CN114639023A - 一种基于机器学习的屋顶光伏潜力评估方法 - Google Patents
一种基于机器学习的屋顶光伏潜力评估方法 Download PDFInfo
- Publication number
- CN114639023A CN114639023A CN202111358703.8A CN202111358703A CN114639023A CN 114639023 A CN114639023 A CN 114639023A CN 202111358703 A CN202111358703 A CN 202111358703A CN 114639023 A CN114639023 A CN 114639023A
- Authority
- CN
- China
- Prior art keywords
- roof
- area
- building
- data
- closed
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的屋顶光伏潜力评估方法。为了克服现有技术屋顶识别方式单一,容易存在误差与干扰的问题;本发明包括以下步骤:S1:通过卫星或航拍获取建筑物顶部视角的立体遥感影像数据;S2:一份数据输入到训练好的识别模型中,识别屋顶区域;一份数据按额定的长宽尺寸进行矩阵式分割;S3:分别对每一个矩阵单元数据进行边界识别,复原组合后获得封闭的边界曲线,确定屋顶区域;S4:根据识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域耦合计算屋顶面积,结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。通过识别模型与分割识别组合,从两种方式识别结果组合判定屋顶面积,识别方式多样,提高识别结果准确性。
Description
技术领域
本发明涉及一种光伏潜力评估领域,尤其涉及一种基于机器学习的屋顶光伏潜力评估方法。
背景技术
随着全球能源需求的日益增长,光伏发电因其清洁、便利、安全、适合分布式组网等优势,受到了越来越广泛的关注,并已成为最有前途的可再生能源发电方式之一。定量评价太阳能资源潜力是制定能源规划的基础,为区域太阳能资源的开发利用提供基础数据和工程建设指导,现有的方法屋顶识别方式单一,容易存在的干扰与误差。
例如,一种在中国专利文献上公开的“一种分布式光伏资源整合方法、系统、装置及存储介质”,其公告号CN113076855A,法包括:通过卫星获取具有屋顶信息的原始图片;将获取的所述原始图片输入至预训练好的人工智能模型中,从所述原始图片中筛选出能够安装光伏的第一图片;识别所述第一图片的坐标信息,通过大数据算法将所述坐标信息与不同的客户进行位置匹配,获取与所述客户相关联的第二图片;将所述第二图片的坐标信息统计入数据库中,结合气象数据和行业数据分析所述第二图片的潜力数据;根据获取的所述潜力数据对光伏资源进行整合。该方案屋顶识别方式单一,容易存在干扰与误差,抗干扰能力差。
发明内容
本发明主要解决现有技术屋顶识别方式单一,容易存在误差与干扰的问题;提供一种基于机器学习的屋顶光伏潜力评估方法,通过识别模型与分割识别组合,从两种方式识别结果组合判定屋顶面积,识别方式多样,提高识别结果的准确性。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于机器学习的屋顶光伏潜力评估方法,包括以下步骤:
S1:通过卫星或航拍获取建筑物顶部视角的立体遥感影像数据;
S2:复制预处理后的立体遥感影像数据,一份数据输入到训练好的识别模型中,识别屋顶区域;一份数据按额定的长宽尺寸进行矩阵式分割;
S3:分别对矩阵式分割后的每一个矩阵单元数据进行边界识别,复原组合后获得封闭的边界曲线,确定屋顶区域;
S4:根据识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域耦合计算屋顶面积,结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
通过识别模型与分割识别组合,从两种方式识别结果组合判定屋顶面积,识别方式多样,提高识别结果的准确性。
作为优选,通过同时包含MS波段或Pan波段的UNB泛锐化方式对立体遥感影像数据进行预处理。该方法保留了物体图像的颜色。
作为优选,所述的训练好的识别模型采用U-net网络识别。通过机器学习,不断训练模型,识别各种形式的屋顶,去除周边道路、植被的影响。
作为优选,所述的步骤S3具体包括以下步骤:
S301:对每一个矩阵单元数据,提取各数据点的RGB数据;
S302:遍历各数据点,分别与该数据点周围的各点的RGB数据比较,提取边界曲线;
S303:按照矩阵式分割位置,将各矩阵单元复原拼接,连接各边界曲线,形成闭合区域;
S304:闭合区域与数据库中的各屋顶形状匹配;若匹配成功,则定义该闭合区域为屋顶区域;否则,判定为干扰区域并删除该闭合区域。
将大图分割为若干小图,提高计算效率与结果的准确性。
作为优选,所述的步骤S303还包括以下过程:
计算闭合区域面积,判断闭合区域面积是否大于搭建阈值;若是,则判定该闭合区域存在搭建光伏能力,保留该闭合区域;否则,删除该闭合区域。
提前去除不符合搭建标准的屋顶区域。
作为优选,所述的步骤S4中屋顶面积计算过程具体如下:
S401:根据坐标的对应关系,重合对应的识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域;
S402:对于同一个对应的屋顶,两个屋顶区域重合部分确定为建筑屋顶;
S403:对同一个屋顶对应的两个屋顶区域不重合部分进行面积计算;若不重合部分面积小于等于误差面积阈值,则判定该部分面积为非建筑屋顶,删去该部分面积;否则进行下一步判断;
S404:判断不重合部分面积是否为自定义的规则形状;若是,则判断该部分面积为建筑屋顶,否则删去该部分面积;
S405:分别计算判断为建筑屋顶的屋顶面积。
两种方式确定建筑屋顶,使得结果更加准确。
作为优选,所述的步骤S4中屋顶光伏潜力的计算过程如下:
S406:根据卫星定位信息,获取建筑所处台区各季度的日均能耗;
S407:根据气象局统计信息,获取所处的区域各季度的日均光照强度;
S408:分季度评估日均能耗占比;
其中,P为某季度的日均能耗占比;
ρ为单位时间单位面积的光伏转化率;
L为当前季度的日均光照强度;
Sna为第n个建筑屋顶的屋顶面积;
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积;
T为当前季度的日均光照时间;
t为建筑屋顶的遮挡时间;
t1为遮挡开始时间;
t2为遮挡开始时间;
Cd为当前季度该台区的日均能耗;
S409:建立屋顶光伏潜力评估表,不同范围的日均能耗占比对应不同的潜力等级;
S410:对四个季度的日均能耗占比加权平均,对照屋顶潜力评估表,判断屋顶潜力等级。
通过屋顶光伏提供的电能为该台区供电的占比评估其光伏潜力,判断其是否有建设价值。
本发明的有益效果是:
1.通过识别模型与分割识别组合,从两种方式识别结果组合判定屋顶面积,识别方式多样,提高识别结果的准确性。
2.将大图分割为若干小图,提高计算效率与结果的准确性。
附图说明
图1是本发明的屋顶光伏潜力评估方法流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的一种基于机器学习的屋顶光伏潜力评估方法,如图1所示,包括以下步骤:
S1:通过卫星或航拍获取建筑物顶部视角的立体遥感影像数据。
使用与其关联的RPC的立体遥感数据,生成该地区的数字表面模型。
S2:复制预处理后的立体遥感影像数据,一份数据输入到训练好的识别模型中,识别屋顶区域;一份数据按额定的长宽尺寸进行矩阵式分割。
超过70%的光学地球观测卫星和许多现代航空数字相机能够同时拍摄低分辨率多光谱(MS)影像和高分辨率全色(Pan)影像。在不同的传感器MS波段的数量和Pan影像的光谱带宽经常有变化,另外季节性差异和地域性差异也会导致影像信息的差异。
通过同时包含MS波段或Pan波段的UNB泛锐化方式对立体遥感影像数据进行预处理。保留物体图像的颜色,利用最小二乘法来找到MS和Pan波段之间的最佳拟合信息,然后利用此信息来调节影像处理参数,以达到Pan锐化的最佳效果,在融合的过程中对每组Pan和MS影响都根据其影像信息进行分别处理,无论传感器、季节和区域差异如何,它都能持续稳定地获得良好的融合效果。
训练好的识别模型采用U-net网络识别。通过机器学习,不断训练模型,识别各种形式的屋顶,去除周边道路、植被的影响。将采集到的立体遥感数据分为训练集和测试集,通过包含各种屋顶的训练集不断训练U-net网络,最终通过测试集测试,获得一个训练好的识别模型。
S3:分别对矩阵式分割后的每一个矩阵单元数据进行边界识别,复原组合后获得封闭的边界曲线,确定屋顶区域。
S301:对每一个矩阵单元数据,提取各数据点的RGB数据。
S302:遍历各数据点,分别与该数据点周围的各点的RGB数据比较,提取边界曲线。
S303:按照矩阵式分割位置,将各矩阵单元复原拼接,连接各边界曲线,封闭的边界曲线形成闭合区域。
判断拼接后的边界曲线是否均连接成连续的封闭曲线,若是,则结束,进入步骤S304;否则进入下一步判断。
判断边界曲线位于矩阵式图像单元边缘处的端点与其相邻的矩阵式图像单元边缘处最近的边界曲线端点的距离,若距离小于误差阈值,则取两矩阵式图像单元连接处边界曲线端点的中间点为矫正点,将边界曲线的端点移动至矫正点处,拟合为一条曲线;若距离大于误差阈值,则返回步骤S302再次进行边界曲线的识别。
计算闭合区域面积,判断闭合区域面积是否大于搭建阈值;若是,则判定该闭合区域存在搭建光伏能力,保留该闭合区域;否则,删除该闭合区域。
S304:闭合区域与数据库中的各屋顶形状匹配;若匹配成功,则定义该闭合区域为屋顶区域;否则,判定为干扰区域并删除该闭合区域。
S4:根据识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域耦合计算屋顶面积,结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
S401:根据坐标的对应关系,重合对应的识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域。
S402:对于同一个对应的屋顶,两个屋顶区域重合部分确定为建筑屋顶。
S403:对同一个屋顶对应的两个屋顶区域不重合部分进行面积计算;若不重合部分面积小于等于误差面积阈值,则判定该部分面积为非建筑屋顶,删去该部分面积;否则进行下一步判断。
S404:判断不重合部分面积是否为自定义的规则形状;若是,则判断该部分面积为建筑屋顶,否则删去该部分面积。
S405:分别计算判断为建筑屋顶的屋顶面积。
S406:根据卫星定位信息,获取建筑所处台区各季度的日均能耗。
S407:根据气象局统计信息,获取所处的区域各季度的日均光照强度。
S408:分季度评估日均能耗占比;
其中,P为某季度的日均能耗占比;
ρ为单位时间单位面积的光伏转化率;
L为当前季度的日均光照强度;
Sna为第n个建筑屋顶的屋顶面积;
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积;
T为当前季度的日均光照时间;
t为建筑屋顶的遮挡时间;
t1为遮挡开始时间;
t2为遮挡开始时间;
Cd为当前季度该台区的日均能耗;
S409:建立屋顶光伏潜力评估表,不同范围的日均能耗占比对应不同的潜力等级。
S410:对四个季度的日均能耗占比加权平均,对照屋顶潜力评估表,判断屋顶潜力等级。
本方案通过识别模型与分割识别组合,从两种方式识别结果组合判定屋顶面积,识别方式多样,提高识别结果的准确性。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (7)
1.一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,包括以下步骤:
S1:通过卫星或航拍获取建筑物顶部视角的立体遥感影像数据;
S2:复制预处理后的立体遥感影像数据,一份数据输入到训练好的识别模型中,识别屋顶区域;一份数据按额定的长宽尺寸进行矩阵式分割;
S3:分别对矩阵式分割后的每一个矩阵单元数据进行边界识别,复原组合后获得封闭的边界曲线,确定屋顶区域;
S4:根据识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域耦合计算屋顶面积,结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
2.根据权利要求1所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,通过同时包含MS波段或Pan波段的UNB泛锐化方式对立体遥感影像数据进行预处理。
3.根据权利要求1或2所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,所述的训练好的识别模型采用U-net网络识别。
4.根据权利要求1所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,所述的步骤S3具体包括以下步骤:
S301:对每一个矩阵单元数据,提取各数据点的RGB数据;
S302:遍历各数据点,分别与该数据点周围的各点的RGB数据比较,提取边界曲线;
S303:按照矩阵式分割位置,将各矩阵单元复原拼接,连接各边界曲线,封闭的边界曲线形成闭合区域;
S304:闭合区域与数据库中的各屋顶形状匹配;若匹配成功,则定义该闭合区域为屋顶区域;否则,判定为干扰区域并删除该闭合区域。
5.根据权利要求4所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,所述的步骤S303还包括以下过程:
计算闭合区域面积,判断闭合区域面积是否大于搭建阈值;若是,则判定该闭合区域存在搭建光伏能力,保留该闭合区域;否则,删除该闭合区域。
6.根据权利要求1或4或5所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,所述的步骤S4中屋顶面积计算过程具体如下:
S401:根据坐标的对应关系,重合对应的识别模型识别的屋顶区域以及由封闭的边界曲线确定的屋顶区域;
S402:对于同一个对应的屋顶,两个屋顶区域重合部分确定为建筑屋顶;
S403:对同一个屋顶对应的两个屋顶区域不重合部分进行面积计算;若不重合部分面积小于等于误差面积阈值,则判定该部分面积为非建筑屋顶,删去该部分面积;否则进行下一步判断;
S404:判断不重合部分面积是否为自定义的规则形状;若是,则判断该部分面积为建筑屋顶,否则删去该部分面积;
S405:分别计算判断为建筑屋顶的屋顶面积。
7.根据权利要求6所述的一种基于机器学习的屋顶光伏潜力评估方法,其特征在于,所述的步骤S4中屋顶光伏潜力的计算过程如下:
S406:根据卫星定位信息,获取建筑所处台区各季度的日均能耗;
S407:根据气象局统计信息,获取所处的区域各季度的日均光照强度;
S408:分季度评估日均能耗占比;
其中,P为某季度的日均能耗占比;
ρ为单位时间单位面积的光伏转化率;
L为当前季度的日均光照强度;
Sna为第n个建筑屋顶的屋顶面积;
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积;
T为当前季度的日均光照时间;
t为建筑屋顶的遮挡时间;
t1为遮挡开始时间;
t2为遮挡开始时间;
Cd为当前季度该台区的日均能耗;
S409:建立屋顶光伏潜力评估表,不同范围的日均能耗占比对应不同的潜力等级;
S410:对四个季度的日均能耗占比加权平均,对照屋顶潜力评估表,判断屋顶潜力等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358703.8A CN114639023A (zh) | 2021-11-16 | 2021-11-16 | 一种基于机器学习的屋顶光伏潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358703.8A CN114639023A (zh) | 2021-11-16 | 2021-11-16 | 一种基于机器学习的屋顶光伏潜力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639023A true CN114639023A (zh) | 2022-06-17 |
Family
ID=81945814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111358703.8A Pending CN114639023A (zh) | 2021-11-16 | 2021-11-16 | 一种基于机器学习的屋顶光伏潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639023A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220247351A1 (en) * | 2021-01-29 | 2022-08-04 | Sunpower Corporation | Remote site survey for photovoltaic system site |
CN115880691A (zh) * | 2023-03-02 | 2023-03-31 | 国网山东省电力公司东营供电公司 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
-
2021
- 2021-11-16 CN CN202111358703.8A patent/CN114639023A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220247351A1 (en) * | 2021-01-29 | 2022-08-04 | Sunpower Corporation | Remote site survey for photovoltaic system site |
CN115880691A (zh) * | 2023-03-02 | 2023-03-31 | 国网山东省电力公司东营供电公司 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109416413B (zh) | 太阳能预报 | |
Wang et al. | Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching | |
CN114549998A (zh) | 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 | |
CN111583337A (zh) | 一种基于多传感器融合的全方位障碍物检测方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN102147250B (zh) | 一种数字线划图测图方法 | |
CN103729853B (zh) | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 | |
CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
CN114639023A (zh) | 一种基于机器学习的屋顶光伏潜力评估方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN114758252B (zh) | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 | |
CN113325868B (zh) | 一种基于无人机的农作物实时识别系统及方法 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN112100301A (zh) | 一种利用高分遥感技术实现水域岸线动态监测的方法 | |
CN103871072B (zh) | 基于投影数字高程模型的正射影像镶嵌线自动提取方法 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
CN109684914A (zh) | 基于无人机影像智能识别方法 | |
Jin et al. | Road feature extraction from high resolution aerial images upon rural regions based on multi-resolution image analysis and Gabor filters | |
CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
CN114299394A (zh) | 一种遥感影像智能解译方法 | |
CN114581307A (zh) | 用于目标追踪识别的多图像拼接方法、系统、设备及介质 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
Liu et al. | Discovering potential illegal construction within building roofs from UAV images using semantic segmentation and object-based change detection |
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 |