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 PDF

Info

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
Application number
CN202310186361.9A
Other languages
English (en)
Other versions
CN115880691B (zh
Inventor
冯媛媛
梁小姣
姜吉平
李文杰
孙永健
贾楠
张瑞春
袁德花
高山杉
来晓帅
徐永健
王宗军
刘阳
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.)
Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
Original Assignee
Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
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 Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co filed Critical Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
Priority to CN202310186361.9A priority Critical patent/CN115880691B/zh
Publication of CN115880691A publication Critical patent/CN115880691A/zh
Application granted granted Critical
Publication of CN115880691B publication Critical patent/CN115880691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于计算机视觉的屋顶光伏潜力估计方法
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；
步骤5：计算区域内所有屋顶表面的年太阳辐射
Figure SMS_1
，具体公式如下：/>
Figure SMS_2
；
其中，
Figure SMS_3
表示第i个屋顶的面积，/>
Figure SMS_4
表示一年中第m个月的第d天中的h和h+ 1小时之间的修正后的真实太阳辐射，i表示一个屋顶的数量，m表示月份，h表示24小时系统中的时间，d表示当月的天数；
Figure SMS_5
计算公式如下：
Figure SMS_6
；
其中，
Figure SMS_7
为晴朗天空条件下的水平太阳辐射，/>
Figure SMS_8
为月大气透射率，/>
Figure SMS_9
为晴朗天空条件下的水平太阳漫射，/>
Figure SMS_10
为月扩散比；
根据所述月大气透过率
Figure SMS_11
和月扩散比/>
Figure SMS_12
的计算公式如下：
Figure SMS_13
；
Figure SMS_14
；
其中，
Figure SMS_15
为一个月晴天的比例，/>
Figure SMS_16
为一个月阴天的比例。
优选的，所述特征提取和图像分割具体步骤如下：
步骤2-1：将标记好的屋顶样本图像输入swin transformer模型中的第一大结构块；所述屋顶样本图像大小为
Figure SMS_17
，其中H表示屋顶样本图像的高，W表示屋顶样本图像的宽，3为屋顶样本图像的通道数；
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
Figure SMS_18
的特征图，将此特征图通过一个1×1卷积得到/>
Figure SMS_19
的特征图；
步骤2-3：将
Figure SMS_20
的特征图输入到第三大结构块，得到/>
Figure SMS_21
的特征图；
步骤2-4：将
Figure SMS_22
的特征图输入到第三大结构块，得到/>
Figure SMS_23
的特征图，形成一种层次化特征；
步骤2-5：将
Figure SMS_24
的特征图输入至特征聚合模块，输出屋顶分割结果。
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
Figure SMS_25
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/>
Figure SMS_26
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；
步骤2-1-2：将输出的特征向量通过线性编码，将输出张量映射到任意维度C，再输入到swin transformer block中处理得到
Figure SMS_27
的特征向量。
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：
Figure SMS_28
；
式中，
Figure SMS_29
表示特征向量，W-MSA是指基于窗口的自注意力操作，LN是指层标准化操作，/>
Figure SMS_30
表示block l在经过基于窗口的自注意力机制之后的输出特征；
步骤2-1-2-2：对
Figure SMS_31
依次通过层标准化与全连接层处理，具体公式如下：
Figure SMS_32
；
式中，
Figure SMS_33
表示block l在经过多层感知机之后的输出特征，MLP表示多层感知机；
步骤2-1-2-3：将
Figure SMS_34
输入到对偶block中，经过层标准化与基于移动窗口的自注意力机制得到/>
Figure SMS_35
，具体公式如下：
Figure SMS_36
；
式中，
Figure SMS_37
表示对偶block的输出，SW-MSA表示基于移动窗口的自注意力机制；
步骤2-1-2-4：将
Figure SMS_38
通过层标准化与全连接层，得到swin transformer block的输出/>
Figure SMS_39
，得到/>
Figure SMS_40
的特征向量，大小为/>
Figure SMS_41
；
Figure SMS_42
；
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2-5-2：通过池化操作将
Figure SMS_43
的特征图分别生成1/64、1/128、1/256、1/512分辨率的特征图；
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：将标记好的屋顶样本图像输入swin transformer模型中的第一大结构块；所述屋顶样本图像大小为
Figure SMS_44
，其中H表示屋顶样本图像的高，W表示屋顶样本图像的宽，3为屋顶样本图像的通道数。
步骤2-1-1：将训练集为
Figure SMS_45
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/>
Figure SMS_46
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。
步骤2-1-2：将输出的特征向量通过线性编码，将输出张量映射到任意维度C，再输入到swin transformer block中处理得到
Figure SMS_47
的特征向量。
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：
Figure SMS_48
；
式中，
Figure SMS_49
表示特征向量，W-MSA是指基于窗口的自注意力操作，LN是指层标准化操作，/>
Figure SMS_50
表示block l在经过基于窗口的自注意力机制之后的输出特征；
步骤2-1-2-2：对
Figure SMS_51
依次通过层标准化与全连接层处理，具体公式如下：
Figure SMS_52
；
式中，
Figure SMS_53
表示block l在经过多层感知机之后的输出特征，MLP表示多层感知机；/>
步骤2-1-2-3：将
Figure SMS_54
输入到对偶block中，经过层标准化与基于移动窗口的自注意力机制得到/>
Figure SMS_55
，具体公式如下：
Figure SMS_56
；
式中，
Figure SMS_57
表示对偶block的输出，SW-MSA表示基于移动窗口的自注意力机制；
步骤2-1-2-4：将
Figure SMS_58
通过层标准化与全连接层，得到swin transformer block的输出/>
Figure SMS_59
，得到/>
Figure SMS_60
的特征向量，大小为/>
Figure SMS_61
；
Figure SMS_62
；
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
Figure SMS_63
的特征图，将此特征图通过一个1×1卷积得到/>
Figure SMS_64
的特征图。
步骤2-3：将
Figure SMS_65
的特征图输入到第三大结构块，得到/>
Figure SMS_66
的特征图；
步骤2-4：将
Figure SMS_67
的特征图输入到第三大结构块，得到/>
Figure SMS_68
的特征图，形成一种层次化特征。
步骤2-5：将
Figure SMS_69
的特征图输入至特征聚合模块，输出屋顶分割结果。
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2-5-2：通过池化操作将
Figure SMS_70
的特征图分别生成1/64、1/128、1/256、1/512分辨率的特征图。
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
Figure SMS_71
，具体公式如下：
Figure SMS_72
；
其中，
Figure SMS_73
表示第i个屋顶的面积，/>
Figure SMS_74
表示一年中第m个月的第d天中的h和h+ 1小时之间的修正后的真实太阳辐射，i表示一个屋顶的数量，m表示月份，h表示24小时系统中的时间，d表示当月的天数；
Figure SMS_75
计算公式如下：
Figure SMS_76
；
其中，
Figure SMS_77
为晴朗天空条件下的水平太阳辐射，/>
Figure SMS_78
为月大气透射率，/>
Figure SMS_79
为晴朗天空条件下的水平太阳漫射，/>
Figure SMS_80
为月扩散比；
根据所述月大气透过率
Figure SMS_81
和月扩散比/>
Figure SMS_82
的计算公式如下：
Figure SMS_83
；
Figure SMS_84
；
其中，
Figure SMS_85
为一个月晴天的比例，/>
Figure SMS_86
为一个月阴天的比例。
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
Figure SMS_87
。
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；
步骤5：计算区域内所有屋顶表面的年太阳辐射
Figure QLYQS_1
，具体公式如下：
Figure QLYQS_2
；
其中，
Figure QLYQS_3
表示第i个屋顶的面积，/>
Figure QLYQS_4
表示一年中第m个月的第d天中的h和h + 1小时之间的修正后的真实太阳辐射，i表示一个屋顶的数量，m表示月份，h表示24小时系统中的时间，d表示当月的天数；
Figure QLYQS_5
计算公式如下：
Figure QLYQS_6
；
其中，
Figure QLYQS_7
为晴朗天空条件下的水平太阳辐射，/>
Figure QLYQS_8
为月大气透射率，/>
Figure QLYQS_9
为晴朗天空条件下的水平太阳漫射，/>
Figure QLYQS_10
为月扩散比；
根据所述月大气透过率
Figure QLYQS_11
和月扩散比/>
Figure QLYQS_12
的计算公式如下：
Figure QLYQS_13
；
Figure QLYQS_14
；
其中，
Figure QLYQS_15
为一个月晴天的比例，/>
Figure QLYQS_16
为一个月阴天的比例。
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2-1：将标记好的屋顶样本图像输入swin transformer模型中的第一大结构块；所述屋顶样本图像大小为
Figure QLYQS_17
，其中H表示屋顶样本图像的高，W表示屋顶样本图像的宽，3为屋顶样本图像的通道数；
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
Figure QLYQS_18
的特征图，将此特征图通过一个1×1卷积得到/>
Figure QLYQS_19
的特征图；
步骤2-3：将
Figure QLYQS_20
的特征图输入到第三大结构块，得到/>
Figure QLYQS_21
的特征图；
步骤2-4：将
Figure QLYQS_22
的特征图输入到第三大结构块，得到/>
Figure QLYQS_23
的特征图，形成一种层次化特征；
步骤2-5：将
Figure QLYQS_24
的特征图输入至特征聚合模块，输出屋顶分割结果。
3.根据权利要求2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，所述步骤2-1具体步骤如下：
步骤2-1-1：将训练集分为
Figure QLYQS_25
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/>
Figure QLYQS_26
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；
步骤2-1-2：将输出的特征向量通过线性编码，将输出张量映射到任意维度C，再输入到swin transformer block中处理得到
Figure QLYQS_27
的特征向量。
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：
Figure QLYQS_28
；
式中，
Figure QLYQS_29
表示特征向量，W-MSA是指基于窗口的自注意力操作，LN是指层标准化操作，
Figure QLYQS_30
表示block l在经过基于窗口的自注意力机制之后的输出特征；
步骤2-1-2-2：对
Figure QLYQS_31
依次通过层标准化与全连接层处理，具体公式如下：
Figure QLYQS_32
；
式中，
Figure QLYQS_33
表示block l在经过多层感知机之后的输出特征，MLP表示多层感知机；
步骤2-1-2-3：将
Figure QLYQS_34
输入到对偶block中，经过层标准化与基于移动窗口的自注意力机制得到/>
Figure QLYQS_35
，具体公式如下：
Figure QLYQS_36
；
式中，
Figure QLYQS_37
表示对偶block的输出，SW-MSA表示基于移动窗口的自注意力机制；
步骤2-1-2-4：将
Figure QLYQS_38
通过层标准化与全连接层，得到swin transformer block的输出
Figure QLYQS_39
，得到/>
Figure QLYQS_40
的特征向量，大小为/>
Figure QLYQS_41
；
Figure QLYQS_42
；
式中，MLP表示多层感知机。
5.根据权利要求2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2-5-2：通过池化操作将
Figure QLYQS_43
的特征图分别生成1/64、1/128、1/256、1/512分辨率的特征图；
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。
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。
CN202310186361.9A 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 Active CN115880691B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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