[論文レビュー] Application of a semantic segmentation convolutional neural network for accurate automatic detection and mapping of solar photovoltaic arrays in aerial imagery

Joseph A. Camilo, Rui Wang+3 more|arXiv (Cornell University)|Jan 11, 2018

Advanced Neural Network Applications参考文献 9被引用数 29

ひとこと要約

本論文は、高分解能航空画像における小規模太陽光発電（PV）アレイの正確な検出とマッピングを可能にする、SegNet畳み込みニューラルネットワークを用いた意味的セグメンテーションアプローチを提案する。PVアレイの正確な形状と表面積を推定することで、サイズおよび形状推定において従来の検出のみを目的としたモデルを著しく上回り、エネルギー資源評価のための精度が向上することを示している。

ABSTRACT

We consider the problem of automatically detecting small-scale solar photovoltaic arrays for behind-the-meter energy resource assessment in high resolution aerial imagery. Such algorithms offer a faster and more cost-effective solution to collecting information on distributed solar photovoltaic (PV) arrays, such as their location, capacity, and generated energy. The surface area of PV arrays, a characteristic which can be estimated from aerial imagery, provides an important proxy for array capacity and energy generation. In this work, we employ a state-of-the-art convolutional neural network architecture, called SegNet (Badrinarayanan et. al., 2015), to semantically segment (or map) PV arrays in aerial imagery. This builds on previous work focused on identifying the locations of PV arrays, as opposed to their specific shapes and sizes. We measure the ability of our SegNet implementation to estimate the surface area of PV arrays on a large, publicly available, dataset that has been employed in several previous studies. The results indicate that the SegNet model yields substantial performance improvements with respect to estimating shape and size as compared to a recently proposed convolutional neural network PV detection algorithm.

研究の動機と目的

• 高分解能航空画像における小規模太陽光発電（PV）アレイの自動検出およびマッピング手法の開発を目的とする。
• 従来のアレイの位置特定にとどまらず、その完全な形状と表面積を推定することで、前記手法を改善することを目的とする。
• 表面積推定による信頼性の高いプロキシを提供することで、PV容量および発電量の正確なエネルギー資源評価を可能とすることを目的とする。
• 意味的セグメンテーションモデルの性能を、大規模で公開可能な航空画像データセット上で評価することを目的とする。
• 意味的セグメンテーションが、従来の検出のみを目的としたアプローチに比べ、形状およびサイズ推定において優れていることを実証することを目的とする。

提案手法

• 本研究では、航空画像におけるPVアレイの意味的セグメンテーションに、最新のエンコーダ・デコーダ型畳み込みニューラルネットワークアーキテクチャであるSegNetを採用する。
• モデルは、画像内の各画素をPVアレイまたは非PVに分類するように学習させ、正確な境界および面積推定を可能にする。
• PVアレイのグランドトゥースアノテーションを備えた、大規模で公開可能な高分解能航空画像データセットを、学習および評価に使用する。
• 標準的なディープラーニング損失関数を用いてネットワークを最適化し、一般化性能を向上させるためにデータオーグメンテーションを実施する。
• セグメンテーション品質を評価するために、交差率（IoU）および画素単位の正答率などの指標を用いてモデル性能を評価する。
• PVアレイ同定のための最近提案された検出のみを目的とした畳み込みニューラルネットワークと、本アプローチを比較する。

実験結果

リサーチクエスチョン

• RQ1 SegNetのような意味的セグメンテーションモデルは、航空画像における小規模太陽光発電PVアレイの完全な形状および表面積を正確に検出およびマッピングできるか？
• RQ2 形状およびサイズ推定において、セグメンテーションベースのアプローチは検出のみを目的としたアプローチと比較して、どのように性能が異なるか？
• RQ3 意味的セグメンテーションは、PV容量および発電量の主要なプロキシである表面積推定の精度をどの程度向上させるか？
• RQ4 SegNetベースの手法は、多様な都市部および準都市部の航空画像シーンにうまく一般化するか？

主な発見

• SegNetベースの意味的セグメンテーションモデルは、表面積および形状推定において、検出のみを目的としたベースラインを著しく上回っている。
• モデルは高い交差率（IoU）スコアを達成しており、PVアレイ境界の画素レベルでの正確な局所化を示している。
• 表面積推定の精度が顕著に向上し、PV容量および発電量のより信頼性の高いプロキシ推定が可能になった。
• 結果から、意味的セグメンテーションは、エネルギー資源評価用途において、オブジェクト検出のみに比べてより情報を豊富に提供することが明らかになった。
• 本手法は大規模で公開可能なデータセットにおいて強く一般化しており、多様な都市環境における耐障害性が裏付けられた。