CN112633088A - 一种基于航拍图像中光伏组件识别的电站容量估测方法 - Google Patents
一种基于航拍图像中光伏组件识别的电站容量估测方法 Download PDFInfo
- Publication number
- CN112633088A CN112633088A CN202011434542.1A CN202011434542A CN112633088A CN 112633088 A CN112633088 A CN 112633088A CN 202011434542 A CN202011434542 A CN 202011434542A CN 112633088 A CN112633088 A CN 112633088A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power station
- image
- aerial
- array
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于航拍图像中光伏组件识别的电站容量估测方法,具体为:通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;将光伏组件识别数据集按一定比例分为训练集和测试集,构建Faster RCNN网络模型,通过训练集对该网络模型进行训练;利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量;采用双阶段目标检测算法Faster RCNN对航拍图像中光伏组件的识别。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种基于航拍图像中光伏组件识别的电站容量估测方法。
背景技术
随着传统发电方式带来的资源和环境问题日益严重,以光伏发电为代表的新能源发电迎来了快速的发展,光伏电池板的数量越来越多,光伏分布范围越来越广泛,大型光伏电站的运维压力也越来越大。因此开展光伏电站的智能化管理意义重大,利用现代科学技术实现对光伏电站容量的估测是实现智能化管理的基础。
发明内容
本发明的目的是提供一种基于航拍图像中光伏组件识别的电站容量估测方法,采用双阶段目标检测算法Faster RCNN对航拍图像中光伏组件的识别,为电站容量估测提高供一种新思路。
本发明所采用的技术方案是,一种基于航拍图像中光伏组件识别的电站容量估测方法,包括以下步骤:
步骤1、通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;
步骤2、利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;
步骤3、将光伏组件识别数据集按一定比例分为训练集和测试集,构建FasterRCNN网络模型,通过训练集对该网络模型进行训练;
步骤4、利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;
步骤5、根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量。
本发明的特点还在于:
步骤1具体过程为:
步骤1.1、通过无人机拍摄不同方向角度的光伏阵列图;
步骤1.2、通过SURF特征提取方法对每幅光伏阵列图进行特征点提取,并对多幅光伏阵列图的同一特征点进行匹配;
步骤1.3、选取两幅光伏阵列图,将其中一幅光伏阵列图b通过空间变换矩阵映射到另一幅光伏阵列图a,获得同一坐标下配准图;
步骤1.4、将光伏阵列图a以及同一坐标下配准图分别映射到一幅新的空白图像中,再将两幅新的空白图像进行平移拼接即可形成拼接图;
步骤1.5、将拼接图分为重叠区域和非重叠区域,对重叠区域的像素值按一定的权值相加,并结合非重叠区域形成新的图像,通过步骤1.3-步骤1.5把不同方向角度的光伏阵列图融合形成完整的光伏电站阵列图。
步骤1.3具体过程为:将每幅光伏阵列图中任意两幅图像,取其中一幅光伏阵列图a,另一幅为光伏阵列图b,通过使用findHomography函数来求得变换矩阵H,将光伏阵列图b经过变换矩阵H进行透视变换,得到光伏阵列图b在光伏阵列图a下的表示,即同一坐标下配准图。
步骤2具体过程为:
步骤2.1、对光伏电站阵列图依次通过平移、缩放、颜色变换进行扩充;
步骤2.2、对扩充后的图像按照功率和效率不同,依次进行编号标记,将编号的图像构成光伏组件识别数据集。
步骤4具体过程为:
步骤4.1、对光伏组件获取航拍图像,将该航拍图像输入训练好的网络模型,得到光伏组件位置、类别以及置信度;
步骤4.2、将光伏组件位置、类别以及置信度转换成txt文本形式输出。
步骤4.1具体过程为:
步骤4.1.1、对光伏组件获取航拍图像,采用VGG16型卷积神经网络进行特征提取,得到特征映射图;
步骤4.1.2、根据区域建议策略网络,利用softmax激活函数计算特征映射图中每个特征点属于前景的概率,同时在原始航拍图像的相应位置生成若干尺寸不一的候选域;
步骤4.1.3、RoI池化层将候选域映射成维度固定的特征向量,再次利用softmax判断候选域中物体类别,其中特征映射图作为位置索引,辅助调整候选域尺寸和标记输入航拍图像中的中光伏组件,得到光伏组件位置、类别以及置信度。
步骤5具体过程为:
步骤5.1、根据txt文本形式输出统计得出不同型号光伏组件的数量;
步骤5.2、通过不同型号光伏组件的数量,计算得出光伏电站的容量W:
W=λ∑niηiPi
式中,Pi为不同型号光伏组件的功率,ηi为不同型号光伏组件的效率,λ为考虑环境等客观因素影响产生的系数。
本发明的有益效果是:
本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,基于Python深度学习理论,考虑较高的检测精度,采用双阶段目标检测算法Faster RCNN实现对航拍图像中光伏组件的识别,统计光伏组件的数量,计算得的出光伏电站的容量,为实现光伏发电智能化管理提供了基础。
附图说明
图1是本发明一种基于航拍图像中光伏组件识别的电站容量估测方法流程图;
图2为本发明中航拍光伏阵列图;
图3为本发明中航拍图像中光伏组件的标记;
图4为本发明中Faster RCNN网络架构图;
图5为本发明中航拍图像中光伏组件的识别结果;
图6为本发明实施例中精确率和召回率的示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,如图1所示,包括以下步骤:
步骤1、通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;具体过程为:
步骤1.1、通过无人机拍摄不同方向角度的光伏阵列图;
步骤1.2、通过SURF特征提取方法对每幅光伏阵列图进行特征点提取,并对多幅光伏阵列图的同一特征点进行匹配;
步骤1.3、将每幅光伏阵列图中任意两幅图像,取其中一幅光伏阵列图a,另一幅为光伏阵列图b,通过使用findHomography函数来求得变换矩阵H,将光伏阵列图b经过变换矩阵H进行透视变换,得到光伏阵列图b在光伏阵列图a下的表示,即同一坐标下配准图。
步骤1.4、将光伏阵列图a以及同一坐标下配准图分别映射到一幅新的空白图像中,再将两幅新的空白图像进行平移拼接即可形成拼接图;
步骤1.5、将拼接图分为重叠区域和非重叠区域,对重叠区域的像素值按一定的权值相加,并结合非重叠区域形成新的图像,通过步骤1.3-步骤1.5把不同方向角度的光伏阵列图融合形成完整的光伏电站阵列图。
步骤2、利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;具体过程为:
步骤2.1、对光伏电站阵列图依次通过平移、缩放、颜色变换进行扩充,如图2所示;
步骤2.2、对扩充后的图像按照功率和效率不同,依次进行编号标记,如图3所示,将编号的图像构成光伏组件识别数据集。
步骤3、将光伏组件识别数据集按一定比例分为训练集和测试集,构建FasterRCNN网络模型,如图4所示,通过训练集对该网络模型进行训练;
步骤4、利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;步骤4具体过程为:
步骤4.1、对光伏组件获取航拍图像,将该航拍图像输入训练好的网络模型,得到光伏组件位置、类别以及置信度;步骤4.1具体过程为:
步骤4.1.1、对光伏组件获取航拍图像,采用VGG16型卷积神经网络进行特征提取,得到特征映射图;
步骤4.1.2、根据区域建议策略网络,利用softmax激活函数计算特征映射图中每个特征点属于前景的概率,同时在原始航拍图像的相应位置生成若干尺寸不一的候选域;
步骤4.1.3、RoI池化层将候选域映射成维度固定的特征向量,再次利用softmax判断候选域中物体类别,其中特征映射图作为位置索引,辅助调整候选域尺寸和标记输入航拍图像中的中光伏组件,得到光伏组件位置、类别以及置信度。
步骤4.2、将光伏组件位置、类别以及置信度转换成txt文本形式输出。
步骤5、根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量。具体为:
步骤5.1、根据txt文本形式输出统计得出不同型号光伏组件的数量;
步骤5.2、通过不同型号光伏组件的数量,计算得出光伏电站的容量W:
W=λ∑niηiPi
式中,Pi为不同型号光伏组件的功率,ηi为不同型号光伏组件的效率,λ为考虑环境等客观因素影响产生的系数。
实施例
对某光伏发电站的航拍光伏阵列图如图1所示,标记如图3所示,经过本发明的方法进行识别结果如图5所示。
对本发明方法计算的精确率、召回率进一步验证:
在计算机视觉领域中,常见的评价指标包括精确率(Precision)、召回率(recall)和平均精度均值(mean Average Presicion)。精确率的定义为:检索到的目标中,正确目标的个数比例,因此也可视作查准率。召回率的定义为:检索到的正确目标,占总的正确目标的比例,因此也可视作查全率,精确率和召回率的示意图如图6所示。
图6中,检索到的正确目标总数为C,检索到的错误对象总数为D,未检测到的正确目标总数为A,未检测的错误目标总数为B。因此,精确率P和召回率R分别可表示为:
通过不同IoU的设置得到的P和R值,可以绘制一条曲线,称之为P-R曲线如图所示。通过对P-R曲线在坐标系第一象限的面积可以得到AP(Average Precision)值。将所有类目标的AP值取平均值即可得到mAP(mean Average Precision)值。mAP值能够评估算法的优劣程度,mAP值越高则算法检测的精确程度越高,mAP值越低则算法检测的精确程度越低。为评估Faster RCNN进行光伏组件识别的准确度,本发明拟采用目标检测召回率和平均检测精度两个方面来评估目标检测模型的性能,结果如表1所示。
表1
通过实验数据分析,可以得出结论:Faster RCNN进行光伏组件识别的准确度较高,这为后续的光伏电站容量计算提供了有力保障。
通过上述方式,本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,基于Python深度学习理论,考虑较高的检测精度,采用双阶段目标检测算法Faster RCNN实现对航拍图像中光伏组件的识别,统计光伏组件的数量,计算得的出光伏电站的容量,为实现光伏发电智能化管理提供了基础。
Claims (7)
1.一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,包括以下步骤:
步骤1、通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;
步骤2、利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;
步骤3、将光伏组件识别数据集按一定比例分为训练集和测试集,构建Faster RCNN网络模型,通过训练集对该网络模型进行训练;
步骤4、利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;
步骤5、根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量。
2.根据权利要求1所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤1具体过程为:
步骤1.1、通过无人机拍摄不同方向角度的光伏阵列图;
步骤1.2、通过SURF特征提取方法对每幅光伏阵列图进行特征点提取,并对多幅光伏阵列图的同一特征点进行匹配;
步骤1.3、选取两幅光伏阵列图,将其中一幅光伏阵列图b通过空间变换矩阵映射到另一幅光伏阵列图a,获得同一坐标下配准图;
步骤1.4、将光伏阵列图a以及同一坐标下配准图分别映射到一幅新的空白图像中,再将两幅新的空白图像进行平移拼接即可形成拼接图;
步骤1.5、将拼接图分为重叠区域和非重叠区域,对重叠区域的像素值按一定的权值相加,并结合非重叠区域形成新的图像,通过步骤1.3-步骤1.5把不同方向角度的光伏阵列图融合形成完整的光伏电站阵列图。
3.根据权利要求2所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤1.3具体过程为:将每幅光伏阵列图中任意两幅图像,取其中一幅光伏阵列图a,另一幅为光伏阵列图b,通过使用findHomography函数来求得变换矩阵H,将光伏阵列图b经过变换矩阵H进行透视变换,得到光伏阵列图b在光伏阵列图a下的表示,即同一坐标下配准图。
4.根据权利要求1所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤2具体过程为:
步骤2.1、对光伏电站阵列图依次通过平移、缩放、颜色变换进行扩充;
步骤2.2、对扩充后的图像按照功率和效率不同,依次进行编号标记,将编号的图像构成光伏组件识别数据集。
5.根据权利要求1所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤4具体过程为:
步骤4.1、对光伏组件获取航拍图像,将该航拍图像输入训练好的网络模型,得到光伏组件位置、类别以及置信度;
步骤4.2、将光伏组件位置、类别以及置信度转换成txt文本形式输出。
6.根据权利要求5所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤4.1具体过程为:
步骤4.1.1、对光伏组件获取航拍图像,采用VGG16型卷积神经网络进行特征提取,得到特征映射图;
步骤4.1.2、根据区域建议策略网络,利用softmax激活函数计算特征映射图中每个特征点属于前景的概率,同时在原始航拍图像的相应位置生成若干尺寸不一的候选域;
步骤4.1.3、RoI池化层将候选域映射成维度固定的特征向量,再次利用softmax判断候选域中物体类别,其中特征映射图作为位置索引,辅助调整候选域尺寸和标记输入航拍图像中的中光伏组件,得到光伏组件位置、类别以及置信度。
7.根据权利要求1所述一种基于航拍图像中光伏组件识别的电站容量估测方法,其特征在于,步骤5具体过程为:
步骤5.1、根据txt文本形式输出统计得出不同型号光伏组件的数量;
步骤5.2、通过不同型号光伏组件的数量,计算得出光伏电站的容量W:
W=λ∑niηiPi
式中,Pi为不同型号光伏组件的功率,ηi为不同型号光伏组件的效率,λ为考虑环境等客观因素影响产生的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434542.1A CN112633088B (zh) | 2020-12-10 | 2020-12-10 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434542.1A CN112633088B (zh) | 2020-12-10 | 2020-12-10 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633088A true CN112633088A (zh) | 2021-04-09 |
CN112633088B CN112633088B (zh) | 2023-07-21 |
Family
ID=75309077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434542.1A Active CN112633088B (zh) | 2020-12-10 | 2020-12-10 | 一种基于航拍图像中光伏组件识别的电站容量估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633088B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
CN116797600A (zh) * | 2023-08-24 | 2023-09-22 | 北京智盟信通科技有限公司 | 光伏组件尘损失评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051696A1 (zh) * | 2017-09-13 | 2019-03-21 | 中国电力科学研究院有限公司 | 一种光伏发电站的控制方法、装置及存储介质 |
CN109784228A (zh) * | 2018-12-28 | 2019-05-21 | 苏州易助能源管理有限公司 | 一种基于图像识别技术的光伏电站识别系统及方法 |
CN111161220A (zh) * | 2019-12-11 | 2020-05-15 | 中国计量大学 | 一种利用红外图像拼接对光伏组件缺陷检测和定位的方法 |
CN111553200A (zh) * | 2020-04-07 | 2020-08-18 | 北京农业信息技术研究中心 | 一种图像检测识别方法及装置 |
CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
-
2020
- 2020-12-10 CN CN202011434542.1A patent/CN112633088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019051696A1 (zh) * | 2017-09-13 | 2019-03-21 | 中国电力科学研究院有限公司 | 一种光伏发电站的控制方法、装置及存储介质 |
CN109784228A (zh) * | 2018-12-28 | 2019-05-21 | 苏州易助能源管理有限公司 | 一种基于图像识别技术的光伏电站识别系统及方法 |
CN111161220A (zh) * | 2019-12-11 | 2020-05-15 | 中国计量大学 | 一种利用红外图像拼接对光伏组件缺陷检测和定位的方法 |
CN111553200A (zh) * | 2020-04-07 | 2020-08-18 | 北京农业信息技术研究中心 | 一种图像检测识别方法及装置 |
CN111985455A (zh) * | 2020-09-08 | 2020-11-24 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件可见光故障模型的训练和识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
卫芃毅: "光伏清洁无人机目标检测与定位研究", 《中国优秀硕士学位论文全文数据库》 * |
卫芃毅: "光伏清洁无人机目标检测与定位研究", 《中国优秀硕士学位论文全文数据库》, 15 October 2020 (2020-10-15), pages 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
CN116454882B (zh) * | 2023-06-13 | 2023-08-25 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
CN116797600A (zh) * | 2023-08-24 | 2023-09-22 | 北京智盟信通科技有限公司 | 光伏组件尘损失评估方法 |
CN116797600B (zh) * | 2023-08-24 | 2023-11-10 | 北京智盟信通科技有限公司 | 光伏组件尘损失评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112633088B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN112633088B (zh) | 一种基于航拍图像中光伏组件识别的电站容量估测方法 | |
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
Wang et al. | Object-scale adaptive convolutional neural networks for high-spatial resolution remote sensing image classification | |
CN110569738B (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
CN112837315B (zh) | 一种基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN111612051B (zh) | 一种基于图卷积神经网络的弱监督目标检测方法 | |
CN104517289A (zh) | 一种基于混合摄像机的室内场景定位方法 | |
CN112766378B (zh) | 一种专注细粒度识别的跨域小样本图像分类模型方法 | |
CN111079847A (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
Sampath et al. | Estimation of rooftop solar energy generation using Satellite Image Segmentation | |
CN112464704A (zh) | 一种基于特征融合与旋转目标检测器的遥感图像识别方法 | |
CN114511532A (zh) | 基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN114329031A (zh) | 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法 | |
CN107291813B (zh) | 基于语义分割场景的示例搜索方法 | |
CN111353509B (zh) | 一种视觉slam系统的关键点提取器生成方法 | |
CN113160291B (zh) | 一种基于图像配准的变化检测方法 | |
CN110443817B (zh) | 一种提高图像分割精度的方法 | |
CN113837088A (zh) | 一种基于语义扫描上下文的点云场景重识别方法 | |
CN117612214B (zh) | 一种基于知识蒸馏的行人搜索模型压缩方法 | |
CN113379672B (zh) | 一种基于深度学习的细胞图像分割方法 | |
CN109886990B (zh) | 一种基于深度学习的图像分割系统 | |
CN113312995B (zh) | 基于中轴线的无锚点车载行人检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |