[论文解读] 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 29

一句话总结

本文提出一种基于SegNet卷积神经网络的语义分割方法，用于在高分辨率航拍图像中精确检测和绘制小规模太阳能光伏（PV）阵列。通过估计PV阵列的精确形状和表面积，该方法在尺寸和形状估计方面显著优于以往仅检测的模型，为能源资源评估提供了更高的准确性。

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.

研究动机与目标

• 开发一种自动化方法，用于在高分辨率航拍图像中检测和绘制小规模太阳能光伏（PV）阵列。
• 改进以往仅定位PV阵列的方法，通过估计其完整形状和表面积。
• 通过表面积估计提供可靠的阵列容量和发电量代理指标，实现精确的能源资源评估。
• 在大规模公开的航拍图像数据集上评估语义分割模型的性能。
• 证明语义分割在形状和尺寸估计方面优于以往仅检测的方法。

提出的方法

• 本研究采用最先进的编码器-解码器卷积神经网络架构SegNet，对航拍图像中的PV阵列进行语义分割。
• 该模型被训练为将图像中的每个像素分类为PV阵列或非PV，从而实现对边界和面积的精确估计。
• 使用包含PV阵列真实标注的大规模公开高分辨率航拍图像数据集进行训练和评估。
• 采用标准深度学习损失函数进行网络优化，并通过数据增强提升泛化能力。
• 使用交并比（IoU）和像素级准确率等指标评估模型性能，以衡量分割质量。
• 将该方法与近期提出的仅检测PV阵列的卷积神经网络进行对比。

实验结果

研究问题

• RQ1 像SegNet这样的语义分割模型能否在航拍图像中准确检测并绘制小规模太阳能PV阵列的完整形状和表面积？
• RQ2 基于分割的方法在估计PV阵列尺寸和形状方面与仅检测的方法相比表现如何？
• RQ3 语义分割在多大程度上提升了表面积估计的准确性，而表面积是PV容量和发电量的关键代理指标？
• RQ4 基于SegNet的方法在多样化的城市和郊区航拍场景中是否具有良好的泛化能力？

主要发现

• 基于SegNet的语义分割模型在估计PV阵列表面积和形状方面显著优于仅检测的基线模型。
• 该模型取得了较高的交并比（IoU）分数，表明其在像素级别上对PV阵列边界的定位非常精确。
• 表面积估计的准确性得到显著提升，从而能够更可靠地推断PV容量和发电量。
• 结果表明，语义分割相比仅使用目标检测，能为能源资源评估应用提供更具信息量的输出。
• 该方法在大规模公开数据集上表现出强大的泛化能力，验证了其在多样化城市环境中的鲁棒性。