CN117079157A - 一种山区光伏面板单体提取方法 - Google Patents
一种山区光伏面板单体提取方法 Download PDFInfo
- Publication number
- CN117079157A CN117079157A CN202311110764.1A CN202311110764A CN117079157A CN 117079157 A CN117079157 A CN 117079157A CN 202311110764 A CN202311110764 A CN 202311110764A CN 117079157 A CN117079157 A CN 117079157A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic panel
- extracted
- edge
- polygonal
- area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 64
- 239000000178 monomer Substances 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种山区光伏面板提取方法，包括获取待提取光伏面板铺设区域的遥感图像；基于DEM数据对待提取光伏面板铺设区域进行区域划分，得到若干个小区域；基于遥感图像的边缘特征和纹理特征对每个小区域进行分层提取；将提取的所有小区域的分层的结果进行融合，获取全域提取结果；对全域提取结果进行直角化处理得到最终的多边形要素；将最终的多边形要素切分成光伏面板单体。该方法在复杂地表的光伏面板铺设条件下，提取出的光伏面板单体相比于传统的方法具有更好的形态和更高的准确性。
Description
技术领域
本发明涉及遥感技术领域，具体提供一种山区光伏面板单体提取方法。
背景技术
光伏发电是指利用太阳电池将太阳辐射能直接转换成电能，是太阳能发电的主要应用形式之一。我国在光伏面板方面的发展非常迅速，成为全球最大的光伏市场，是光伏面板的主要制造和安装国。深度学习在遥感影像中提取高分辨率光伏面板的方法是一种基于人工神经网络的图像处理技术，与传统的遥感影像分析方法比，深度学习能够更精确地检测和定位光伏面板。主要具有以下优势：
高准确性：深度学习模型具有较高的检测和定位准确性，避免了传统方法中由于遮挡、光照变化等因素导致的误检和漏检问题。
自动化和高效性：深度学习模型可以自动学习并提取光伏面板特征，大大提高了处理效率和减少了人工成本。
然而，深度学习模型在提取高分辨率光伏面板方面仍存在一些缺陷和不足，在进行山区光伏面板单体提取中，传统的自动提取方法和利用纹理或边缘特征设计的卷积神经网络提取方法受限于特征学习的限制，在提取结果上会出现错提和漏提的问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决提取结果上出现的错提和漏提的问题。
本发明提供一种山区光伏面板单体提取方法，包括：
获取待提取光伏面板铺设区域的遥感图像；
基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域；
基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取；
将提取的所有小区域的分层的结果进行融合，获取全域提取结果；
对所述全域提取结果进行直角化处理得到最终的多边形要素；
将所述最终的多边形要素切分成光伏面板单体。
优选地，基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域包括：
获取所述待提取光伏面板铺设区域的DEM数据；
基于所述DEM数据对所述待提取光伏面板铺设区域进行分区，得到若干个小区域。
优选地，基于所述DEM数据对所述待提取光伏面板铺设区域进行分区包括：
基于所述DEM数据计算每个像元的坡度和/或坡向；
基于所述坡度的特征和/或所述坡向的特征将所述待提取光伏面板铺设区域划分为若各干小区域。
优选地，基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取包括：
基于图像处理算法提取每个小区域的边缘特征；
基于纹理分析算法提取每个小区域的纹理特征；
将边缘特征和纹理特征进行融合，得到一个综合的特征表示；
基于所述综合特征，使用聚类算法或分割算法将每个小区域进一步分层提取。
优选地，对所述全域提取结果进行直角化处理得到最终的多边形要素包括：
基于所述全域提取结果获取光伏面板的矢量文件；
基于所述矢量文件确定出待提取光伏面板铺设区域内光伏面板对应的初始多边形要素；
基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素。
优选地，基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素包括：
确定每个所述初始多边形要素中的一个顶点作为起始点；
从起始点开始，按顺时针方向，依次连接相邻的顶点，形成一条边；
计算每条边的斜率；
若所述边的斜率不为零，则将该边延长或缩短，直到其斜率为零，即与x轴平行；继续连接下一个顶点，重复上两个步骤，直到所有的顶点都被连接；通过以上步骤，将多边形的边转化为与x轴或y轴平行的直线段，从而实现多边形的直角化。
优选地，将所述最终的多边形要素切分成光伏面板单体包括：
获取切分信息；
基于所述切分信息对所述多边形要素进行分割，得到若干个单体。
优选地，获取切分信息包括：
绘制切分线，其中所述切分线与待切分的多边形要素相交。
优选地，基于所述切分信息对所述多边形要素进行分割，得到若干个单体包括：
基于所述切分线与待切分的多边形要素的交点，将待切分的多边形要素分割为若干个小面要素，所述小面要素为切分出的光伏面板单体。
优选地，获取待提取光伏面板铺设区域的遥感图像包括：
获取若干张待提取光伏面板铺设区域的初始图像；
对所述初始图像进行预处理；
对所有预处理后的初始图像进行拼接处理，得到待提取光伏面板铺设区域的遥感图像。
本发明提供了一种山区光伏面板单体提取方法，包括获取待提取光伏面板铺设区域的遥感图像；基于DEM数据对待提取光伏面板铺设区域进行区域划分，得到若干个小区域；基于遥感图像的边缘特征和纹理特征对每个小区域进行分层提取；将提取的所有小区域的分层的结果进行融合，获取全域提取结果；对全域提取结果进行直角化处理得到多边形要素；将最终的多边形要素切分成光伏面板单体。与现有技术相比，本发明所提供的山区光伏面板单体提取方法的有益效果为：
首先对待提取光伏面板铺设区域进行区域划分，划分成若干个小区域。可将复杂地表进行简化，使相似光伏面板特征的要素集中在若干个相对独立的子区域内，降低了提取的难度。同时，一般高分影像的数据量较大，提取面积较大时，直接进行提取往往费时费力，甚至出现无法提取的状态，并且对硬件的要求也比较高。通过分区处理后，将较大数据量的影像分成若干个小区域后，可有效分散单一影像的数据量，降低提取过程中由于数据量大造成问题的可能性，同时，也可进行多机多任务并行处理，显著缩短提取的时间。
另外，综合考虑高分遥感影像上光伏面板的纹理和边界特征，利用边缘特征和纹理特征结合的方式对光伏面板进行分层提取，最终将各分区分层提取的结果进行融合，从而获取全域提取结果，相比其他未进行分层直接提取的方法，错提、漏提的效果有明显的改善。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的山区光伏面板单体提取方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的基于遥感图像对待提取光伏面板铺设区域进行区域划分得到若干个小区域的流程示意图；
图3是根据本发明的一个实施例的基于所述DEM数据对所述待提取光伏面板铺设区域进行分区的流程示意图；
图4是根据本发明的一个实施例的基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取的流程示意图；
图5是根据本发明的一个实施例的对全域提取结果进行直角化处理得到多边形要素的流程示意图；
图6是根据本发明的一个实施例的将最终的多边形要素切分成光伏面板单体的流程示意图；
图7是根据本发明的一个实施例的获取待提取光伏面板铺设区域的遥感图像的流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
参阅附图1，图1是根据本发明的一个实施例的检测造假数据的方法的主要步骤流程示意图。如图1所示，本发明实施例中的检测造假数据的方法主要包括下列步骤S1-步骤S6。
本发明提供一种山区光伏面板单体提取方法，包括：
步骤S1、获取待提取光伏面板铺设区域的遥感图像；
本实施例中，待提取光伏面板铺设区域的遥感图像指获取山区光伏面板铺设区域的遥感图像，该图像可以是由航拍、卫星等手段获取的高分辨率影像。
在一个实施方式中，如图7所示，步骤S1、获取待提取光伏面板铺设区域的遥感图像包括：
步骤S11、获取若干张待提取光伏面板铺设区域的初始图像；
步骤S12、对所述初始图像进行预处理；
步骤S13、对所有预处理后的初始图像进行拼接处理，得到待提取光伏面板铺设区域的遥感图像。
本实施例中，当利用无人机拍摄图像时，受到飞行高度和相机焦距的限制，单幅图像往往无法覆盖整个待提取光伏面板铺设区域。因此需要对无人机拍摄的多幅初始图像进行拼接，来获取覆盖整个目标区域的图像。图像拼接技术就是将无人机航摄的很多具有重叠度影像图进行拼接，形成大全景图，就可以获取更为全面、精确的信息。
具体地，在无人机进行航摄的过程中，由于受行摄条件限制，还有机身可能不水平等问题影响，如果直接对无人机所取得遥感图像做拼接，肯定就会产生较大误差，所以图像拼接的首要工作就是要对图像进行预处理。
其中，预处理过程至少包括对初始图像进行几何校正、噪声抑制以及图像增强处理。对初始图像进行几何校正，使其在空间上对应关系更加精确。几何校正包括去除图像畸变、调整图像的旋转、平移和拉伸等。此外，还可以进行噪声抑制和图像增强处理，以提高图像质量和拼接效果。
其次，进行特征提取和图像配准，实现初始图像和参考图像在空间上逐一对应关系。具体地，从初始图像中提取特征点或特征描述符，用于后续图像配准。常用的特征包括角点、边缘、纹理等，特征点是图像中显著的位置，可以在不同图像之间进行匹配，用于确定它们之间的对应关系。通过匹配初始图像和参考图像的特征点或特征描述符，确定它们之间的对应关系。有多种方法可以进行图像配准，例如基于特征点的配准、基于区域的配准和基于相位相关的配准。图像配准的目标是使待拼接图像和参考图像在空间上对齐。
最后，将配准后的图像进行无缝拼接，使拼接后的图像在视觉上连续一致。图像融合可以基于像素级的混合、多频带融合、小波变换等方法。
步骤S2、基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域；
本实施例中，光伏面板由光伏电池组成的阵列板就是将很多光伏电池放置在一个大面板上串联、并联或者混联起来，组成一个大的单元来进行发电，光照的强度和时间会直接影响光伏面板电压和电流的输送。而光照受很多因素的影响：①纬度越低，光照越丰富；②海拔越高，则日照时间长、空气稀薄、大气削弱作用弱、地势高，太阳光的路径短，导致光照丰富；③不同坡向，阴坡阳坡也会大大影响光照强度和时间；④天气因素，例如雨雪天气，也会降低光照强度。
将待提取光伏面板铺设区域进行区域划分得到若干个小区域，可将复杂地表进行简化，使相似光伏面板特征的要素集中在若干个相对独立的子区域内，降低了提取的难度。同时，一般高分影像的数据量较大，提取面积较大时，直接进行提取往往费时费力，甚至出现无法提取的状态，并且对硬件的要求也比较高。通过分区处理后，将较大数据量的影像分成若干个小区域后，可有效分散单一影像的数据量，降低提取过程中由于数据量大造成问题的可能性，同时，也可进行多机多任务并行处理，显著缩短提取的时间。
在一个实施方式中，如图2所示，步骤S2、基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域包括：
步骤S21、获取所述待提取光伏面板铺设区域的DEM数据；
步骤S22、基于所述DEM数据对所述待提取光伏面板铺设区域进行分区，得到若干个小区域。
本实施例中，收集地形数据，包括数字高程模型(DEM)或地形图等。
分区方法可以使用图像处理算法或者基于规则的分割方法。常用的分割算法包括基于阈值的分割、边缘检测和区域生长等方法。
在一个实施方式中，如图3所示，步骤S22、基于所述DEM数据对所述待提取光伏面板铺设区域进行分区包括：
步骤S221、基于所述DEM数据计算每个像元的坡度和/或坡向；
步骤S222、基于所述坡度的特征和/或所述坡向的特征将所述待提取光伏面板铺设区域划分为若各干小区域。
本实施例中，坡度表示地面的陡峭程度，是指地面在水平方向上的变化率。坡向表示地面的方向，即地面下降的方向。
基于所述坡度的特征将所述待提取光伏面板铺设区域划分为若各干小区域具体包括：计算每个像元与相邻像元之间的方位角，来确定坡度；根据光伏面板的要求和可安装的角度范围，设定适当的坡度阈值。例如，假设光伏面板的安装角度范围为10度至30度，那么可以将坡度阈值设定为在此范围内的像素点。将坡度在设定阈值范围内的像素点划分为一个独立的坡度区域。这样可以将光伏面板铺设区域划分为多个不同倾斜程度的小区域。
基于所述坡向的特征将所述待提取光伏面板铺设区域划分为若各干小区域具体包括：计算每个像元与相邻像元之间的高差来确定坡向；根据光伏面板的安装方向要求，设定合适的坡向阈值。例如，如果光伏面板需要面向南方，则可以将坡向阈值设定为在这个范围内的像素点。将坡向在设定阈值范围内的像素点划分为一个独立的坡向区域。这样可以将光伏面板铺设区域划分为多个面向不同方向的小区域。根据坡向的特征将地表划分为不同的区域，根据坡向分区的结果进行相关的地理分析和规划，坡向划分标准如表1所示。
表1
| 坡度 | 坡向 |
| 135°～225° | 阳坡 |
| 225°～315° | 半阳坡 |
| 45°～135° | 半阴坡 |
| 0～45°、315°～360° | 阴坡 |
步骤S3、基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取；
在一个实施方式中，如图4所示，步骤S3、基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取包括：
步骤S31、基于图像处理算法提取每个小区域的边缘特征；
步骤S32、基于纹理分析算法提取每个小区域的纹理特征；
步骤S33、将边缘特征和纹理特征进行融合，得到一个综合的特征表示；
步骤S34、基于所述综合特征，使用聚类算法或分割算法将每个小区域进一步分层提取。
本实施例中，使用边缘检测算法(如Canny算法或Sobel算法)来识别图像中的边界线。边缘特征可以提供地表的几何信息，从而揭示地表的变化和斜度。
使用纹理分析算法来提取每个小区域的纹理特征。纹理特征是指地表表面上的纹理模式，例如纹理的粗糙度、方向和频率等信息。常用的纹理分析方法包括灰度共生矩阵(GLCM)、局部二值模式(LBP)和方向梯度直方图(HOG)等。
将边缘特征和纹理特征进行融合，生成一个综合的特征表示。融合可以通过简单的特征拼接、加权平均或者通过特征选择和降维等方法完成。融合后的综合特征能够更全面地描述每个小区域的地表特征。
使用聚类算法或分割算法对每个小区域进行进一步的分层提取。聚类算法可以将相似的小区域归为一类，从而得到不同斜度的地表区域。分割算法可以将图像分割成若干个连续且具有相似特征的区域，每个区域可以代表一个特定坡度或坡向。
步骤S4、将提取的所有小区域的分层的结果进行融合，获取全域提取结果；融合后的全域提取结果可以为我们提供整个区域的地表地形特征，例如整个区域的坡度等级和坡向分布等信息。
步骤S5、对所述全域提取结果进行直角化处理得到最终的多边形要素；
光伏面板具有特定的几何特征、规范的结构模式，但实际的解译成果往往因为成像误差导致非直角的产生，无法达到预期要求。因此，需要对光伏面板提取结果进行直角化后处理，以进一步提高光伏面板的精确度。
在一个实施方式中，如图5所示，步骤S5、对所述全域提取结果进行直角化处理得到最终的多边形要素包括：
步骤S51、基于所述全域提取结果获取光伏面板的矢量文件；
步骤S52、基于所述矢量文件确定出待提取光伏面板铺设区域内光伏面板对应的初始多边形要素；
步骤S53、基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素。
在一个实施方式中，步骤S53、基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素包括：
确定每个所述初始多边形要素中的一个顶点作为起始点；
从起始点开始，按顺时针方向，依次连接相邻的顶点，形成一条边；
计算每条边的斜率；
若所述边的斜率不为零，则将该边延长或缩短，直到其斜率为零，即与x轴平行；继续连接下一个顶点，重复上两个步骤，直到所有的顶点都被连接；通过以上步骤，将多边形的边转化为与x轴或y轴平行的直线段，从而实现多边形的直角化。
步骤S6、将所述最终的多边形要素切分成光伏面板单体。
在本实施例中，直角化处理后的光伏面板为面板的外围边框，还需进一步进行切分，将光伏面板切分成单体。切分面工具的原理是根据用户绘制的切分线将面要素切分为多个小面要素。
通过细分面工具的切分，可以将一个大的面要素切分为多个小的面要素，可以独立进行属性查询、空间分析等操作。
在一个实施方式中，如图6所示，步骤S6、将所述最终的多边形要素切分成光伏面板单体包括：
步骤S61、获取切分信息；切分信息可以是预先确定的规则，也可以是根据特定需求进行设计的。切分信息的目的是确定切分的位置和方法，
步骤S62、基于所述切分信息对所述多边形要素进行分割，得到若干个单体。分割的方法可以根据切分信息进行选择。通常，我们可以通过将多边形要素沿着切分线或切分点进行分割来得到单体。分割后的单体可以是规则的形状，例如矩形或正方形，也可以是不规则的形状，例如多边形。
在一个实施方式中，步骤S61、获取切分信息包括：
绘制切分线，其中所述切分线与待切分的多边形要素相交。
本实施例中，切分线是用来指示在多边形要素上进行分割的线。它可以是直线、曲线或任何其他形状，只要它与多边形要素相交并且能够将其分割成所需的单体形状。通过绘制切分线，可以明确指定切分的位置和方向。
在一个实施方式中，步骤S62、基于所述切分信息对所述多边形要素进行分割，得到若干个单体包括：
基于所述切分线与待切分的多边形要素的交点，将待切分的多边形要素分割为若干个小面要素，所述小面要素为切分出的光伏面板单体。
本实施例中，切分信息提供了分割多边形要素的依据，以确定分割线的位置和方向。通过分析切分线与待切分的多边形要素的交点，可以将多边形要素分割为若干个小面要素，每个小面要素代表一个切分出的光伏面板单体。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对原始技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种山区光伏面板单体提取方法，其特征在于，包括：
获取待提取光伏面板铺设区域的遥感图像；
基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域；
基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取；
将提取的所有小区域的分层的结果进行融合，获取全域提取结果；
对所述全域提取结果进行直角化处理得到最终的多边形要素；
将所述最终的多边形要素切分成光伏面板单体。
2.根据权利要求1所述的方法，其特征在于，基于DEM数据对所述待提取光伏面板铺设区域进行区域划分，得到若干个小区域包括：
获取所述待提取光伏面板铺设区域的DEM数据；
基于所述DEM数据对所述待提取光伏面板铺设区域进行分区，得到若干个小区域。
3.根据权利要求2所述的方法，其特征在于，基于所述DEM数据对所述待提取光伏面板铺设区域进行分区包括：
基于所述DEM数据计算每个像元的坡度和/或坡向；
基于所述坡度的特征和/或所述坡向的特征将所述待提取光伏面板铺设区域划分为若各干小区域。
4.根据权利要求1所述的方法，其特征在于，基于所述遥感图像的边缘特征和纹理特征对每个所述小区域进行分层提取包括：
基于图像处理算法提取每个小区域的边缘特征；
基于纹理分析算法提取每个小区域的纹理特征；
将边缘特征和纹理特征进行融合，得到一个综合的特征表示；
基于所述综合特征，使用聚类算法或分割算法将每个小区域进一步分层提取。
5.根据权利要求1所述的方法，其特征在于，对所述全域提取结果进行直角化处理得到最终的多边形要素包括：
基于所述全域提取结果获取光伏面板的矢量文件；
基于所述矢量文件确定出待提取光伏面板铺设区域内光伏面板对应的初始多边形要素；
基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素。
6.根据权利要求5所述的方法，其特征在于，基于点追踪和计算几何方法对所述初始多边形要素直角化处理，得到最终的多边形要素包括：
确定每个所述初始多边形要素中的一个顶点作为起始点；
从起始点开始，按顺时针方向，依次连接相邻的顶点，形成一条边；
计算每条边的斜率；
若所述边的斜率不为零，则将所述边延长或缩短，直到其斜率为零，即与x轴平行；继续连接下一个顶点，重复上两个步骤，直到所有的顶点都被连接；通过以上步骤，将多边形的边转化为与x轴或y轴平行的直线段，从而实现多边形的直角化。
7.根据权利要求1所述的方法，其特征在于，将所述最终的多边形要素切分成光伏面板单体包括：
获取切分信息；
基于所述切分信息对所述多边形要素进行分割，得到若干个单体。
8.根据权利要求7所述的方法，其特征在于，获取切分信息包括：
绘制切分线，其中所述切分线与待切分的多边形要素相交。
9.根据权利要求8所述的方法，其特征在于，基于所述切分信息对所述多边形要素进行分割，得到若干个单体包括：
基于所述切分线与待切分的多边形要素的交点，将待切分的多边形要素分割为若干个小面要素，所述小面要素为切分出的光伏面板单体。
10.根据权利要求1-9任意一项的所述的方法，其特征在于，获取待提取光伏面板铺设区域的遥感图像包括：
获取若干张待提取光伏面板铺设区域的初始图像；
对所述初始图像进行预处理；
对所有预处理后的初始图像进行拼接处理，得到待提取光伏面板铺设区域的遥感图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110764.1A CN117079157B (zh) | 2023-08-30 | 2023-08-30 | 一种山区光伏面板单体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311110764.1A CN117079157B (zh) | 2023-08-30 | 2023-08-30 | 一种山区光伏面板单体提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079157A true CN117079157A (zh) | 2023-11-17 |
| CN117079157B CN117079157B (zh) | 2024-06-07 |
Family
ID=88719384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311110764.1A Active CN117079157B (zh) | 2023-08-30 | 2023-08-30 | 一种山区光伏面板单体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079157B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120000732A (ko) * | 2010-06-28 | 2012-01-04 | 서울대학교산학협력단 | 고해상도 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 |
| CN110162838A (zh) * | 2019-04-24 | 2019-08-23 | 南京国电南自新能源工程技术有限公司 | 一种基于dem的山地光伏布置方案优化方法及系统 |
| CN110243354A (zh) * | 2019-07-04 | 2019-09-17 | 桂林理工大学 | 一种城市违法建筑物动态监测方法和系统 |
| CN113240725A (zh) * | 2021-05-19 | 2021-08-10 | 阳光新能源开发有限公司 | 复杂山体有效光照地面面积确定方法、装置和存储介质 |
| CN114758252A (zh) * | 2022-06-16 | 2022-07-15 | 南开大学 | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 |
| CN115187866A (zh) * | 2022-07-25 | 2022-10-14 | 苏州中科天启遥感科技有限公司 | 基于高分辨率影像的生态图斑提取方法 |
-
2023
- 2023-08-30 CN CN202311110764.1A patent/CN117079157B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120000732A (ko) * | 2010-06-28 | 2012-01-04 | 서울대학교산학협력단 | 고해상도 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법 |
| CN110162838A (zh) * | 2019-04-24 | 2019-08-23 | 南京国电南自新能源工程技术有限公司 | 一种基于dem的山地光伏布置方案优化方法及系统 |
| CN110243354A (zh) * | 2019-07-04 | 2019-09-17 | 桂林理工大学 | 一种城市违法建筑物动态监测方法和系统 |
| CN113240725A (zh) * | 2021-05-19 | 2021-08-10 | 阳光新能源开发有限公司 | 复杂山体有效光照地面面积确定方法、装置和存储介质 |
| CN114758252A (zh) * | 2022-06-16 | 2022-07-15 | 南开大学 | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 |
| CN115187866A (zh) * | 2022-07-25 | 2022-10-14 | 苏州中科天启遥感科技有限公司 | 基于高分辨率影像的生态图斑提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁斯铭: "基于卫星和航拍正射图像的光伏目标识别与提取方法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》, 31 August 2021 (2021-08-31), pages 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079157B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | 3D building model reconstruction from multi-view aerial imagery and lidar data | |
| US11995886B2 (en) | Large-scale environment-modeling with geometric optimization | |
| 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 | |
| CN115439424A (zh) | 一种无人机航拍视频图像智能检测方法 | |
| US20030014224A1 (en) | Method and apparatus for automatically generating a site model | |
| CN103729853B (zh) | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 | |
| CN114549956B (zh) | 一种深度学习辅助的倾斜模型建筑物外立面目标识别方法 | |
| CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
| CN110910349A (zh) | 一种基于航拍视觉的风电机组状态获取方法 | |
| CN117079157B (zh) | 一种山区光伏面板单体提取方法 | |
| CN114742876B (zh) | 一种土地视觉立体测量方法 | |
| CN114972672B (zh) | 输电线路实景三维模型构建方法、装置、设备和存储介质 | |
| CN110796042B (zh) | 基于偏移阴影样本形态变换的高分遥感影像建筑物提取方法 | |
| Zhu | A pipeline of 3D scene reconstruction from point clouds | |
| FAN et al. | Intelligent antenna attitude parameters measurement based on deep learning ssd model | |
| Qayyum et al. | Monitoring of vegetation near power lines based on dynamic programming using satellite stereo images | |
| Kim et al. | Automatic generation of digital building models for complex structures from LiDAR data | |
| CN111143913A (zh) | 一种变电站建筑物三维建模方法及系统 | |
| Mao et al. | Large Area Building Detection from Airborne Lidar Data using OSM Trained Superpixel Classification | |
| CN110490069A (zh) | 一种基于降采样局部差分二进制的遥感图像目标识别方法 | |
| CN118658015B (zh) | 基于深度学习的地图资源识别方法、系统及存储介质 | |
| US20240312205A1 (en) | Large-scale environment-modeling with geometric optimization | |
| CN116645605B (zh) | 一种建筑群屋顶光伏资源的智能勘测方法及电子设备 | |
| Wang et al. | 3D model of building based on multi-source data fusion | |
| Luan et al. | Review of buildings information extraction based on single high-resolution remote sensing images |
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 |