CN113011295B - 基于遥感影像识别光伏发电站的方法、计算机设备和介质 - Google Patents

基于遥感影像识别光伏发电站的方法、计算机设备和介质 Download PDF

Info

Publication number
CN113011295B
CN113011295B CN202110249499.XA CN202110249499A CN113011295B CN 113011295 B CN113011295 B CN 113011295B CN 202110249499 A CN202110249499 A CN 202110249499A CN 113011295 B CN113011295 B CN 113011295B
Authority
CN
China
Prior art keywords
neural network
network model
photovoltaic power
layer
shaped neural
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.)
Active
Application number
CN202110249499.XA
Other languages
English (en)
Other versions
CN113011295A (zh
Inventor
田富有
曾红伟
吴炳方
李远超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202110249499.XA priority Critical patent/CN113011295B/zh
Publication of CN113011295A publication Critical patent/CN113011295A/zh
Application granted granted Critical
Publication of CN113011295B publication Critical patent/CN113011295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于遥感影像识别光伏发电站的方法、计算机设备和介质，该识别光伏发电站的方法包括获取光伏发电站待识别区域的遥感影像；将遥感影像输入U形神经网络模型，以由U形神经网络模型输出遥感影像的预测图片，预测图片标注了遥感影像中每个像素点是否是光伏发电站像素点的预测结果；根据预测图片生成光伏发电站的位置信息。本申请实现了对光伏发电站的空间分布进行精准确定的目的。

Description

基于遥感影像识别光伏发电站的方法、计算机设备和介质
技术领域
本公开涉及人工智能领域，更具体而言，涉及一种基于遥感影像识别光伏发电站的方法、计算机设备和介质。
背景技术
光伏发电站，是指一种特殊材料电子元件(诸如晶硅板、逆变器等)组成的利用太阳能发电的体系，与电网相连并向电网输送电力。
太阳能取之不尽用之不竭，具有充分的清洁性、绝对的安全性、相对的广泛性、确实的长寿命、资源的充足性、潜在的经济性和免维护性等优点，近年来，光伏发电站在全国范围内大面积铺设，因此，光伏发电站的分布情况不仅对能源结构、电力供应、经济发展过程具有重要影响，同时还对地表大气净辐射在内的能量循环、蒸散发量在内的水循环以及植被覆盖在内的生态系统也产生一定的影响。
基于以上所述情况，目前对光伏发电站的空间分布进行精准确定，十分必要。
公开内容
有鉴于此，本公开提供了一种基于遥感影像识别光伏发电站的方法、计算机设备和介质，旨在精准确定光伏发电站的空间分布。
为了达到这个目的，根据本公开的一个方面，提供了一种基于遥感影像识别光伏发电站的方法，包括：
获取光伏发电站待识别区域的遥感影像；
将所述遥感影像输入U形神经网络模型，以由U形神经网络模型输出所述遥感影像的预测图片，所述预测图片标注了所述遥感影像中每个像素点是否是光伏发电站像素点的预测结果；
根据所述预测图片生成光伏发电站的位置信息。
可选地，所述U形神经网络模型的下采样结构中每个下采样单元包括下采样层和第一残差块，所述下采样层的输出作为所述第一残差块的输入；
所述U形神经网络模型的上采样结构中每个上采样单元包括上采样层和第二残差块，所述上采样层的输出作为所述第二残差块的输入。
可选地，所述第一残差块和所述第二残差块各自包括：
输入层，用于接收输入数据；
第一BN层，连接所述输入层；
第一卷积层，为3×3的卷积层，连接所述第一BN层；
第二BN层，连接所述第一卷积层；
第一激励函数层，连接所述第二BN层；
第二卷积层，为3×3的卷积层，连接所述第一激励函数层；
第三卷积层，为1×1的卷积层，连接所述输入层；
输出层，连接所述第二卷积层和所述第三卷积层，用于将所述第二卷积层和所述第三卷积层的输出相加结果进行输出。
可选地，所述U形神经网络模型通过以下步骤预先训练得到：
将训练样本集中各影像块样本输入当前U形神经网络模型，以由所述当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第一判定结果；
根据所述训练样本集中各影像块样本的所述第一判定结果和认定标签，确定所述当前U形神经网络模型的准确率；
若所述准确率不收敛则调整所述当前U形神经网络模型中的权重；
将权重调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到所述当前U形神经网络模型的准确率收敛。
可选地，所述训练样本集由大量原始影像块样本以及至少部分原始影像块样本的变换样本构成；
其中，原始影像块样本的所述变换样本至少包括以下一种：原始影像块样本经旋转处理后得到的样本、原始影像块样本经平移处理后得到的样本、影像块样本经加噪声处理后得到的样本、原始影像块样本经色彩变换后得到的样本。
可选地，在所述当前U形神经网络模型的准确率收敛后，所述识别光伏发电站的方法还包括：
将验证样本集中各影像块样本输入所述当前U形神经网络模型，以由所述当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第二判定结果；
根据所述验证样本集中各影像块样本的所述第二判定结果和认定标签，确定所述当前U形神经网络模型的精度；
若所述精度不大于预设阈值则调整所述当前U形神经网络模型的超参数；
将调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到所述当前U形神经网络模型的精度大于预设阈值。
可选地，将所述遥感影像输入U形神经网络模型，包括：将所述遥感影像拆分得到的待测影像块输入U形神经网络模型，所述待测影像块和所述影像块样本的大小相同；
由所述U形神经网络模型输出所述遥感影像的预测图片，包括：由所述U形神经网络模型输出各个所述待测影像块是否为光伏发电站的测试结果，多个所述测试结果拼接为所述预测图片。
可选地，所述遥感影像的分辨率高于分辨率阈值，所述分辨率阈值根据光伏发电站在所述光伏发电站待识别区域中的辨识度预先设定。
根据本公开的一个方面，提供了一种计算机设备，包括：存储器，用于存储计算机可执行代码；处理器，用于执行所述计算机可执行代码，以实现如上所述的方法。
根据本公开的一个方面，提供了一种计算机可读介质，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现如上所述的方法。
本公开实施例的有益效果：
本公开实施例中，将遥感影像输入U形神经网络模型，以由U形神经网络模型输出遥感影像的预测图片，然后根据预测图片中的光伏发电站像素点确定光伏发电站的位置信息。整个过程不依赖于人工，提高了自动化程度。并且，通过光伏发电站待识别区域的遥感影像来确定光伏发电站区块，利用了光伏发电站在遥感影像上特征明显的优势，实现了对光伏发电站的空间分布进行精准确定。
附图说明
通过参考以下附图对本公开实施例的描述，本公开的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1A-C示出本公开实施例所提供基于遥感影像识别光伏发电站的方法在应用中的界面状态图；
图2示出了根据本公开一个实施例所提供基于遥感影像识别光伏发电站的方法的流程图；
图3示出一个现有的一个U形神经网络模型的整体模型构架图；
图4示出了根据本公开一个实施例的U形神经网络模型的整体模型构架图；
图5示出了根据本公开一个实施例的残差块的构架图；
图6示出了根据本公开一个实施例的U形神经网络模型在训练过程中准确率的变化示意图；
图7示出了根据本公开一个实施例的计算机设备的结构图。
具体实施方式
以下基于实施例对本公开进行描述，但是本公开并不仅仅限于这些实施例。在下文对本公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本公开。为了避免混淆本公开的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
本公开实施例可用于自动识别光伏发电站的空间分布。具体地，它可以体现为电力局等机构内部安装的自动化办公系统。将自动化办公系统的软件安装在电力局等机构的局域网内部。在需要获知光伏发电站的空间分布时，登录该自动化办公系统。此外，它还可以体现为一种用于识别光伏发电站的应用(APP)，其被下载后安装在通用计算机中(如桌面电脑、笔记本电脑等)运行，在运行时其能够执行自动识别光伏发电站的功能。
图1A-C示出本公开实施例所提供基于遥感影像识别光伏发电站的方法在计算机设备上运行时计算机设备的界面状态变化。
光伏发电站待识别区域包括光伏发电站区域和非光伏发电站区域，其中，光伏发电站区域上分布有光伏发电站内用于收集太阳能的晶硅板，非光伏发电站区域则指没被晶硅板覆盖的区域。由于光伏发电站多布置在贫瘠的土地表面(例如沙漠和山岭的表面)，因而非光伏发电站区域和光伏发电站区域在遥感影像中具有显著的不同图像特征，这为光伏发电站的识别提供了可执行的前提条件。
由于光伏发电站待识别区域由待执行任务决定，因而光伏光伏发电站待识别区域的遥感影像需要用户(例如电力局的工作人员)通过界面输入自动化办公系统或应用。如图1A所示，显示界面提示用户输入遥感影像，用户在图1A的界面输入光伏发电站待识别区域的遥感影像。
进一步，自动化办公系统或应用可以对获取的遥感影像进行影像信息的解析，例如有影像大小、影像分辨率等，并将解析到的影像信息通过图1A所示界面显示。其中，若用户根据影像信息确定当前输入的遥感影像即为自动化办公系统或应用即将识别的影像，则选择显示界面上的“确定”以进入识别过程；若用户根据影像信息确定当前输入的遥感影像不是自动化办公系统或应用即将识别的影像，则选择显示界面上的“取消”以重新上传遥感影像。
接着，自动化办公系统或应用根据用户输入的遥感影像，进行识别，如图1B所示。自动化办公系统或应用可以预测识别的剩余时长，并在图1B所示界面中显示预计剩余时长。
图1C示出了自动化办公系统或应用生成的识别结果，识别结果可以通过图片和/或文字的形式显示在图1C所示界面上，其中，图片形式显示识别结果，例如，图片显示整个光伏发电站待识别区域且图片中光伏发电站区域用预设颜色(例如遥感影像中不常见的紫色或蓝色)进行标注以区分于非光伏发电站区域；而文字形式显示识别结果，例如，文字描述出光伏发电站中心点的经纬度以及光伏发电站的面积。进一步，自动化办公系统或应用可提供对识别结果进行校正的功能，用户选择图1C所示显示界面中的“编辑”则可校正识别结果；若用户已较正识别结果或确定无需校正识别结果，则可选择“输出”，从而输出(例如打印)界面上显示的识别结果。
下面结合图2详细介绍根据本公开一个实施例的基于遥感影像识别光伏发电站的方法。它可以由安装了上述自动化办公系统或上述应用的计算机设备执行。
如图2所示，根据本公开一个实施例的基于遥感影像识别光伏发电站的方法包括：
S110，获取待识别区域的遥感影像；
S120、将遥感影像输入U形神经网络模型，以由U形神经网络模型输出遥感影像的预测图片，预测图片标注了遥感影像中每个像素点是否是光伏发电站像素点的预测结果；
S130、根据预测图片生成光伏发电站的位置信息。
下面对上述步骤进行详细描述。
S110中，获取待识别区域的遥感影像可以通过如图1A所示，向用户显示输入遥感影像的界面，并接收用户的输入来实现；也可以通过扫描纸质的遥感影像，然后通过OCR(光学字符识别)转换成电子文档来实现，等等。该遥感影像的形成，往往在用户确定光伏发电站待识别区域后产生，因此，一般是将影像地图的划分操作由真实的用户完成，从影像地图划分出的遥感影像中识别光伏发电站期望借助机器完成。
其中，影像地图，例如有Sentinel-2卫星拍摄的Sentinel-2影像地图和GoogleEarth影像地图等，Google Earth影像地图有多个等级，不同等级影像地图的分辨率也不相同。在选取光伏发电站待识别区域的遥感影像时，可以挑选光伏发电站待识别区域的分辨率高于分辨率阈值的遥感影像，这里分辨率阈值根据光伏发电站在光伏发电站待识别区域中的辨识度预先设定，这样有利于光伏发电站的快速识别。具体地，考虑到光伏发电站区域上分布的是一块一块的晶硅板，晶硅板的规则排列等特征对光伏发电站辨识度的提高具有显著作用，而晶硅板的面积通常较小，因而为了有效利用晶硅板上的特征来识别光伏发电站，可以选择高分辨率的遥感影像，即，选择高分辨率的影像地图然后从选择的影像地图上划分出光伏发电站待识别区域的高分辨率遥感影像，例如，可以选用Big Map地图下载器下载Google Map 17级影像地图，该影像地图的分辨率大约1米，其所包含光伏发电站待识别区域的遥感影像能够满足光伏发电站的识别需求。
S120中涉及U形神经网络模型，U形神经网络模型是安装在基于遥感影像识别光伏发电站的方法的设备上。在描述S120之前，要介绍一下U形神经网络模型。U形神经网络模型即Unet，因网络整体结构类似于大写的英文字母U而得名，是比较早的使用全卷积网络进行语义分割的模型之一，能够提取较高层次的边、角、纹理等信息，最早被应用于医学影像分割方面并经逐渐改进而取得较好的识别结果。
图3所示为一种传统Unet的结构图，参照图3，整个网络100包括下采样结构110和上采样结构120这两个部分，下采样结构110作用是特征提取，上采样结构120作用是上采样；下采样结构110包括四个下采样单元11i，每个下采样单元11i包括下采样层和两串联卷积层，下采样层的输出作为其后设置的两串联卷积层的输入，其中，下采样层采用最大池化层(max pool)，各卷积层是3×3的卷积核后紧跟一个ReLU(Rectified Linear Units，修正线性单元)层；上采样结构120包括四个上采样单元12i，每个上采样单元12i包括上采样层和两串联卷积层，上采样层的输出作为其后设置的两串联卷积层的输入，其中，各卷积层依然是3×3的卷积核后紧跟一个ReLU层；以及，下采样结构110和上采样结构120之间存在四个拼接操作，这一操作的目的是为了融合特征信息，使得识别结果更加精确。以最后一个上采样为例，它的输入特征既包括来自上采样结构110的同尺度特征，也包括来自上采样结构120中前一个上采样单元的大尺度特征。
Unet在使用中，接收输入图片(input image)，然后输出标注了预测结果的预测图片(亦称output segmentation map)。在本公开实施例中，Unet接收的输入图片为光伏发电站待识别区域的遥感影像，Unet可以因遥感影像的尺寸而一次性地接收所述遥感影像或分多次接收所述遥感影像(多次接收过程中每次接收所述遥感影像拆分出的一个待测影像块)；光伏发电站为要识别的物体；Unet输出的预测图片为标注了光伏发电站像素点和非光伏发电站像素点的图片，标注方法不作限定，例如采用不同像素值将光伏发电站像素点和非光伏发电站像素点进行区分标注。
接着，在步骤130中，对步骤120得到的预测图片进行处理，具体根据预测图片中的光伏发电站像素点生成光伏发电站的位置信息，即给出了光伏发电站的识别结果。该识别结果可以如图1C所示分别以图片和文字的形式进行呈现。
需要说明的是，在以图片形式显示识别结果的情况下，可以是：图片中光伏发电站像素点用预设颜色进行标注，而非光伏发电站像素点不作任何处理，这样便于用户通过遥感影像上未被清除的山脉、河流、地界线等地理位置信息确定光伏发电站像素点的地理位置。而在以文字形式显示识别结果的情况下，可以依据遥感影像整体边界的经纬度信息来确定遥感影像内各像素点的经纬度信息，然后可以根据用户需求进行光伏发电站相应位置信息的输出，例如为前面所述的包括光伏发电站中心点的经纬度以及光伏发电站的面积，又例如包括光伏发电站在东西南北四个方向上的边界经纬度。
应当理解的是，图1A所示的遥感影像以及图1C所示的图片形式的识别结果都为灰度图片，但这并不表示对本公开实施例的限定，光伏发电站待识别区域的遥感影像可以是影像地图不经过色彩处理而得到的影像，识别结果中非光伏发电站像素点的像素值也可以和影像地图中原来像素值相同。
本公开实施例中，将遥感影像输入Unet，以由Unet输出遥感影像的预测图片，然后根据预测图片中的光伏发电站像素点确定光伏发电站的位置信息。整个过程不依赖于人工，提高了自动化程度。并且，通过光伏发电站待识别区域的遥感影像来确定光伏发电站区块，利用了光伏发电站在遥感影像上特征明显的优势，实现了对光伏发电站的空间分布进行精准确定的目的。
在一个可选实施例中，上述Unet采用改进型网络结构。图4所示为构建的改进型Unet网络的结构示意图。参照图4，所构建的该改进型Unet网络结构200依然是包括下采样结构210和上采样结构220这两个部分，且下采样结构210包括下采样单元21i，上采样结构220包括上采样单元22i。对比图3所示传统Unet的网络结构，可见改进之处在于：每个下采样单元21i包括下采样层和第一残差块，下采样层的输出作为第一残差块的输入；每个上采样单元22i包括上采样层和第二残差块，上采样层的输出作为第二联残差块的输入。也就是说，改进之处在于将传统Unet网络结构中位于下采样层或上采样层之后的两个卷积层利用残差块替代。
具体地，改进型Unet网络结构200中，下采样结构210中的下采样层可以依然采用最大池化层(max pool)。下采样结构210和上采样结构220之间同样存在拼接操作以进行特征融合，该特征融合通过结合多尺度特征使得识别更加准确快速，该特征融合过程即为：对于上采样单元22i中位于上采样层后且和上采样层邻接的残差块来说，其输入特征既包括来自下采样单元21i中下采样层输出的同尺度特征，也包括来自当前上采样单元22i中上采样层输出的大尺度特征。最前一个下采样单元21i(即下采样结构210最上的一个下采样单元)的输入可以是遥感影像经输入层(例如5×5的卷积层)进行特征提取后的数据。最后一个上采样单元22i(即上采样结构220最上的一个上采样单元)的输出数据可以经输出层(例如Softmax层)后直接输出黑白标注式的预测图片，其中，黑色像素点表示非光伏发电站像素点，白色像素点表示光伏发电站像素点。
进一步，参照图5，第一残差块和第二残差块各自包括：输入层，用于接收输入数据，对于第一残差块来说输入数据为同一下采样单元中下采样层的输出，对于第二残差块来说输入数据为同一上采样单元中上采样层的输出；第一BN(Batch Normalization)层，连接输入层；第一卷积层，为3×3的卷积层，连接第一BN层的输出；第二BN层，连接第一卷积层；第一激励函数(Activation)层，连接第二BN层的输出；第二卷积层，为3×3的卷积层，连接第一激励函数层；第三卷积层，为1×1的卷积层，连接输入层；输出层，连接第二卷积层和第三卷积层，用于将第二卷积层和第三卷积层的输出相加结果进行输出。
在可选的实施例中，第一残差块和第二残差块各自还可以包括：第二激励函数层和第三BN层，其中，第二激励函数层设置在第一BN层和第一卷积层之间，即第一卷积层通过第二激励函数层连接第一BN层；第三BN层设置在第三卷积层和输出层之间，即第三卷积层的输出经第三BN层处理后和第二卷积层的输出相加而得到相加结果，该相加结果经输出层输出。
示例性地，上述第一残差块通过设置stride＝2来实现下采样过程的升维，第二残差块通过设置stride＝2来实现上采样过程的降维。
本公开实施例中，将传统Unet网络结构中位于下采样层或上采样层之后的两个卷积层利用残差块替代，残差块内除了进行正常的卷积操作之外还增加一个跳跃连接。残差结构除了有3×3的卷积层和1×1的卷积层之外还形成了inception结构类似的多尺度的滤波器(图5虚线框内结构亦可称为Residual&inception block)，这样对于光伏发电站区域占比不一的各待测影像块(亦称待测瓦片)来说，光伏发电站区域皆能够被精确识别出，即上述Unet网络有利于识别多尺度的光伏发电站区域。
在一个可选的实施例中，U形神经网络模型通过以下步骤预先训练得到：将训练样本集中各影像块样本输入当前U形神经网络模型，以由当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第一判定结果；根据训练样本集中各影像块样本的第一判定结果和认定标签，确定当前U形神经网络模型的准确率；若准确率不收敛则调整当前U形神经网络模型中的权重；将权重调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到当前U形神经网络模型的准确率收敛。
具体地，训练样本集由大量原始影像块样本以及至少部分原始影像块样本的变换样本构成，其中，原始影像块样本的变换样本至少包括以下一种：原始影像块样本经旋转处理后得到的样本、原始影像块样本经平移处理后得到的样本、影像块样本经加噪声处理后得到的样本、原始影像块样本经色彩变换后得到的样本。采用包括变换样本的训练样本集来训练U形神经网络模型，能够提高U形神经网络模型的泛华性能。
上述原始影像块样本直接来自下载的影像样本。影像样本通过分块处理得到多个初始影像块。分块处理例如是以256像素×256像素为单位进行分块，具体可以通过计算机设备上运行VIA开源矢量化软件包勾画各初始影像块范围；并且相邻初始影像块之间可以设置若干像素(例如50个像素)的重叠。从初始影像块中提取出部分作为影像块样本。应当理解的是，从初始影像块中选择影像块样本的过程中，因尽量选取有代表性的初始影像块，例如，勾选光伏发电站区域占比大于第一预定比例(例如20％)的初始影像块作为有光伏发电站区域的影像块样本；勾选光伏发电站区域占比小于第二预定比例(例如5％)的初始影像块作为没有光伏发电站区域的影像块样本(亦称背景影像块样本)。上述有光伏发电站区域的影像块样本和背景影像样本可以是1:1的比例；影像块样本的数量应较大一些，例如有光伏发电站区域的影像块样本和背景影像样本各有1300张，影像块样本的总数为2600张。上述相邻初始影像块之间设置若干像素的重叠，利于影像样本中的任一个部分光伏发电站区域都能被归入有光伏发电站区域的影像块样本，从而充分利用最初下载下来的影像样本。
上述预先训练U形神经网络模型，可以在训练平台上进行。训练平台选择4个1080Ti的GPU服务器通常就可以满足训练需求。示例性地，训练过程中Batch Size(一个Epoch的样本数量可能太过庞大，就需要分成多个Batch进行训练，其中，一个Batch训练的样本数量为Batch Size，一个Epoch的样本即训练样本集中的所有样本)设置为10，共进行50个epoch的训练，图6所示为训练过程中的准确率的变化示意图。从图6可以看出：当进行到20个epoch之后，U形神经网络模型的准确率趋于收敛。图6对应的训练中U形神经网络模型依现有技术利用dice_coef_loss作为损失函数，最终train loss和dice_coef表示U形神经网络模型的准确率，其中，train loss越小表示U形神经网络模型的准确率越高，dice_coef越大表示U形神经网络模型的准确率越高。
进一步，在当前U形神经网络模型的准确率收敛后，U形神经网络模型的预先训练过程还包括：将验证样本集中各影像块样本输入当前U形神经网络模型，以由当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第二判定结果；根据验证样本集中各影像块样本的第二判定结果和认定标签，确定当前U形神经网络模型的精度；若精度不大于预设阈值则调整当前U形神经网络模型的超参数；将调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到当前U形神经网络模型的精度大于预设阈值。具体地，可以通过计算模型精度(模型精度对应的预设阈值为90％)或频率加权交并比FWIOU(频率加权交并比FWIOU对应的预设阈值为0.90)进行模型精度的评价，这属于现有技术，不再赘述。需要说明的是，U形神经网络模型的超参数是模型训练之前设置的参数，不是通过训练可以得出的参数(训练可以得出的参数例如上述U形神经网络模型的权重)，超参数例如有深层神经网络的隐藏层数。
相应于U形神经网络模型的上述训练过程，步骤S120中，将遥感影像输入U形神经网络模型，包括：将遥感影像拆分得到的待测影像块输入U形神经网络模型；步骤S120中，由U形神经网络模型输出遥感影像的预测图片，包括：由U形神经网络模型输出各个待测影像块是否为光伏发电站的测试结果，经检验本公开提供的基于遥感影像识别光伏发电站的方法最终对光伏发电站的测试结果可达到FWIOU＝0.96。多个上述测试结果拼接即为预测图片。具体地，遥感影像拆分得到待测影像块，可以采用上述影像样本拆分得到影像块的拆分方法，所述待测影像块和所述影像块样本的大小相同；遥感影像拆分得到待测影像块，可以是提前由计算机设备执行，然后U形神经网络模型直接接收遥感影像拆分得到的待测影像块即可。需要强调的是，遥感影像拆分得到的相邻待测影像块之间优选设置重叠区域，这样确保光伏发电站的任一区域都能够被U型神经网络模型测试到，从而确保了预测图片的精度。应当理解的是，上述多个测试结果拼接为预测图片的过程中，拼接方法为遥感影像拆分方法的逆过程。
根据本公开的一个实施例的基于遥感影像识别光伏发电站的方法可以由图7的计算机设备800实现。下面参照图7来描述根据本公开实施例的计算机设备800。图7显示的计算机设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备800以通用计算设备的形式表现。计算机设备800的组件可以包括但不限于：上述至少一个处理器810、上述至少一个存储器820、连接不同系统组件(包括存储器820和处理器810)的总线830。
其中，所述存储器存储有程序代码，所述程序代码可以被所述处理器810执行，使得所述处理器810执行本说明书上述示例性方法的描述部分中描述的本公开各种示例性实施方式的步骤。例如，所述处理器810可以执行如图2中所示的各个步骤。
存储器820可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)8201和/或高速缓存存储器8202，还可以进一步包括只读存储器(ROM)8203。
存储器820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备800交互的设备通信，和/或与使得该计算机设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，计算机设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与计算机设备800的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
需要领会，以上所述仅为本公开的优选实施例，并不用于限制本公开，对于本领域技术人员而言，本说明书的实施例存在许多变型。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
应该理解，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
应该理解，上述对本说明书特定实施例进行了描述。其它实施例在权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
应该理解，本文用单数形式描述或者在附图中仅显示一个的元件并不代表将该元件的数量限于一个。此外，本文中被描述或示出为分开的模块或元件可被组合为单个模块或元件，且本文中被描述或示出为单个的模块或元件可被拆分为多个模块或元件。
还应理解，本文采用的术语和表述方式只是用于描述，本说明书的一个或多个实施例并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

Claims (8)

1.一种基于遥感影像识别光伏发电站的方法，其特征在于，包括：
获取待识别区域的遥感影像；
将所述遥感影像输入U形神经网络模型，以由U形神经网络模型输出所述遥感影像的预测图片，所述预测图片标注了所述遥感影像中每个像素点是否是光伏发电站像素点的预测结果；
根据所述预测图片生成光伏发电站的位置信息；
所述U形神经网络模型的下采样结构中每个下采样单元包括下采样层和第一残差块，所述下采样层的输出作为所述第一残差块的输入；
所述U形神经网络模型的上采样结构中每个上采样单元包括上采样层和第二残差块，所述上采样层的输出作为所述第二残差块的输入；
所述第一残差块和所述第二残差块各自包括：
输入层，用于接收输入数据；
第一BN层，连接所述输入层；
第一卷积层，为3×3的卷积层，连接所述第一BN层；
第二BN层，连接所述第一卷积层；
第一激励函数层，连接所述第二BN层；
第二卷积层，为3×3的卷积层，连接所述第一激励函数层；
第三卷积层，为1×1的卷积层，连接所述输入层；
输出层，连接所述第二卷积层和所述第三卷积层，用于将所述第二卷积层和所述第三卷积层的输出相加结果进行输出。
2.根据权利要求1所述的识别光伏发电站的方法，其特征在于，所述U形神经网络模型通过以下步骤预先训练得到：
将训练样本集中各影像块样本输入当前U形神经网络模型，以由所述当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第一判定结果；
根据所述训练样本集中各影像块样本的所述第一判定结果和认定标签，确定所述当前U形神经网络模型的准确率；
若所述准确率不收敛则调整所述当前U形神经网络模型中的权重；
将权重调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到所述当前U形神经网络模型的准确率收敛。
3.根据权利要求2所述的识别光伏发电站的方法，其特征在于，
所述训练样本集由大量原始影像块样本以及至少部分原始影像块样本的变换样本构成；
其中，原始影像块样本的所述变换样本至少包括以下一种：原始影像块样本经旋转处理后得到的样本、原始影像块样本经平移处理后得到的样本、影像块样本经加噪声处理后得到的样本、原始影像块样本经色彩变换后得到的样本。
4.根据权利要求2所述的识别光伏发电站的方法，其特征在于，在所述当前U形神经网络模型的准确率收敛后，还包括：
将验证样本集中各影像块样本输入所述当前U形神经网络模型，以由所述当前U形神经网络模型给出对应影像块样本是否为光伏发电站的第二判定结果；
根据所述验证样本集中各影像块样本的所述第二判定结果和认定标签，确定所述当前U形神经网络模型的精度；
若所述精度不大于预设阈值则调整所述当前U形神经网络模型的超参数；
将调整后的U形神经网络模型确定为当前U形神经网络模型，并返回执行将训练样本集中各影像块样本输入当前U形神经网络模型的步骤，直到所述当前U形神经网络模型的精度大于预设阈值。
5.根据权利要求2所述的识别光伏发电站的方法，其特征在于，
将所述遥感影像输入U形神经网络模型，包括：将所述遥感影像拆分得到的待测影像块输入U形神经网络模型，所述待测影像块和所述影像块样本的大小相同；
由所述U形神经网络模型输出所述遥感影像的预测图片，包括：由所述U形神经网络模型输出各个所述待测影像块是否为光伏发电站的测试结果，多个所述测试结果拼接为所述预测图片。
6.根据权利要求1所述的识别光伏发电站的方法，其特征在于，所述遥感影像的分辨率高于分辨率阈值，所述分辨率阈值根据光伏发电站在所述光伏发电站待识别区域中的辨识度预先设定。
7.一种计算机设备，其特征在于，包括：
存储器，用于存储计算机可执行代码；
处理器，用于执行所述计算机可执行代码，以实现权利要求1-6中任一个所述的识别光伏发电站的方法。
8.一种计算机可读介质，其特征在于，包括计算机可执行代码，所述计算机可执行代码被处理器执行时实现权利要求1-6中任一个所述的识别光伏发电站的方法。
CN202110249499.XA 2021-03-08 2021-03-08 基于遥感影像识别光伏发电站的方法、计算机设备和介质 Active CN113011295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110249499.XA CN113011295B (zh) 2021-03-08 2021-03-08 基于遥感影像识别光伏发电站的方法、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110249499.XA CN113011295B (zh) 2021-03-08 2021-03-08 基于遥感影像识别光伏发电站的方法、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN113011295A CN113011295A (zh) 2021-06-22
CN113011295B true CN113011295B (zh) 2022-09-20

Family

ID=76407951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110249499.XA Active CN113011295B (zh) 2021-03-08 2021-03-08 基于遥感影像识别光伏发电站的方法、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN113011295B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463860B (zh) * 2021-12-14 2023-05-23 浙江大华技术股份有限公司 检测模型的训练方法、活体检测方法及相关装置
CN114881399B (zh) * 2022-03-25 2024-06-18 全球能源互联网集团有限公司 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
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
CN111931779B (zh) * 2020-08-10 2024-06-04 韶鼎人工智能科技有限公司 一种基于条件可预测参数的图像信息提取与生成方法
CN112308156B (zh) * 2020-11-05 2022-05-03 电子科技大学 一种基于对抗学习的两阶段图像变化检测方法

Also Published As

Publication number Publication date
CN113011295A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN111524135B (zh) 基于图像增强的输电线路细小金具缺陷检测方法及系统
CN113160234B (zh) 基于超分辨率和域自适应的无监督遥感图像语义分割方法
CN112183203B (zh) 一种基于多尺度像素特征融合的实时交通标志检测方法
CN110619283A (zh) 一种无人机正射影像道路自动提取方法
CN111626947B (zh) 基于生成对抗网络的地图矢量化样本增强方法及系统
CN113011295B (zh) 基于遥感影像识别光伏发电站的方法、计算机设备和介质
CN111598101A (zh) 基于遥感影像场景分割的城区智能提取方法、系统及设备
CN112906662B (zh) 一种遥感图像变化检测方法、装置、设备及存储介质
CN113239736B (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法
CN114283285A (zh) 交叉一致性自训练遥感图像语义分割网络训练方法及装置
Sampath et al. Estimation of rooftop solar energy generation using satellite image segmentation
CN114373009A (zh) 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法
CN112883900A (zh) 遥感影像裸地反演可视图的方法及装置
CN113628180A (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统
CN114519819A (zh) 一种基于全局上下文感知的遥感图像目标检测方法
CN116719031B (zh) 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统
CN114092803A (zh) 基于遥感图像的云检测方法、装置、电子设备及介质
CN113743346A (zh) 图像识别方法、装置、电子设备及存储介质
CN112801109A (zh) 一种基于多尺度特征融合的遥感图像分割方法及系统
CN117152435A (zh) 一种基于U-Net3+的遥感语义分割方法
CN111696056B (zh) 一种基于多任务迁移学习的数字档案图像的矫正方法
CN112528803B (zh) 道路特征提取方法、装置、设备及存储介质
CN113011294B (zh) 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质

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