[논문 리뷰] 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 Wang외 3명|arXiv (Cornell University)|2018. 01. 11.

Advanced Neural Network Applications참고 문헌 9인용 수 29

한 줄 요약

이 논문은 고해상도 항공 영상에서 소규모 태양광 발전(photovoltaic, PV) 패널을 정확하게 탐지하고 지ap도를 작성하기 위해 SegNet 컨볼루션 신경망을 사용하는 의미적 세그멘테이션 접근법을 제안한다. PV 패널의 정확한 형태와 표면적을 추정함으로써, 이 방법은 이전의 탐지 전용 모델에 비해 크기 및 형태 추정에서 뚜렷한 성능 향상을 보이며 에너지 자원 평가에 있어 향상된 정확도를 입증한다.

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.

연구 동기 및 목표

• 고해상도 항공 영상에서 소규모 태양광 발전(PV) 패널을 자동으로 탐지하고 지도화하는 방법을 개발하기 위해.
• 이전의 탐지 전용 방법이 PV 패널의 위치만을 제공하는 데서 벗어나 전체 형태와 표면적을 추정함으로써 성능을 향상시키기 위해.
• 표면적 추정을 통해 배열 용량과 에너지 생산량에 대한 신뢰할 수 있는 대체 지표를 제공함으로써 정확한 에너지 자원 평가를 가능하게 하기 위해.
• 대규모 공개 데이터셋을 사용하여 의미적 세그멘테이션 모델의 성능을 평가하기 위해.
• 의미적 세그멘테이션 기반 접근법이 이전의 탐지 전용 접근법에 비해 형태 및 크기 추정에서 우월한 성능을 보이는지 확인하기 위해.

제안 방법

• 본 연구는 의미적 세그멘테이션을 위해 최신 기술인 인코더-디코더 구조를 가진 컨볼루션 신경망 아키텍처인 SegNet을 활용한다.
• 모델은 영상의 각 픽셀을 PV 패널 또는 비-PV로 분류하도록 훈련되어, 정확한 경계 및 면적 추정이 가능하다.
• PV 패널에 대한 지상 참조(annotation)가 포함된 대규모 공개 데이터셋을 활용하여 훈련 및 평가를 수행한다.
• 일반적인 딥러닝 손실 함수를 사용하고 데이터 증강을 통해 일반화 능력을 향상시킨다.
• 세그멘테이션 품질 평가를 위해 교차율(IoU) 및 픽셀 단위 정확도와 같은 지표를 사용하여 모델 성능을 평가한다.
• PV 패널 식별을 위한 최근에 제안된 탐지 전용 컨볼루션 신경망과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 SegNet과 같은 의미적 세그멘테이션 모델은 고해상도 항공 영상에서 소규모 태양광 PV 패널의 전체 형태와 표면적을 정확하게 탐지하고 지도화할 수 있는가?
• RQ2 형태 및 크기 추정 측면에서 의미적 세그멘테이션 기반 접근법은 탐지 전용 접근법에 비해 어떤 성능 차이를 보이는가?
• RQ3 의미적 세그멘테이션은 PV 패널 용량과 에너지 생산량의 핵심 대체 지표인 표면적 추정 정확도를 어느 정도 향상시키는가?
• RQ4 SegNet 기반 방법은 다양한 도시 및 근교 항공 영상 환경에서 잘 일반화되는가?

주요 결과

• SegNet 기반 의미적 세그멘테이션 모델은 표면적 및 형태 추정 측면에서 탐지 전용 기반 모델에 비해 뚜렷한 성능 향상을 보였다.
• 정확한 픽셀 수준의 PV 패널 경계 추정을 위해 높은 교차율(IoU) 점수를 확보하였다.
• 표면적 추정 정확도가 크게 향상되어 PV 용량과 에너지 생산량에 대한 보다 신뢰할 수 있는 대체 지표 추정이 가능해졌다.
• 결과적으로 의미적 세그멘테이션은 에너지 자원 평가 응용 분야에서 객체 탐지만으로는 제공할 수 없는 더 풍부한 정보를 제공하는 것으로 입증되었다.
• 대규모 공개 데이터셋에서 강력한 일반화 성능을 보이며 다양한 도시 환경에서의 강인함을 검증하였다.