CN115880691A - 一种基于计算机视觉的屋顶光伏潜力估计方法 - Google Patents
一种基于计算机视觉的屋顶光伏潜力估计方法 Download PDFInfo
- Publication number
- CN115880691A CN115880691A CN202310186361.9A CN202310186361A CN115880691A CN 115880691 A CN115880691 A CN 115880691A CN 202310186361 A CN202310186361 A CN 202310186361A CN 115880691 A CN115880691 A CN 115880691A
- Authority
- CN
- China
- Prior art keywords
- roof
- feature
- block
- swin
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于计算机视觉的屋顶光伏潜力估计方法,属于工商业建筑屋顶光伏潜力估计技术领域。包括以下步骤,制作屋顶数据集;并将屋顶数据集划分为测试集和训练集。构建和训练建筑屋顶提取模型,将测试集输入到建筑屋顶提取模型进行特征提取和图像分割,并得到模型训练权重。将测试集输入到训练好的建筑屋顶提取模型中,对屋顶进行分割,最终根据模型分割结果进行屋顶光伏潜力的估计。根据得到的建筑屋顶分割结果,将其作为一个水平面,计算区域内所有屋顶表面的年太阳辐射ASR。本发明实现了从图像到实际建筑屋顶光伏潜力估计的自动化,最大限度了减少了不同因素对模型准确率的影响,可以对区域工商业建筑屋顶光伏潜力进行估计与预测。
Description
技术领域
本发明涉及一种基于计算机视觉的屋顶光伏潜力估计方法,属于工商业建筑屋顶光伏潜力估计技术领域。
背景技术
太阳能在建筑用电以及节能方面发挥了重要作用。而在城乡布局中,太阳能光伏板主要放置于建筑屋顶,屋顶所能接收到的太阳能与太阳辐射面积以及强度密切相关。通过确定有利的太阳能位置,选择屋顶作为光伏安装的主要位置,可以避免电能传输造成的分布式发电量的损失。尤其是对于高层建筑,通过准确估计屋顶的可用面积对于发挥太阳能光伏的潜力具有重要意义。而为了进一步估计城市屋顶光伏潜力,需要采集一定区域内的屋顶图片,并针对屋顶可用于放置太阳能板的面积进行提取与计算。而在实际的应用中,由于屋顶图像的尺度变化以及分辨率较高,使得屋顶提取模型容易出现计算量较高以及多尺度建模等问题,降低屋顶提取模型的工作效率,进而影响城市屋顶光伏潜力估计的精度。
发明内容
本发明目的是提供了一种基于计算机视觉的屋顶光伏潜力估计方法,利用swintransformer基于移动窗口和层级表达的架构来客服计算量较高以及多尺度建模问题,同时应用特征聚合模块融合上下文信息,用于进一步提高屋顶图像提取的精度与速度,并最终根据一定区域内的屋顶图片,针对屋顶可用于放置太阳能板的面积进行提取与计算。
本发明为实现上述目的,通过以下技术方案实现:
步骤1:制作屋顶数据集,并划分测试集和训练集;
获取采样区域图像,采集平屋顶与斜屋顶两种类型的建筑屋顶图像,对图像预处理只保留人工建筑表面,并进行数据增强,得到预处理后的屋顶图像;利用图像标记软件标记屋顶图像的位置与类型,得到屋顶数据集,并将屋顶数据集划分为测试集和训练集;
步骤2:构建和训练swin transformer模型,将测试集输入到模型进行特征提取和图像分割,并得到模型训练权重;
所述swin transformer模型包括四个大结构块和特征聚合模块,第一大结构块包括一个补丁分区和一个swin transformer block;第二大结构块、第三大结构块、第四大结构块均包括一个补丁合并层和两个swin transformer block;所述特征聚合模块包括池化层、上采样、分层融合以及拼接压缩;
步骤3:将测试集输入到训练好的swin transformer模型中对屋顶分割;
步骤4:根据得到的建筑屋顶分割结果,将其作为一个水平面,将照射到该水平面的太阳辐射分为直接辐射和漫射辐射;
优选的,所述特征提取和图像分割具体步骤如下:
步骤2-2:将第一大结构块的输出输入至第二大结构块,补丁合并层每隔一个补丁间隔进行抽取,并将抽取的补丁进行合并,得到4个特征图,并在维度C进行融合得到的特征图,将此特征图通过一个1×1卷积得到/>的特征图;
优选的,所述步骤2-1具体步骤如下:
步骤2-1-1:将训练集分为个补丁,每个补丁展平为48维的标记向量,输入补丁分区,输出/>的二维补丁序列,即特征向量,将屋顶样本图像拆分为非重叠等尺寸的带有N个标记的大小为4×4的补丁,所述补丁通道数为3;
优选的,swin transformer block处理的具体步骤如下:
步骤2-1-2-1:将调整后的特征向量通过层标准化与基于窗口的自注意力机制处理,具体公式如下:
式中,MLP表示多层感知机。
优选的,所述步骤2-5具体步骤如下:
步骤2-5-1:设置特征聚合模块的输入特征图为1/64分辨率;
步骤2-5-3:通过1×1卷积将池化后的特征图进行上采样,放大特征图;通过多个3×3卷积以分层残差方式融合不同尺度的上下文信息,之后拼接所有特征图并使用1×1卷积压缩通道。
优选的,所述特征聚合模块还增加了深度可分离卷积作为捷径,便于对模块进行优化。
本发明的优点在于:本发明在屋顶提取模型中采用改进的swin transformer语义分割模型进行学习与训练,此模型在计算复杂度以及精度方面有着较高的优势,尤其是基于窗口或移位窗口的自注意力机制,在减少模型复杂度的同时提升了模型推理速度。同时最后的特征聚合模块在几乎不影响推理速度的同时提升了分割精度。利用swintransformer基于移动窗口和层级表达的架构来客服计算量较高以及多尺度建模问题,同时应用特征聚合模块融合上下文信息,用于进一步提高屋顶图像提取的精度与速度,并最终根据一定区域内的屋顶图片,针对屋顶可用于放置太阳能板的面积进行提取与计算。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为基于计算机视觉的语义分割模型架构示意图。
图2为swin transformer block结构示意图。
图3为特征聚合模块结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于计算机视觉的屋顶光伏潜力估计方法,基于计算机视觉的屋顶光伏潜力估计方法与系统主要针对超高分辨率图像所带来的计算量以及多尺度特征提取等问题,采用改进的swin Transformer作为语义分割模型,一方面利用其自注意力机制,将窗口自注意力机制与移动窗口自注意力机制进行串联,帮助模型获得全局注意力能力,并将计算量限制在每个窗口中,大大地减少了运算量,提高了模型推理速度。另一方面,在每一个大结构块中,Swin Transformer在每个模块中都会进行补丁合并等操作,可以理解为下采样操作,增加了下一次窗口注意力运算在原始图像上的感受野,从而对输入图像进行了多尺度的特征提取,因而可以提取到更多尺度的特征,便于后续的像素分割。最后添加特征聚合模块,在不影响推理速度的情况下融合上下文信息,提高分割精度。 整体来说,采用改进的swin transformer作为屋顶光伏潜力估计的语义分割模型,可以从处理后的卫星图像中进行各类工商业建筑屋顶的特征提取与分割,同时模型计算量的减少也进一步优化了模型的大小与推理速度,从而使整个系统具备了模型小、训练成本低、准确率高以及推理速度快等特点,实现了从卫星图像到实际建筑屋顶光伏潜力估计的自动化,最大限度了减少了不同因素对模型准确率的影响,可以对区域工商业建筑屋顶光伏潜力进行估计与预测。
实施例1
本发明为实现上述目的,通过以下技术方案实现:
步骤1:制作屋顶数据集。
获取采样区域图像,对区域内的建筑屋顶进行抽样,采集平屋顶与斜屋顶两种类型的建筑屋顶图像,对图像预处理只保留人工建筑表面,并进行数据增强,得到预处理后的屋顶图像,利用labelme等图像标记软件标记屋顶图像的位置与类型,得到屋顶数据集,并将屋顶数据集划分为测试集和训练集。
步骤2:构建和训练swin transformer模型,将测试集输入到模型进行特征提取和图像分割,并得到模型训练权重。将改进的swin transformer作为语义分割模型,用于对训练样本中屋顶图像的提取与学习,利用带移动窗口的自注意力机制,将窗口自注意力机制与移动窗口自注意力机制进行串联,帮助模型获得全局注意力能力,并将计算量限制在每个窗口中,有效减少运算量,提高模型推理速度。
所述swin transformer模型包括四个大结构块和特征聚合模块,第一大结构块包括一个补丁分区和一个swin transformer block;第二大结构块、第三大结构块、第四大结构块均包括一个补丁合并层和两个swin transformer block;所述特征聚合模块包括池化层、上采样、分层融合以及拼接压缩。
所述特征提取和图像分割具体步骤如下:
步骤2-1-1:将训练集为个补丁,每个补丁展平为48维的标记向量,输入补丁分区,输出/>的二维补丁序列,即特征向量,将屋顶样本图像拆分为非重叠等尺寸的带有N个标记的大小为4×4的补丁,所述补丁通道数为3。
swin transformer block处理的具体步骤如下:
步骤2-1-2-1:将调整后的特征向量通过层标准化与基于窗口的自注意力机制处理,具体公式如下:
式中,MLP表示多层感知机。
步骤2-2:将第一大结构块的输出输入至第二大结构块,补丁合并层每隔一个补丁间隔进行抽取,并将抽取的补丁进行合并,得到4个特征图,并在维度C进行融合得到的特征图,将此特征图通过一个1×1卷积得到/>的特征图。
所述步骤2-5具体步骤如下:
步骤2-5-1:设置特征聚合模块的输入特征图为1/64分辨率。
步骤2-5-3:通过1×1卷积将池化后的特征图进行上采样,放大特征图;通过多个3×3卷积以分层残差方式融合不同尺度的上下文信息,之后拼接所有特征图并使用1×1卷积压缩通道。
步骤3:将测试集输入到训练好的swin transformer模型中,对屋顶的分割,最终根据模型分割结果进行屋顶光伏潜力的估计。
步骤4:根据得到的建筑屋顶分割结果,将其作为一个水平面,将照射到该水平面的太阳辐射分为直接辐射和漫射辐射,即该区域工商业建筑屋顶面积区域进行测算。
步骤5:结合该区域晴朗天气下的太阳辐射量以及不同天气状况等影响因素,按照不同季节等分类依据对屋顶所能接收到的辐射量进行估计,从而合理估计不同工商业建筑屋顶的潜在装机容量和潜在年发电量,计算区域内所有屋顶表面的年太阳辐射,具体公式如下:
实施例2
特征聚合模块虽然具有较多的卷积层,但将其输入设置为1/64分辨率,几乎不会影响推理速度,同时也促进了上下文关键信息的融合,提升了分割精度。在初步的实验过程中,增加特征聚合模块与原始模型的精度与参数对比如表1所示。
表1 特征聚合模块与原始模型的精度与参数对比表
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于计算机视觉的屋顶光伏潜力估计方法,其特征在于,包括以下步骤:
步骤1:制作屋顶数据集,并划分测试集和训练集;
获取采样区域图像,采集平屋顶与斜屋顶两种类型的建筑屋顶图像,对图像预处理只保留人工建筑表面,并进行数据增强,得到预处理后的屋顶图像;利用图像标记软件标记屋顶图像的位置与类型,得到屋顶数据集,并将屋顶数据集划分为测试集和训练集;
步骤2:构建和训练swin transformer模型,将测试集输入到模型进行特征提取和图像分割,并得到模型训练权重;
所述swin transformer模型包括四个大结构块和特征聚合模块,第一大结构块包括一个补丁分区和一个swin transformer block;第二大结构块、第三大结构块、第四大结构块均包括一个补丁合并层和两个swin transformer block;所述特征聚合模块包括池化层、上采样、分层融合以及拼接压缩;
步骤3:将测试集输入到训练好的swin transformer模型中对屋顶分割;
步骤4:根据得到的建筑屋顶分割结果,将其作为一个水平面,将照射到该水平面的太阳辐射分为直接辐射和漫射辐射;
2.根据权利要求1所述的基于计算机视觉的屋顶光伏潜力估计方法,其特征在于,所述特征提取和图像分割具体步骤如下:
步骤2-2:将第一大结构块的输出输入至第二大结构块,补丁合并层每隔一个补丁间隔进行抽取,并将抽取的补丁进行合并,得到4个特征图,并在维度C进行融合得到的特征图,将此特征图通过一个1×1卷积得到/>的特征图;
4.根据权利要求3所述的基于计算机视觉的屋顶光伏潜力估计方法,其特征在于,swintransformer block处理的具体步骤如下:
步骤2-1-2-1:将调整后的特征向量通过层标准化与基于窗口的自注意力机制处理,具体公式如下:
式中,MLP表示多层感知机。
6.根据权利要求5所述的基于计算机视觉的屋顶光伏潜力估计方法,其特征在于,所述特征聚合模块还增加了便于对模块进行优化的深度可分离卷积作为捷径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186361.9A CN115880691B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186361.9A CN115880691B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880691A true CN115880691A (zh) | 2023-03-31 |
CN115880691B CN115880691B (zh) | 2023-05-23 |
Family
ID=85761759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310186361.9A Active CN115880691B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880691B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452367A (zh) * | 2023-12-21 | 2024-01-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号提取方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7305983B1 (en) * | 2003-07-08 | 2007-12-11 | University Of Hawai'i | Assessment of solar energy potential on existing buildings in a region |
EP2202483A1 (de) * | 2008-12-24 | 2010-06-30 | Georg Ludes | Verfahren zur Ermittlung des energetischen Potenzials der Photovoltaik und/oder der Solarthermie in bebauten Gebieten |
US20130226537A1 (en) * | 2011-08-30 | 2013-08-29 | Joon-Bum JEE | Method and apparatus for providing one layer solar radiation model for calculation of insolation |
US20150177415A1 (en) * | 2012-05-30 | 2015-06-25 | Neo Virtus Engineering, Inc. | Method and Apparatus For Forecasting Solar Radiation And Solar Power Production Using Synthetic Irradiance Imaging |
CN110175375A (zh) * | 2019-05-13 | 2019-08-27 | 中国科学院遥感与数字地球研究所 | 一种基于深度学习的地表太阳辐射计算方法 |
WO2020035637A1 (fr) * | 2018-08-17 | 2020-02-20 | Noveltis | Procédé de détermination du potentiel énergétique d'une toiture d'un bâtiment |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN113674253A (zh) * | 2021-08-25 | 2021-11-19 | 浙江财经大学 | 基于U-Transformer的直肠癌CT影像自动分割方法 |
CN114529552A (zh) * | 2022-03-03 | 2022-05-24 | 北京航空航天大学 | 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法 |
CN114549998A (zh) * | 2021-11-16 | 2022-05-27 | 国网浙江省电力有限公司经济技术研究院 | 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 |
CN114639023A (zh) * | 2021-11-16 | 2022-06-17 | 国网浙江省电力有限公司经济技术研究院 | 一种基于机器学习的屋顶光伏潜力评估方法 |
CN114881399A (zh) * | 2022-03-25 | 2022-08-09 | 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 |
CN115660887A (zh) * | 2022-09-27 | 2023-01-31 | 国网四川省电力公司成都供电公司 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
-
2023
- 2023-03-02 CN CN202310186361.9A patent/CN115880691B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7305983B1 (en) * | 2003-07-08 | 2007-12-11 | University Of Hawai'i | Assessment of solar energy potential on existing buildings in a region |
EP2202483A1 (de) * | 2008-12-24 | 2010-06-30 | Georg Ludes | Verfahren zur Ermittlung des energetischen Potenzials der Photovoltaik und/oder der Solarthermie in bebauten Gebieten |
US20130226537A1 (en) * | 2011-08-30 | 2013-08-29 | Joon-Bum JEE | Method and apparatus for providing one layer solar radiation model for calculation of insolation |
US20150177415A1 (en) * | 2012-05-30 | 2015-06-25 | Neo Virtus Engineering, Inc. | Method and Apparatus For Forecasting Solar Radiation And Solar Power Production Using Synthetic Irradiance Imaging |
WO2020035637A1 (fr) * | 2018-08-17 | 2020-02-20 | Noveltis | Procédé de détermination du potentiel énergétique d'une toiture d'un bâtiment |
CN110175375A (zh) * | 2019-05-13 | 2019-08-27 | 中国科学院遥感与数字地球研究所 | 一种基于深度学习的地表太阳辐射计算方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN113674253A (zh) * | 2021-08-25 | 2021-11-19 | 浙江财经大学 | 基于U-Transformer的直肠癌CT影像自动分割方法 |
CN114549998A (zh) * | 2021-11-16 | 2022-05-27 | 国网浙江省电力有限公司经济技术研究院 | 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 |
CN114639023A (zh) * | 2021-11-16 | 2022-06-17 | 国网浙江省电力有限公司经济技术研究院 | 一种基于机器学习的屋顶光伏潜力评估方法 |
CN114529552A (zh) * | 2022-03-03 | 2022-05-24 | 北京航空航天大学 | 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法 |
CN114881399A (zh) * | 2022-03-25 | 2022-08-09 | 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 |
CN115660887A (zh) * | 2022-09-27 | 2023-01-31 | 国网四川省电力公司成都供电公司 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZE LIU ET AL: "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows", 《ARXIV》 * |
ZHISHE WANG ET AL: "SwinFuse: A Residual Swin Transformer Fusion Network for Infrared and Visible Images", 《IEEE》 * |
张华;王立雄;李卓;: "城市建筑光伏利用潜力评估", 建筑节能 * |
李洲等: "三维环境下的建筑表面太阳能潜力估计", 《福州大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452367A (zh) * | 2023-12-21 | 2024-01-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号提取方法及装置 |
CN117452367B (zh) * | 2023-12-21 | 2024-03-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115880691B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Si et al. | Hybrid solar forecasting method using satellite visible images and modified convolutional neural networks | |
CN110909666A (zh) | 一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法 | |
CN113936204B (zh) | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 | |
CN115880691B (zh) | 一种基于计算机视觉的屋顶光伏潜力估计方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
Song et al. | A novel sky image-based solar irradiance nowcasting model with convolutional block attention mechanism | |
CN114021741A (zh) | 一种基于深度学习的光伏电池板巡检方法 | |
CN115953408A (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
CN112949612A (zh) | 一种基于无人机高分辨率遥感影像海岸带地物分类方法 | |
CN114266984B (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
Yang et al. | Statistical downscaling of numerical weather prediction based on convolutional neural networks | |
CN116343053A (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
CN111652126A (zh) | 一种基于卫星云图的反演辐射方法 | |
CN115272278A (zh) | 一种用于遥感图像变化检测的变化检测模型的构建方法 | |
Yan et al. | Estimation of urban-scale photovoltaic potential: A deep learning-based approach for constructing three-dimensional building models from optical remote sensing imagery | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
CN116403071B (zh) | 基于特征重构的少样本混凝土缺陷检测方法及装置 | |
Joshi et al. | Rooftop detection for planning of solar PV deployment: a case study in Abu Dhabi | |
CN111160602A (zh) | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 | |
CN115564100A (zh) | 光伏功率预测方法、系统及设备 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN115861260A (zh) | 一种面向广域城市场景下的深度学习变化检测方法 | |
CN114898088A (zh) | 基于嵌入余弦自注意力模块的光伏电池外观缺陷检测方法 |
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 |