KR102612681B1 - 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 - Google Patents
인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 Download PDFInfo
- Publication number
- KR102612681B1 KR102612681B1 KR1020210170139A KR20210170139A KR102612681B1 KR 102612681 B1 KR102612681 B1 KR 102612681B1 KR 1020210170139 A KR1020210170139 A KR 1020210170139A KR 20210170139 A KR20210170139 A KR 20210170139A KR 102612681 B1 KR102612681 B1 KR 102612681B1
- Authority
- KR
- South Korea
- Prior art keywords
- solar panel
- artificial intelligence
- image
- sar
- detection unit
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title abstract description 12
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000010287 polarization Effects 0.000 claims abstract description 9
- 230000001174 ascending effect Effects 0.000 claims abstract description 5
- 238000003912 environmental pollution Methods 0.000 abstract description 6
- 238000010191 image analysis Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
- G06Q50/10—Services
-
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
본 발명은 자동으로 영상분석을 통하여 정확하게 태양광패널을 감지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있는 위성 레이다를 이용한 태양광패널 모니터링 시스템 및 방법에 관한 것이다. 이를 위하여, 본 발명은 시간대별로 복수의 SAR영상을 획득하는 SAR영상획득부; 상기 획득된 SAR영상을 정합 및 보정하는 전처리부; 상기 복수의 SAR영상을 이용하여 영상이 변화한 정도를 감지하는 영상변화감지부; 상기 영상변화감지부에서 감지된 변화값의 임계값을 이용하여 태양광패널 여부를 판단하는 태양광패널탐지부를 포함하여 구성되는 위성 레이다를 이용한 태양광패널 모니터링 시스템을 제공한다. 또한, 액티브 센서 촬영모듈인 어센딩 및 디센딩을 구분하고, VV편파 및 VH편파를 이용한 SAR영상에 대한 데이터를 각각 산출하여 총 4가지로 구분하여 학습데이터를 구축하는 인공지능학습데이터구축부 및 상기 구축된 영상을 학습데이터셋으로 생성 후, 인공지능모델에 적용하여 가중치를 생성함으로써 태양광패널 여부를 판단하기 위한 인공지능모델을 생성하는 인공지능모델생성부를 포함할 수 있다.
따라서, 본 발명에 의하면, 상시적으로 영상분석을 통하여 정확하게 태양광패널을 탐지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있다.
따라서, 본 발명에 의하면, 상시적으로 영상분석을 통하여 정확하게 태양광패널을 탐지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있다.
Description
본 발명은 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법에 관한 것이며, 구체적으로 인공지능을 활용한 영상분석을 통하여 정확하게 태양광패널을 감지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법에 관한 것이다.
태양광발전은 설치 및 운영 과정이 친환경으로 인식되지만, 사용수명이 다한 태양광 폐패널은 복잡한 화학적 처리가 요구되는 폐기물이 된다. 일반적인 태양광전지 패널의 평균 수명은 약 30년 정도이며, 향후 태양광 폐패널이 급격히 증가할 것으로 예상된다. 이러한 폐패널이 방치되거나 매립될 경우 토양 및 수질오염 등 2차 환경문제가 발생 및 증가할 수 있다.
상술한 문제를 해결하기 위해서는 설치되어 있는 태양광 패널을 상시적으로 모니터링할 수 있는 시스템이 필요하다.
종래기술 등록특허 제10-1888486호에 의하면, 드론을 이용하여 수상 태양광 패널을 모니터링할 수 있는 시스템이 개시되어 있는데, 상기 시스템은 호수, 강, 바다 등의 바닥면에 일정 간격으로 고정 설치되는 다수의 앵커부와, 호수, 강, 바다 등에서 부유하면서 일정거리 이동되도록 설치되는 것으로 다수의 와이어 케이블에 체결되는 격자형 지지대로 구성되는 수상 부교(pontoon)와, 상기 수상 부교에 격자형 지지대에 수직으로 설치되는 다수의 수직 브라켓과, 상기 각각의 수직 브라켓에 일정한 기울기로 설치되는 각 태양과 모듈로 구성되는 태양광 모듈부와, 상기 다수의 앵커부에 체결되는 각각의 와이어 케이블과, 상기 각 와이어 케이블 중간에 체결되는 것으로 태양광 모듈부의 이동을 억제하기 위한 각 웨이트부와, 상기 수상 부교의 모서리에 설치되는 것으로 GPS 위성으로부터 실시간으로 위치 정보를 수신하는 GPS 수신기와, 상기 GPS 수신기와 통신하여 GPS 수신기의 위치 정보와 고유 번호 정보를 수신하고 수신된 위치 정보와 고유 번호 정보를 드론으로 전송하는 비콘부와, 비콘부로부터 위치 정보와 고유 번호 정보를 수신하여 태양광 모듈부의 위치 이동을 판단하고 이동된 태양광 모듈부를 카메라로 촬영하고 컨트롤 서버로 전송하는 드론과, 드론으로부터 태양광 모듈부의 위치 이동 정보를 수신하고 표시부를 통하여 제공하는 컨트롤 서버로 구성되어 있다.
이러한 시스템은 드론을 이용하여 태양광 모듈부의 훼손, 이물질 부착, 변형과 같은 문제점을 실시간으로 파악하여 조치할 수 있는 효과는 있지만, 드론은 24시간 공중에 떠 있을 수가 없어 상시적인 감시가 불가능한 문제점이 있다.
또한, 드론은 태양광 모듈이 설치되어 있음을 미리 알고 있는 국소지역만 감시할 수 있을 뿐, 넓은 지역을 커버하기는 한계가 있다.
본 발명은 상기한 문제점을 해결하기 위한 것이며, 상시적으로 영상분석을 통하여 정확하게 태양광패널을 탐지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있는 태양광패널 모니터링 시스템을 제공하기 위한 것이다.
또한, 본 발명의 또 다른 목적은 넓은 지역에서 SAR(Synthetic Aperture Radar)영상을 이용하여 넓은 지역을 빠르게 분류하고, 인공지능을 활용하여 보다 정밀하게 태양광패널의 분포를 신속하게 분류할 수 있는 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위하여, 본 발명은 동일지역에 대해 날짜 또는 시기별로 복수의 SAR영상을 획득하는 SAR영상획득부; 상기 획득된 SAR영상을 정합 및 보정하는 전처리부; 상기 복수의 SAR영상을 이용하여 영상이 변화한 정도를 감지하는 영상변화감지부; 상기 영상변화감지부에서 감지된 변화값의 임계값을 이용하여 태양광패널 여부를 판단하는 태양광패널탐지부; 태양광 패널에 대한 위성 레이다가 보유한 고유특징을 활용한 고정산란체로 나타나는 신호특성(주기성, 편파 및 산란특성 등)을 인공지능 학습 데이터로 구축하는 인공지능학습데이터구축부 및 구축된 인공지능 학습 데이터를 이용하여 인공지능모델을 생성하는 인공지능모델생성부를 포함하여 구성되는 위성 레이다를 이용한 태양광패널 모니터링 시스템을 제공한다.
상기 전처리부는 일정 시간대의 복수의 SAR영상의 픽셀값을 이용하여 평균화한 후, 평균화된 SAR영상을 저장하는 적층처리부를 포함할 수 있다.
상기 영상변화감지부는 복수의 SAR영상을 이용하여 복수의 영상 사이의 상관계수를 산출하고, 상기 태양광패널탐지부는 저장부에 저장된 상관계수 임계값을 이용하여 태양광패널 여부를 판단하는 것이 바람직하다.
위성 레이다를 이용한 태양광패널 모니터링 시스템은 상기 상관계수값을 입력값으로 하여 태양광패널 여부를 판단하기 위한 인공지능모델을 생성하는 인공지능모델생성부를 포함하는 것이 바람직하다.
태양광패널탐지부는 상기 인공지능모델생성부에 의한 출력값 및 상기 영상변화감지부에 의한 임계값을 이용하여 상기 출력값 및 임계값이 모두 태양광패널의 범위에 들어오는 경우 태양광패널로 판단하는 것이 바람직하다.
본 발명에 의하면, 또한, SAR영상획득부에 의해 6 내지 12일 간격으로 복수의 SAR영상이 획득되는 단계; 전처리부에 의해 상기 획득된 SAR영상이 정합 및 보정되는 단계; 영상변화감지부에 의해 상기 복수의 SAR영상을 이용하여 영상이 변화한 정도가 감지되는 단계; 태양광패널탐지부에 의해 상기 영상변화감지부에서 감지된 변화값의 임계치를 이용하여 태양광패널 여부를 판단하는 단계 및 SAR 영상을 자동 분류하기 위한 인공지능 활용을 위한 학습데이터 구축 단계, 구축된 인공지능 학습 데이터를 이용한 SAR 영상에서부터 태양광 패널을 분류하는 단계가 수행되는 인공지능 모델생성 기반의 위성 레이다를 이용한 태양광패널 모니터링 방법을 제공한다.
본 발명에 의하면, 상시적으로 영상분석을 통하여 정확하게 태양광패널을 탐지 및 모니터링함으로써, 태양광 패널의 관리를 용이하게 하고 환경오염의 우려를 감소시킬 수 있다.
또한, 넓은 지역에서 인공지능 및 SAR영상을 이용하여 보다 정밀하게 태양광패널의 분포를 빠르게 분류할 수 있다.
도 1은 본 발명에 의한 위성 레이다를 이용한 태양광패널 모니터링 시스템의 구성을 나타내는 구성도;
도 2는 시계열적 상관계수의 변화를 나타내는 그래프;
도 3은 객체별 상관계수의 분포를 나타내는 그래프;
도 4는 상관계수 임계값의 예를 나타내는 예시도;
도 5는 상관관계 임계값에 의해 탐지된 태양광패널의 위치를 표시한 결과도;
도 6은 인공지능학습데이터구축부에 의해 구축된 학습데이터를 나타내는 예시도;
도 7은 인공지능모델생성부에 의해 탐지된 태양광패널의 위치를 표시한 결과도;
도 8은 인공지능모델생성부의 평가결과를 나타내는 그래프;
도 9a,9b는 검증데이터의 평균 정확도(AP) 및 학습 Epoch에 다른 정확도(AP)값 변화 그래프;
도 10은 YOLOv3 알고리즘을 이용한 검증데이터 분류결과를 나타내는 결과도;
도 11은 본 발명에 의한 위성 레이다를 이용한 태양광패널 모니터링 방법을 나타내는 순서도;
도 12의 (a)는 항공영상, (b)는 SAR amplitude 영상, (c)는 SAR stacked amplitude영상, (d)는 (c)로부터 1개월 후 SAR stacked amplitude영상.
도 2는 시계열적 상관계수의 변화를 나타내는 그래프;
도 3은 객체별 상관계수의 분포를 나타내는 그래프;
도 4는 상관계수 임계값의 예를 나타내는 예시도;
도 5는 상관관계 임계값에 의해 탐지된 태양광패널의 위치를 표시한 결과도;
도 6은 인공지능학습데이터구축부에 의해 구축된 학습데이터를 나타내는 예시도;
도 7은 인공지능모델생성부에 의해 탐지된 태양광패널의 위치를 표시한 결과도;
도 8은 인공지능모델생성부의 평가결과를 나타내는 그래프;
도 9a,9b는 검증데이터의 평균 정확도(AP) 및 학습 Epoch에 다른 정확도(AP)값 변화 그래프;
도 10은 YOLOv3 알고리즘을 이용한 검증데이터 분류결과를 나타내는 결과도;
도 11은 본 발명에 의한 위성 레이다를 이용한 태양광패널 모니터링 방법을 나타내는 순서도;
도 12의 (a)는 항공영상, (b)는 SAR amplitude 영상, (c)는 SAR stacked amplitude영상, (d)는 (c)로부터 1개월 후 SAR stacked amplitude영상.
본 발명에 의한 구체적인 실시예의 구성 및 작용에 대하여 도면을 참조하여 상세하게 설명한다.
도 1을 참조하면, 본 실시예에 의한 위성 레이다를 이용한 태양광패널 모니터링 시스템(100)은 영상획득부(110), 전처리부(120), 영상변화감지부(130), 인공지능모델생성부(140), 태양광패널탐지부(150)를 포함하는 서버로 구성된다.
상기 영상획득부(110)는 모니터링할 대상지역을 촬영한 영상을 수신받는데, 상기 영상은 위성 레이다를 이용해 촬영된 SAR(Synthetic Aperture Radar)영상인 것이 바람직하다.
가시광선을 이용한 광학영상을 이용한 모니터링 방법은 태양빛이 없거나 구름이 낀 날씨 등 기상조건에 의해 획득 가능한 영상빈도가 낮고, 대기 혼탁 등으로 영상을 분석하는 복잡한 프로세스와 처리비용 때문에 광역지역을 대상으로 한 모니터링 시스템에는 부적합하다.
반면, SAR영상은 능동형 센서를 이용하여 태양광의 유무와 대기조건에 관계없이 상시 모니터링이 가능한 장점이 있다.
상기 영상획득부(110)에서는 동일 지역을 다른 시간대에 촬영한 SAR영상을 지속적으로 수신하며 일정 시간 간격으로 복수회 촬영된 영상을 수신할 수 있다.
예를 들어, 영상획득부에서는 하루에 두번 3시 대역 및 15시 대역에 촬영된 영상을 수신할 수 있으며, 3시 및 15시 대역은 10초간 100번 촬영된 SAR영상일 수 있다.
상기 전처리부(120)에서는 수신된 SAR영상을 분석할 수 있도록 변형시키는 역할을 한다.
구체적으로, 상기 전처리부에는 궤도보정부, 노이즈제거부, 방사보정부, 지형보정부, 적층처리부가 포함된다.
상기 궤도보정부에서는 초기자료 생성시 입력되지 않은 궤도정보를 업데이트하는 역할을 하며, 예를 들어 정확한 위성의 위치 및 속도정보를 업데이트 한다.
상기 노이즈제거부에서는 SAR영상의 열잡음(thermal noise) 및 스페클(speckle)을 제거한다.
위성통신시스템 내부는 여러가지 소자로 구성되어 있으며, 전자의 운동이 활발해 지면서 발열하게 되고 이로 인해 통신시스템에서 노이즈가 발생하게 된다. 상기 노이즈제거부에서는 정보신호와 출력신호를 추출하고, 시간과 입력레벨에 따라 정렬하여 비교를 통해 왜곡을 계산하여 왜곡의 보상값을 산출하고 이러한 보상값을 테이블화하여 저장부에 저장한다.
이러한 보상값은 실시간으로 업데이트될 수 있으며, 노이즈제거부에서는 보상값을 부가함으로써 열잡음을 제거한다.
또한, 상기 노이즈제거부에서는 영상신호에 대하여 공간영역에서 특정 주파수를 제거하거나 강조하여 공간필터링을 수행함으로써 스페클을 제거한다.
상기 방사보정부에서는 로데이터(raw data)를 지표 반사도로 변환해 주는 역할을 한다. 즉, 위성 자체의 메타데이터를 이용하여 픽셀값에 보정계수를 이용하여 물체의 순수 반사도 값으로 보정하여 준다.
상기 지형보정부에서는 위성체의 자세변화에 의한 영상의 위치변화 및 SAR에 의한 경사거리 영상 취득에 의한 왜곡들을 제거하고 보정하기 위해서 기하학적 보정과정을 수행한다. 즉, 지형보정부에서는 기준영상을 정하고 시계열적으로 구성되는 복수의 SAR영상을 상기 기준영상에 정합하여 기하학적인 변환을 수행하게 된다.
상기 적층처리부(stacking)에서는 일정 시간대의 복수의 SAR영상을 이용하여 복수의 영상 중 동일 위치의 픽셀값에 기초하여 적층화(stacking)한 후, 평균화하여 SAR영상을 저장한다.
예를 들어, 적층처리부에서는 11월 한달간 촬영된 5개의 SAR영상을 적층한 후, RGB 색상별로 동일 위치의 평균값을 산출할 수 있으며, 이렇게 평균화된 SAR영상을 저장한다.
도 12의 (a)는 항공영상, (b)는 SAR amplitude 영상, (c)는 SAR stacked amplitude영상, (d)는 (c)로부터 1개월 후 SAR stacked amplitude영상을 나타낸다.
상기 영상변화감지부(130)는 시간대역이 다른 복수의 SAR영상을 이용하여 SAR영상 사이의 상관계수를 산출한다. 즉, 동일한 물리적 위치에서 서로 다른 시간에 획득한 두개의 complex SAR영상을 사용하여 상관관계를 산출한다. 지표면에 변화가 일어나면 레이더 펄스의 산란 특성이 변화하고 coherence value가 감소하게 되며, 이를 coherence correlation이라고 한다.
여기서, 상관계수 γ는 아래와 같이 산출될 수 있다.
C1, C2는 각각 두 SAR영상의 픽셀값을 의미하며, <>괄호는 앙상블 평균을 나타낸다. 예를 들어, C1은 2020년 1월에 촬영된 SAR영상의 픽셀값, C2는 2021년 1월에 촬영된 SAR영상의 픽셀값이 될 수 있다.
도 2 및 도 3는 지역마다 시계열에 따른 상관계수의 변화 그래프를 나타낸다.
혼합지역(MIXED)은 저밀도 건물과 나지 및 농지가 혼합된 지역을 나타내며, 상관계수가 0.32~0.79의 넓은 범위를 보이고 있으며, 인간의 활동이 가장 활발하여 매우 편향된 분포를 보이고 있다. 인공 건축물을 대상을 한 도시 지역(Built-up)은 고정 산란체로 상관계수 0.64~0.71 분포 0.67의 중앙값인 정규분포에 가까운 형태를 보
이고 있다. 한편, 태양광패널(PVPanel)은 상관계수 0.50~0.65 분포 0.53 중앙값의 치우친 편향을 보이고 있다.
즉, 레이더파 입사각과의 관계, 주변의 지형 등에 영향을 받는 다른 지역에 비해 태양광패널은 일정하게 낮은 상관계수의 경향이 있다. 예를 들어, 태양광패널의 설치각도가 주로 남측을 바라본다고 가정하였을 때, 남북방향으로 이동하여 동서방향으로 촬영하는 SAR영상에서 매끈한 표면에 의해 완전반사하는 경향이 강하게 나타난다. 때문에, 식생+레이다 빔 모드에 따라 화소값이 시간에 따라 변화하는 다른 지형에 비해 현저하게 일정하고 낮은 신호강도(연간 일정한)가 태양광패널의 특징이다.
한편, 저장부에는 도 4와 같이 복수의 SAR영상에서 태양광패널을 검출하기 위한 상관계수 임계값이 데이터베이스화되어 저장되어 있다. 즉, 상관계수 최소값, 최대값, 범위, 평균값 등이 저장되어 있으며, 각 행은 검출된 특정날짜 및 장소를 포함한다.
상기 태양광패널탐지부(150)에서는 상관계수 임계값을 이용하여 해당 날짜 및 지역과 가장 가까운 임계값을 상기 저장부에서 검출한 후, 산출된 상관계수가 임계값 내에 있으면 태양광패널로 판단하고, 임계값 범위 밖에 있으면 태양광패널이 아닌 것으로 판단할 수 있다.
도 5를 참조하면, 태양광패널탐지부에서는 2020년 4월 30일 특정 지역(전라남도 고흥군)에서 상관관계 임계값에 해당하는 태양광패널을 탐지하고 탐지된 위치를 특정색으로 표시하여 준다.
한편, 태양광패널은 SAR영상에서 고정산란체로 몇 가지 특징이 있음을 알게되었다. 첫째, 특정 범위의 신호강도를 나타낸다. 도 6은 태양광패널이 -14dB ~ 2dB, 그리고 peak -8dB의 신호강도 나타내는 것을 보여준다. 둘째, 태양광패널은 SAR의 temporal baseline에서 일정하고 낮은 신호강도를 가지는 특성을 보였다. 이것은, 태양광패널 표면의 낮은 거칠기와 일정한 설치각도로 인해 대부분의 신호가 반사각 방향으로 반사하여 이러한 특성을 나타내는 것으로 판단된다.
이러한 특성을 이용하여, 상기 태양광패널탐지부(150)에서는 상기 적층처리부에서 수행한 영상을 이용하여 신호강도를 검출한 후, 주변부의 신호강도와 대상지역의 신호강도를 비교하여 대상지역의 신호강도가 낮아지거나 낮은값으로 유지되고 주변부의 신호강도가 높아진 경우 대상지역을 태양광패널 후보지역으로 인식할 수 있다.
한편, 인공지능학습데이터구축부(135)에서는 수집된 SAR영상관련 데이터를 이용하여 인공지능학습에 적합한 인공지능학습데이터를 데이터베이스화하여 구축한다. 또한, 인공지능모델생성부(140)에서는 상술한 상관계수 및 신호강도 데이터를 포함한 인공지능학습데이터를 이용하여 태양광패널 분류의 정확도를 향상시키기 위한 인공지능모델을 생성하는 역할을 한다.
구체적으로, 도 6을 참조하면, 인공지능학습데이터구축부(135)에서는 액티브 센서 촬영모듈인 어센딩 및 디센딩을 구분하고, VV편파 및 VH편파를 이용한 SAR영상에 대한 데이터를 각각 산출하여 총 4가지로 구분하여 학습데이터를 구축한다.
도 7을 참조하면, 인공지능모델생성부에서는 SAR영상에서 신호강도 데이터를 입력데이터로 하여 객체예측박스(object prediction box)를 추출한다. 여기서, 객체예측박스는 건물, 태양광패널 등의 물건이 존재할 것으로 예상되는 위치를 사각형 박스로 추출한 것이다. 이러한 객체박스는 컨볼루션 신경망 네트워크(CNN) 기반의 YOLOv3 알고리즘을 이용하여 특정 객체에 대하여 Bounding box 형식으로 탐지할 수 있다.
이와 함께, 인공지능모델생성부에서는 SAR영상을 일정 규격의 그리드셀로 나누고, 각 그리드셀에서 상관계수를 입력데이터로 학습하여 객체예측박스에 속할 확률 Po 및 태양광패널일 확률 Pc을 산출하게 된다.
인공지능모델생성부에서는 객체예측박스에 속하면서 태양광패널일 확률 P(PV|PO)와 객체예측박스에 속할 확률 Po를 곱하여 확률스코어를 산출한다. 이후, 확률스코어가 가장 높은 그리드셀을 중심으로 하는 객체예측박스를 선택하여 태양광패널지역으로 판단할 수 있다.
<실시예>
학습 데이터셋은 128x128 크기의 총 13,152장으로 학습, 검증 및 예측 데이터셋을 7:2:1 비율로 나누어 구성하였다. Hyper parameter에서 학습 횟수를 뜻하는 epoch는 600으로 지정하였다. 한번에 학습하는 데이터 개수를 의미하는 하이퍼파라미터인 Batch size의 경우, 컴퓨터 성능을 고려하여 24로 지정하고 학습을 진행하였다.
| Hyperparameter | Eproch | Batch size | Learning rate |
| Value | 600 | 24 | 0.01 |
Epoch 600회까지 학습을 진행하며, 마지막 학습 가중치 및 가장 높은 성능을 나타내는 가중치를 따로 저장하였다. 도 8은 600회 학습 중 Precision의 변화를 나타내는 그래프이다. Precision의 경우 400회 Epoch가 진행될때까지 Precision 성능의 변화가 낮게 산출되었으며, 600회 학습하였을 때, 가장 높은 값을 나타내었다.
Recall의 경우 역시 epoch 600회를 학습 시 가장 높은 성능을 나타낸 것을 확인 하였다. Precision과 동일하게 Epoch가 약 300-400회 사이까지 낮은 성능을 산출하다 Epoch가 400회를 넘어가면서 비약적인 성능 향상이 일어났다. 결과를 정리하면 Precision 및 Recall의 경우 Epoch 600회 학습 시 Epoch가 600일 때, 가장 좋은 성능을 나타내는 것을 확인 하였다.
도 9a 및 9b는 이러한 결과를 확인하여 주는 그래프이다.
태양광패널탐지부(150)에서는 인공지능 학습 데이터 및 인공지능모델생성부를 통한 출력값에 의해 판단된 태양광패널지역 및 영상변화감지부(130)에서 산출한 상관계수 임계값을 이용하여 판단된 태양광패널지역을 비교하여 모두 태양광패널 지역 범위에 들어오는 지역을 태양광패널로 판단함으로써 태양광패널 탐지의 정확도를 향상시킬 수 있다.
도 10은 본 실시예에 의한 태양광패널 분류결과를 표시한 결과도이다.
도 11을 참조하여 본 발명에 의한 위성 레이다를 이용한 태양광패널 모니터링 방법에 대해 설명한다.
본 발명은 Sentinal-1과 같은 레이더위성에서 전송되는 SAR영상을 이용할 수 있으며, 영상획득부에서는 주기적으로 SAR영상을 수신받는 단계를 수행한다. 예를 들어, 상기 SAR영상은 각 어센딩, 디센등으로 구분하여 최대 12일 간격으로 수신할 수 있다.
획득된 SAR영상에 대해 전처리부에서는 영상정합, 궤도보정, 노이즈제거, 방사보정, 지형보정, 적층처리(stacking) 등의 전처리 단계를 수행한다. 이러한 전처리 작업은 인공지능모델생성부의 정확도 향상을 위해 수행한다.
전처리 단계가 수행된 이후, 영상변화감지부에서는 복수의 SAR영상을 이용하여 영상이 변화된 정도를 감지하는데, 구체적으로, 신호강도 및 상관계수가 산출될 수 있다.
이러한 신호강도 및 상관계수 등의 데이터는 인공지능학습데이터구축부(135)에 의해 학습데이터로 누적되어 저장되며, 인공지능모델생성부에서는 상기 인공지능학습데이터구축부에 의해 구축된 학습데이터를 이용하여 인공지능모델을 생성하는 단계를 수행한다.
그리고, 태양광패널탐지부에서는 상관계수 임계값 및 인공지능모델에 의한 출력값을 이용하여 종합적으로 판단한 후, 대상지역에 대해 태양광패널지역을 탐지한다.
이러한 방법을 통해 실시간으로 변화되는 태양광패널지역을 자동으로 탐지할 수 있으며, 태양광패널을 지속적으로 관리함으로써 환경오염에 대한 감시를 보다 효율적으로 수행할 수 있다.
상기에서는 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
110 : 영상획득부 120 : 전처리부
130 : 영상변화감지부 135 : 인공지능학습데이터구축부
140 : 인공지능모델생성부
150 : 태양강패널탐지부
130 : 영상변화감지부 135 : 인공지능학습데이터구축부
140 : 인공지능모델생성부
150 : 태양강패널탐지부
Claims (8)
- 시간대별로 복수의 SAR영상을 획득하는 SAR영상획득부;
상기 획득된 SAR영상을 정합 및 보정하는 전처리부;
상기 복수의 SAR영상을 이용하여 영상이 변화한 정도를 감지하는 영상변화감지부;
상기 영상변화감지부에서 감지된 변화값의 임계값을 이용하여 태양광패널 여부를 판단하는 태양광패널탐지부
액티브 센서 촬영모듈인 어센딩 및 디센딩을 구분하고, VV편파 및 VH편파를 이용한 SAR영상에 대한 데이터를 각각 산출하여 총 4가지로 구분하여 학습데이터를 구축하는 인공지능학습데이터구축부를 포함하여 구성되며,
상기 영상변화감지부는 복수의 SAR영상을 이용하여 복수의 영상 사이의 상관계수를 산출하고, 상기 태양광패널탐지부는 저장부에 저장된 상관계수 임계값을 이용하여 태양광패널 여부를 판단하는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템.
- 제1항에 있어서,
상기 전처리부는 일정 시간대의 복수의 SAR영상의 픽셀값을 이용하여 적층화한 후, 평균화하여 SAR영상을 저장하는 적층처리부를 포함하는 것을 특징으로 하는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템.
- 삭제
- 삭제
- 제1항에 있어서,
위성 레이다를 이용한 태양광패널 모니터링 시스템은 상기 인공지능학습데이터구축부에서 구축된 학습데이터 영상을 학습데이터셋으로 생성 후, 인공지능모델에 적용하여 가중치를 생성함으로써 태양광패널 여부를 판단하기 위한 인공지능모델을 생성하는 인공지능모델생성부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템.
- 제5항에 있어서,
태양광패널탐지부는 상기 인공지능모델생성부에 의한 출력값 및 상기 영상변화감지부에 의한 임계값을 이용하여 상기 출력값 및 임계값이 모두 태양광패널의 범위에 들어오는 경우 태양광패널로 판단하는 것을 특징으로 하는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템.
- SAR영상획득부에 의해 시간대별로 복수의 SAR영상이 획득되는 단계;
전처리부에 의해 상기 획득된 SAR영상이 정합 및 보정되는 단계;
영상변화감지부에 의해 상기 복수의 SAR영상을 이용하여 영상이 변화한 정도가 감지되는 단계;
태양광패널탐지부에 의해 상기 영상변화감지부에서 감지된 변화값의 임계치를 이용하여 태양광패널 여부를 판단하는 단계;
인공지능학습데이터구축부에 의해 액티브 센서 촬영모듈인 어센딩 및 디센딩을 구분하고, VV편파 및 VH편파를 이용한 SAR영상에 대한 데이터를 각각 산출하여 총 4가지로 구분하여 학습데이터를 구축하는 단계 및
인공지능모델생성부에 의해 상기 학습데이터를 인공지능모델에 적용하여 가중치를 생성함으로써 태양광패널 여부를 판단하기 위한 인공지능모델을 생성하는 단계를 수행하는 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170139A KR102612681B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210170139A KR102612681B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20230082327A KR20230082327A (ko) | 2023-06-08 |
| KR102612681B1 true KR102612681B1 (ko) | 2023-12-13 |
| KR102612681B9 KR102612681B9 (ko) | 2024-02-08 |
Family
ID=86766110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210170139A KR102612681B1 (ko) | 2021-12-01 | 2021-12-01 | 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102612681B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035315A1 (en) * | 2010-09-17 | 2012-03-22 | Bae Systems Plc | Processing sar imagery |
| KR102170260B1 (ko) | 2019-05-03 | 2020-10-26 | 건국대학교 산학협력단 | 합성 개구 레이더 영상 및 다중분광영상의 융합 장치, 방법 및 그를 이용한 변화 검출 방법 |
| KR102317856B1 (ko) * | 2021-04-22 | 2021-10-26 | 주식회사 에스아이에이 | 이동 물체 탐지 방법 및 장치 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101139588B1 (ko) * | 2010-01-14 | 2012-04-27 | 영남대학교 산학협력단 | 합성 개구면 레이더 영상에서 표적의 기종을 식별하는 방법 및 그 장치 |
-
2021
- 2021-12-01 KR KR1020210170139A patent/KR102612681B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012035315A1 (en) * | 2010-09-17 | 2012-03-22 | Bae Systems Plc | Processing sar imagery |
| KR102170260B1 (ko) | 2019-05-03 | 2020-10-26 | 건국대학교 산학협력단 | 합성 개구 레이더 영상 및 다중분광영상의 융합 장치, 방법 및 그를 이용한 변화 검출 방법 |
| KR102317856B1 (ko) * | 2021-04-22 | 2021-10-26 | 주식회사 에스아이에이 | 이동 물체 탐지 방법 및 장치 |
Non-Patent Citations (1)
| Title |
|---|
| 윤동현 외 2명. Sentinel-1 InSAR Coherence를 이용한 태양광전지 패널 모니터링 효율화 연구. Korean Journal of Remote Sensing. Vol.37,No.2, Apr.31.2021, pp.233~243.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230082327A (ko) | 2023-06-08 |
| KR102612681B9 (ko) | 2024-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Laporte-Fauret et al. | Low-cost UAV for high-resolution and large-scale coastal dune change monitoring using photogrammetry | |
| Chu et al. | Short-term reforecasting of power output from a 48 MWe solar PV plant | |
| Chu et al. | Short-term probabilistic forecasts for direct normal irradiance | |
| Chu et al. | Sun-tracking imaging system for intra-hour DNI forecasts | |
| Lao et al. | Retrieving building height in urban areas using ICESat-2 photon-counting LiDAR data | |
| CN112084712A (zh) | 融合主被动微波遥感信息的洪水淹没范围动态模拟方法 | |
| CN111832518A (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| CN114297938B (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
| CN103984945A (zh) | 一种光学遥感影像船只检测方法 | |
| KR102476565B1 (ko) | Sar 레이더 영상의 통계적 특성을 이용한 호소의 부유성 폐기물 탐지시스템 및 그 방법 | |
| CN110376572B (zh) | 一种机载激光雷达水下探测深度模拟装置 | |
| Guo et al. | Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network | |
| Wang et al. | Separation of convective and stratiform precipitation using polarimetric radar data with a support vector machine method | |
| CN111368716A (zh) | 一种基于多源时空数据的地质灾害灾毁耕地提取方法 | |
| CN114707396A (zh) | 一种全天时pm2.5浓度无缝格点数据的近实时生产方法 | |
| Balzter et al. | Accuracy assessment of a large-scale forest cover map of central Siberia from synthetic aperture radar | |
| KR102612681B1 (ko) | 인공지능 기반의 위성 레이다를 활용한 태양광패널 모니터링 시스템 및 방법 | |
| CN117409320A (zh) | 一种基于卫星遥感的流域洪水监测方法、系统及存储介质 | |
| Wang et al. | A methodological framework for specular return removal from photon-counting LiDAR data | |
| Grünthal et al. | Monitoring of coastal processes by using airborne laser scanning data | |
| CN112782690B (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 | |
| Trémenbert et al. | PyPVRoof: a Python package for extracting the characteristics of rooftop PV installations using remote sensing data | |
| Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
| Khallaghi | Posidonia Oceanica habitat mapping in shallow coastal waters along Losinj Island, Croatia using Geoeye-1 multispectral imagery | |
| Corr et al. | Automatic change detection in spaceborne SAR imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| G170 | Re-publication after modification of scope of protection [patent] |