本發(fā)明屬于結合場景知識的遙感影像光伏面板目標提取領域，具體涉及一種光伏電站場景知識約束的光伏面板精細化識別分割方法。

背景技術：

1、太陽能源作為可再生清潔能源，具有低成本、廣泛性、低排放性等優(yōu)點，是全球能源革命從傳統(tǒng)的不可再生能源向新型可再生能源的轉變重要組成部分。利用遙感大范圍、高精度、高時效的監(jiān)測優(yōu)勢，基于遙感影像的光伏面板高精度精細化識別，可及時掌握太陽能光伏面板的空間規(guī)模與分布情況，并降低大規(guī)模光伏面板的監(jiān)測管理成本。

2、光伏面板作為光伏發(fā)電站的核心部件，在遙感影像上呈現較為明顯的暗色調和規(guī)則化特征，通常利用基于光譜統(tǒng)計的傳統(tǒng)機器學習方法(最大似然法、支撐向量機等)可以取得一定的精度識別結果，但距離工程化應用還存在較大的差距。隨著深度學習算法在圖像領域應用發(fā)展，遙感光伏面板的識別開始轉向基于語義分割的深度智能網絡提取算法，主要利用編碼器-解碼器架構，通常特征提取網絡的不斷加深，可以學習到光伏面板最優(yōu)的深層遙感影像特征，較基于傳統(tǒng)人工設計的特征表達上存在較大優(yōu)勢，遙感光伏面板提取效率和精度均有較大的提升，特別當遙感背景較為單一時(沙漠、草地、平原、水體等)，基本達到工程化的應用水平。

3、然而面對復雜場景時，特別是位于市區(qū)和建筑密集的區(qū)域，由于光伏面板的影像特征與某些建筑物、道路或者大型車輛較為相似，即時在具有較高空間分辨率的無人機影像上，目標特征的區(qū)分度上也會受到一定的干擾，其與偽目標特征信息中也存在較大的冗余，進而影響到大范圍內遙感影像中光伏面板提取的精細度，加之在大范圍內均以切塊的方式進行拼接訓練與推理，進一步失去了光伏面板大范圍內的上下文關系特征，從而導致復雜場景下光伏面板識別的精確度較低、虛警率偏高。

4、因此，目前針對復雜場景下，同譜異物的現象更為明顯，單使用一種語義分割框架很難較好地將光伏面板與背景特征分離，需要進一步結合全域尺度下的光伏電場自身場景知識，利用空間分析與場景約束算法，融入于光伏面板目標識別流程當中，克服復雜背景的干擾要素信息，進一步提升光伏面板的精細化識別。

技術實現思路

1、為了克服復雜場景下遙感光伏面板單一識別網絡框架的局限性，本發(fā)明的目的在于提供一種光伏電站場景知識約束的光伏面板精細化識別分割方法。本發(fā)明面向遙感影像復雜城市背景中的光伏面板，首先利用低分辨率大尺度遙感影像對光伏電站場景進行目標樣本制作與網絡模型訓練，獲取光伏電站場景的整體空間范圍；其次，在光伏電站場景范圍內，利用高清遙感影像進行小尺度光伏面板深度語義分割網絡訓練與推理，獲取具體的光伏面板語義信息；最后將所有光伏電站場景內的光伏面板數據進行矢量化與地理鑲嵌，形成整景影像內的位于光伏電站場景內的光伏面板目標成果。整體算法流程通過融合大尺度范圍的光伏電站空間知識，進一步級聯小尺度的光伏面板精細化識別，形成多尺度場景知識嵌套的精度細化目標識別算法。

2、本發(fā)明提供一種光伏電站場景知識約束的光伏面板精細化識別分割方法，包括以下步驟：

3、s1、抽稀光伏電站場景遙感影像iscene；

4、s2、制作光伏電站場景分割樣本集sscene_label；

5、s3、對所述光伏電站場景模型訓練與知識推理；

6、s4、制作光伏面板實例分割樣本集spanel_label；

7、s5、訓練光伏面板識別模型mpanel；

8、s6、單一光伏電站場景光伏面板成果集推理；

9、s7、多場景光伏面板成果整合。

10、在一些具體實施中，所有遙感影像均以真彩色波段為主。

11、在一些具體實施中，在步驟s1中，光伏電站場景遙感影像iscene相對于原始影像ipv抽稀降采樣倍率通常為8倍；

12、即滿足以下關系，resopv＝8×resoscene，式中resopv和resoscene分別為ipv和iscene遙感數據的空間分辨率，降采樣方法采用雙線性插值或三次立方卷積插值法。

13、在一些具體實施中，步驟s2的方法具體為：光伏電站場景樣本集中場景多邊形通常為光伏面板塊聚類范圍，逐一遍歷時將矢量與對應的iscene影像按1000*1000像素大小裁剪，其中場景標簽值以矢量內部標記為1，外部標記為0的png圖片形式；

14、在步驟s2中的隨機旋轉幾何變換以隨機角度(通常為30度的倍數)為間隔對樣本進行保留原樣本圖像尺寸進行旋轉處理，若以旋轉θ為例，則旋轉增強后的場景圖像樣本和標簽樣本遵循以下計算公式：

15、

16、其中，imθ和laθ分別為一對光伏場景訓練樣本的中圖像矩陣im和標簽矩陣la旋轉增強后的矩陣。

17、在一些具體實施中，步驟s3的具體方法為：所述光伏電站場景知識推理對象為示范區(qū)經過上采樣的遙感影像iscene'，推理過程采用1000*1000像素框和500步長進行歷遍，推理矢量化結果rscene保持與iscene'一樣的空間坐標系與地理范圍。

18、在一些具體實施中，步驟s4的具體方法為：光伏面板掩膜數據ypanel通常是以esrishape格式存儲，其中屬性表中包含每個光伏面板的標記信息，包括中心點x坐標、中心點y坐標、旋轉框的寬度、旋轉框的高度，旋轉框的角度α定義為以旋轉框中心水平橫軸為x方向，旋轉框中心線與x軸的銳角，以x軸逆時針旋轉的為正，順時針旋轉為負，則，α為值域為[-90°,90°]；

19、在步驟s4中的spanel_label的樣本標記文件為json格式，由于光伏面板的具有方向性，且對方向信息敏感，因此在樣本增強過程中，需要針對圖片樣本信息與json格式的隨機旋轉增強，基本原理與s2一致，增強旋轉角θ的隨機變化角度為15度的倍數，訓練樣本標簽文件記錄增強后每個光伏面板目標的的寬、高、相對于圖像樣本的中心點坐標和旋轉角α。

20、在一些具體實施中，步驟s5的具體方法為：使用基于旋轉角度的mask_rcnn中的實例分割中損失函數需要對旋轉角α進行角度差函數回歸，其中，角度損失部分的損失函數如下式所示：

21、lα＝α*θα

22、式中α*為模型預測角度，lα與樣本標簽中真實值α的角度相減差。

23、在一些具體實施中，步驟s6的具體方法為：光伏面板推理與光伏電站場景推理的級聯過程，首先將耦合光伏電站場景目標結果集rscene進行掩膜柵格化，與示范區(qū)原始遙感影像ipv'做邏輯與操作，然后再采用512*512像素框和256步長進行歷遍推理，最終得到第i個光伏電站場景下的光伏面板的語義矢量化結果rpanel,i。

24、在一些具體實施中，步驟s7的具體方法為：對于整個示范區(qū)存在光伏電場空間重疊的區(qū)域時，需要使用非極值抑制算法進行剔除重復的光伏面板矢量結果，此時選擇的篩選閾值為η≤0.4。

25、在一些具體實施中，步驟s7中的得到的最終結果rpvpanel以矢量文件格式保存，其坐標系信息與該區(qū)域的遙感影像一致，具有真實的地理位置，文件格式通常以esrishapefile(.shp)、esri?file?geodatabase(.gdb)保存。

26、本發(fā)明的有益效果是：本發(fā)明公開了一種光伏電站場景知識約束的光伏面板精細化識別分割方法，該方法有益效果主要體現在：①本發(fā)明采用了光伏電站場景識別網絡與光伏面板識別網絡雙層串行級聯網絡進行光伏面板信息的自動識別，較常規(guī)靠單網絡模型的識別模型具有更高的光伏面板識別精度；②本發(fā)明融合了多尺度遙感特征信息概念，以低空間分辨率確定光伏電站大區(qū)域的場景地理范圍，然后再基于電站場景內進行針對性的高空間分辨率的光伏面板精細化提取，簡化針對光伏面板區(qū)域內的遙感影像復雜背景，不僅提高光伏面板識別精度，在光伏范圍較小的區(qū)域還可提高了光伏面板的識別速度；③本發(fā)明采用了場景識別與旋轉目標識別樣本集的多類型增強模式，擴展了光伏電站樣本少的問題，同時結合具有地理編碼的目標信息，實現光伏面板目標的快速定位與快速統(tǒng)計?？傊景l(fā)明為光伏電力產業(yè)中對于光伏面板的管理和維護提高了管理效率和降低了管理成本，是智能遙感監(jiān)測技術在光伏電力產業(yè)持續(xù)化應用的重要參考模式。