳能光伏板的第二识别结果,将标记真值与第二识别结果进行比对,具体可以利用mIOU评价指标来评估模型的性能。
实施例2
本申请实施例提供一种太阳能光伏板识别装置,如图8所示,为太阳能光伏板识别装置的结构框图,所述装置包括:
优化模块100,用于利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
预测模块200,用于利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
识别模块300,用于根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
其中,如图9所示,为太阳能光伏板识别装置的整体结构框图,所述装置还包括:
构建模块110,用于构建所述语义分割模型;
具体地,包括:
编码模块111,用于利用编码器利用高分辨率网络提取所述太阳能光伏板特征;
解码模块112,用于利用所述解码器对所述太阳能光伏板特征所在的特征层进行重构,以获得所述太阳能光伏板的图像信息。
训练模块120,用于获取训练样本并对所述语义分割模型进行训练。
具体包括:
第一影像获取模块121,用于获取包含所述太阳能光伏板的第一遥感影像;
第一标注模块122,用于对所述第一遥感影像进行标注以获取对应的样本标签;
样本生成模块123,用于对带有所述样本标签的第一遥感影像进行剪裁以生成样本集,所述样本集包括按照预设比例进行随机分配的所述训练样本和所述验证样本;
参数设置模块124,用于设置训练超参数FocalLoss损失函数、CosineAnnealing学习率调整函数和Adam优化器并将所述训练样本输入所述语义分割模型进行训练。
所述装置还包括:
第二影像获取模块410,用于获取包含所述太阳能光伏板的第二遥感影像;
第二标注模块420,用于对所述第二遥感影像进行随机抽取,以对抽取影像进行标注,生成标记影像,所述标记影像即为所述测试影像集;
评估模块430,用于利用所述标记影像对所述语义分割模型进行评估。
评估模块430具体包括:
第二识别结果获取模块431,用于利用所述标记影像和所述语义分割模型进行模型预测,以获取所述标记影像的第二识别结果;
评估结果获取模块432,用于将所述标记影像上的标记真值与所述第二识别结果基于mIOU评价指标进行比对,以获取评估结果;
所述mIOU评价指标表示为:
其中,P为每个标记影像的所述第二识别结果对应的预测值的像素的集合,G为所述标记真值对应的像素的集合,k为输入的测试影像即标记影像的个数,i取从1到k的整数,统计完成测试影像集全部k张影像的预测像素集合与真值像素集合的交并比后,除以k,得到测试影像集的平均交并比作为模型的最终评价指标。
本申请实施例提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使计算机设备执行实施例1所述的太阳能光伏板识别方法。
本申请实施例提供一种可读存储介质,所述可读取存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行实施例1所述的太阳能光伏板识别方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种太阳能光伏板识别方法,其特征在于,所述方法包括:
利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
2.根据权利要求1所述的太阳能光伏板识别方法,其特征在于,在所述利用预处理后的验证数据对预设的语义分割模型进行验证,以优化模型参数的步骤之前,所述方法还包括:
构建所述语义分割模型;
获取训练样本并对所述语义分割模型进行训练。
3.根据权利要求2所述的太阳能光伏板识别方法,其特征在于,所述语义分割模型包括编码器和解码器,所述构建所述语义分割模型,包括:
所述编码器利用高分辨率网络提取太阳能光伏板特征;
利用所述解码器对所述太阳能光伏板特征所在的特征层进行重构,以获得所述太阳能光伏板的图像信息。
4.根据权利要求2所述的太阳能光伏板识别方法,其特征在于,所述获取训练样本并对所述语义分割模型进行训练,包括:
获取包含所述太阳能光伏板的第一遥感影像;
对所述第一遥感影像进行标注以获取对应的样本标签;
对带有所述样本标签的第一遥感影像进行剪裁以生成样本集,所述样本集包括按照预设比例进行随机分配的所述训练样本和所述验证样本;
设置训练超参数FocalLoss损失函数、CosineAnnealing学习率调整函数和Adam优化器并将所述训练样本输入所述语义分割模型进行训练。
5.根据权利要求1所述的太阳能光伏板识别方法,其特征在于,所述方法还包括:
获取包含所述太阳能光伏板的第二遥感影像;
对所述第二遥感影像进行随机抽取,以对抽取影像进行标注,生成标记影像,所述标记影像即为所述测试影像集;
利用所述标记影像对所述语义分割模型进行评估。
7.一种太阳能光伏板识别装置,其特征在于,所述装置包括:
优化模块,用于利用预处理后的验证样本对预设的语义分割模型进行验证,以优化模型参数;
预测模块,用于利用预先获取的测试影像集和优化的所述语义分割模型进行模型预测,以获取所述测试影像集中每个像素点包含太阳能光伏板的概率;
识别模块,用于根据所述概率和预设的概率阈值确定包含所述太阳能光伏板的像素点区域,以根据所述像素点区域获取所述太阳能光伏板的第一识别结果。
8.根据权利要求7所述的太阳能光伏板识别装置,其特征在于,所述装置还包括:
构建模块,用于构建所述语义分割模型;
训练模块,用于获取训练样本并对所述语义分割模型进行训练。
9.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至6中任一项所述的太阳能光伏板识别方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至6任一项所述的太阳能光伏板识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028173.4A CN112348030A (zh) | 2021-01-11 | 2021-01-11 | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028173.4A CN112348030A (zh) | 2021-01-11 | 2021-01-11 | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348030A true CN112348030A (zh) | 2021-02-09 |
Family
ID=74428102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110028173.4A Pending CN112348030A (zh) | 2021-01-11 | 2021-01-11 | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN118298324A (zh) * | 2024-04-03 | 2024-07-05 | 南京信息工程大学 | 一种基于多尺度Retinex算法的深度学习光伏板识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN111444914A (zh) * | 2020-03-23 | 2020-07-24 | 复旦大学 | 一种基于PU-Learning的图像语义分割方法 |
CN111539403A (zh) * | 2020-07-13 | 2020-08-14 | 航天宏图信息技术股份有限公司 | 农业大棚的识别方法、装置及电子设备 |
-
2021
- 2021-01-11 CN CN202110028173.4A patent/CN112348030A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN111444914A (zh) * | 2020-03-23 | 2020-07-24 | 复旦大学 | 一种基于PU-Learning的图像语义分割方法 |
CN111539403A (zh) * | 2020-07-13 | 2020-08-14 | 航天宏图信息技术股份有限公司 | 农业大棚的识别方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
DONGYAN ZHANG,ET AL.: "Automatic extraction of wheat lodging area based on transfer learning method and deeplabv3+ network", 《COMPUTERS AND ELECTRONICSIN AGRICULTURE》 * |
郑凯 等: "天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法", 《测绘学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN118298324A (zh) * | 2024-04-03 | 2024-07-05 | 南京信息工程大学 | 一种基于多尺度Retinex算法的深度学习光伏板识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ulmas et al. | Segmentation of satellite imagery using u-net models for land cover classification | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
Alsabhan et al. | Automatic building extraction on satellite images using Unet and ResNet50 | |
CN111860235A (zh) | 高低层特征融合的注意力遥感图像描述的生成方法及系统 | |
Parhar et al. | HyperionSolarNet: solar panel detection from aerial images | |
CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
CN112348030A (zh) | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 | |
CN117152435A (zh) | 一种基于U-Net3+的遥感语义分割方法 | |
Jiang et al. | Forest-CD: Forest change detection network based on VHR images | |
CN114913434B (zh) | 一种基于全局关系推理的高分辨率遥感影像变化检测方法 | |
CN117496124A (zh) | 基于深度卷积神经网络的大区域光伏板检测和提取方法 | |
CN117115663A (zh) | 一种基于深度监督网络的遥感图像变化检测系统及其方法 | |
CN116665153A (zh) | 一种基于改进型Deeplabv3+网络模型的道路场景分割方法 | |
Park et al. | Downscaling earth system models with deep learning | |
CN116452805A (zh) | 一种基于Transformer的跨模态融合网络的RGB-D语义分割方法 | |
Tian et al. | Semantic segmentation of remote sensing image based on GAN and FCN network model | |
Chandra et al. | Human cognition based framework for detecting roads from remote sensing images | |
Kaur et al. | A review on natural disaster detection in social media and satellite imagery using machine learning and deep learning | |
CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
Putri | Analysis of land cover classification results using ann, svm, and rf methods with r programming language (case research: Surabaya, Indonesia) | |
Li et al. | HRVQA: A Visual Question Answering benchmark for high-resolution aerial images | |
CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
Silverman et al. | Predicting origins of coherent air mass trajectories using a neural network—the case of dry intrusions | |
Wang et al. | Collapsed building detection in high-resolution remote sensing images based on mutual attention and cost sensitive loss |
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 |
Application publication date: 20210209 |
|
RJ01 | Rejection of invention patent application after publication |