Švédští vědci vytvořili model, který slouží k identifikaci solárních střešních systémů z leteckých snímků. Model využívá techniky hlubokého učení a zpracování obrazu a údajně nabízí „vynikající výkon“. V budoucnu by mohl být schopný rozlišovat mezi

Švédští vědci vytvořili model, který slouží k identifikaci solárních střešních systémů z leteckých snímků. Model využívá techniky hlubokého učení a zpracování obrazu a údajně nabízí "vynikající výkon". V budoucnu by mohl být schopný rozlišovat mezi panely fotovoltaických a solárních tepelných systémů.

Automatizovaný model pro identifikace střešních systémů

Švédští vědci vytvořili nový automatizovaný model, který podle nich nabízí "vynikající výkon" při identifikaci malých decentralizovaných solárních systémů z leteckých snímků. Takový automatizovaný systém je prý užitečným nástrojem, který pomůže mnoha zúčastněným stranám ve fotovoltaickém průmyslu. Může totiž poskytovat přesné údaje tvůrcům politik, úřadům a finančním hodnotitelům.

Nová metoda využívá techniky hlubokého učení a zpracování obrazu k detekci solárních termických a fotovoltaických systémů. Podle jejích autorů by následná studie mohla model ještě vylepšit, aby rozlišoval mezi fotovoltaickými a solárními termickými technologiemi. "To je náročný úkol, protože obě technologie mají podobnou texturu a barevný vzhled. Věříme však, že po správných úpravách a vylepšeních jej lze efektivně přizpůsobit pro segmentaci solárních systémů více tříd."

Studie v časopise Solar Energy

Ve studii "Identifikace malých decentralizovaných solárních systémů na leteckých snímcích pomocí hlubokého učení", publikované v časopise Solar Energy, akademici vysvětlují, že použili architekturu U-net konvolučních neuronových sítí (CNN). Je to metoda konvolučních sítí pro rychlou a přesnou segmentaci snímků, a vysvětlují, že hlavní předností této techniky je, že vyžaduje menší počet vstupních dat a nižší využití hardwaru ve srovnání s jinými přístupy.

Model U-net

"Využití modelu U-net pro detekci solárních energetických systémů poskytuje datově řízené a automatizované řešení se zvýšenou komplexností, které umožňuje přesnou detekci," dodal. "Jeho přesná segmentace a identifikace solárních energetických systémů z leteckých snímků má značnou praktickou hodnotu, protože usnadňuje efektivní hodnocení výkonu panelů, požadavků na údržbu a odhadování výroby energie."

Nový model byl vycvičen a otestován na dvou databázích. Jedna z Německa a druhé ze Švédska. Pro vyšší zobecnění jeho schopností jsme použili směs obou databází. Při porovnání s jinými architekturami CNN výzkumníci uvedli, že model U-Net vynikl zejména v úlohách segmentace obrazu.

Také podle výzkumu lze model U-net trénovat na leteckých snímcích s rozlišením 128 x 128 pixelů a dosáhnout přesnosti, která není výrazně horší než při vyšším rozlišení 256 x 256 pixelů. Jeho schopnost používat nižší rozlišení zase vede k nižší spotřebě počítačového hardwaru.

"Tato studie prokázala, že model U-net může s vysokou přesností vyhodnotit plochu střešních solárních systémů na leteckých snímcích". "Pro správný odhad plochy je však zapotřebí také náklon modulů. Výpočet sklonu lze provést buď z 3D dat o budovách, nebo z dat LiDAR s vysokým/nízkým rozlišením. Kombinace posledně jmenovaného s metodou této studie se plánuje jako další krok."

Zdroje: pv-magazine, Towpoint