本發(fā)明涉及屋頂光伏檢測，具體為一種基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球能源危機的加劇和可持續(xù)發(fā)展需求的提升，太陽能作為一種清潔、可再生的能源，得到了廣泛關(guān)注。特別是在屋頂光伏系統(tǒng)的推廣應(yīng)用中，屋頂太陽能電池板的安裝數(shù)量迅速增加，成為城市電力系統(tǒng)的重要組成部分。為了準確、高效地監(jiān)測和評估這些分布式光伏系統(tǒng)的運行狀態(tài)及其效能，開展高效的屋頂光伏檢測和辨識工作變得尤為重要。

2、傳統(tǒng)的屋頂光伏檢測方式依賴人工巡檢或地面測量，效率低、成本高，且在偏遠地區(qū)或復(fù)雜地形區(qū)域，人工檢測存在較大的安全風(fēng)險和困難。因此，基于衛(wèi)星遙感影像進行光伏資源的自動化檢測和辨識成為了一種更為高效的解決方案。遙感影像不僅能夠提供大范圍、高精度的地面信息，還能夠避免人工巡檢中的諸多不便和安全隱患。

3、然而，由于屋頂光伏系統(tǒng)的多樣性和復(fù)雜性，尤其是在不同光照、氣候和環(huán)境條件下，現(xiàn)有的遙感影像分析方法面臨著不少挑戰(zhàn)。例如，太陽能電池板的形狀、顏色、紋理和尺寸特征存在很大的差異，傳統(tǒng)的圖像處理方法難以滿足高精度的自動檢測要求。

4、近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)在圖像識別中的應(yīng)用取得了顯著進展，目標檢測算法如yolo系列模型在多個領(lǐng)域的應(yīng)用效果良好。yolov5作為一種高效的目標檢測模型，憑借其較高的準確性、實時性和較低的計算需求，成為圖像識別領(lǐng)域中的重要工具。然而，yolov5在光伏資源檢測中的應(yīng)用仍面臨一定的挑戰(zhàn)，如數(shù)據(jù)預(yù)處理、圖像增強、模型訓(xùn)練等方面的問題，需要進一步優(yōu)化和改進，以提高在衛(wèi)星遙感影像中的檢測效果。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：現(xiàn)有的屋頂光伏資源檢測方法存在精度不足、數(shù)據(jù)處理復(fù)雜、環(huán)境適應(yīng)性差等問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，包括：

4、對分布式光伏進行特征分析，構(gòu)建分布式光伏數(shù)據(jù)集；

5、構(gòu)建yolov5模型，并對分布式光伏數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；

6、通過yolov5模型對光伏資源辨識，并對辨識結(jié)果進行評估分析。

7、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：所述對分布式光伏進行特征分析包括，光照強度特征分析、太陽能板的形狀特征分析、紋理特征分析、顏色特征分析和尺寸特征分析；

8、所述光照強度特征分析包括，計算圖像的亮度值，并統(tǒng)計圖像的亮度分布；

9、計算圖像的亮度值的公式表示為：

10、

11、其中，l表示圖像亮度值，r表示圖像中每個像素的紅分量、g表示圖像中每個像素的綠分量、b表示圖像中每個像素的藍分量；表示圖像在位置(x,y)處的梯度，α表示調(diào)節(jié)參數(shù)；

12、l的值域為[0,255]，表示亮度的范圍；

13、統(tǒng)計圖像的亮度分布包括，計算圖像亮度值的均值μl、標準差σl、最大值lmax和最小值lmin；

14、所述分布式光伏數(shù)據(jù)集包括，光照強度特征、形狀特征、紋理特征、顏色特征和尺寸特征。

15、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：所述yolov5模型包括輸入端、主干網(wǎng)絡(luò)、neck網(wǎng)絡(luò)、head輸出層；

16、所述數(shù)據(jù)預(yù)處理包括圖像的縮放與填充、圖像歸一化、圖像數(shù)據(jù)增強和標簽調(diào)整；

17、所述圖強增強包括根據(jù)所述光照強度特征分析，將圖像分類；

18、當(dāng)μl∈[120,180]且σl∈[0,30]，且lmax和lmin不接近圖像亮度邊界值時，圖像為正常光照類別，直接進行光伏板識別；

19、當(dāng)μl<80且σl>40，且lmin接近0時，圖像為逆光類別，增加亮度并降低對比度；

20、當(dāng)lmin<80且σl>30，并且圖像的亮度低于均值時，圖像為陰影類別，提高局部亮度和對比度，突出陰影區(qū)域中的光伏板細節(jié)；

21、當(dāng)lmax>220且σl<30時，圖像為強光類別，減小局部對比度，恢復(fù)細節(jié)。

22、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：所述yolov5模型的輸入端包括，輸入的圖像；

23、對圖像的預(yù)處理，mosaic數(shù)據(jù)增強和自適應(yīng)錨框計算。

24、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：所述yolov5模型的主干網(wǎng)絡(luò)為輕量級的卷積神經(jīng)網(wǎng)絡(luò)，包括cspdarknet53、focus結(jié)構(gòu)和快速空間金字塔池化模塊。

25、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：所述yolov5模型的neck網(wǎng)絡(luò)采用fpn+pan結(jié)構(gòu)和csp2_x結(jié)構(gòu)；

26、所述yolov5模型的head輸出層采用ciou損失作為邊界框的損失函數(shù)，采用二元交叉熵損失函數(shù)計算分類率和置信度損失。

27、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：通過yolov5模型對光伏資源辨識包括，通過訓(xùn)練后的yolov5模型，對選定樣本數(shù)據(jù)集進行圖像處理、模型訓(xùn)練，并對模型的辨識結(jié)果進行評估與驗證；

28、所述樣本數(shù)據(jù)集包括rsod數(shù)據(jù)集、dior數(shù)據(jù)集、image?net10圖像識別數(shù)據(jù)集以及部分google?earth歷史衛(wèi)星影像；

29、通過yolov5模型對訓(xùn)練集的訓(xùn)練，得到兩個網(wǎng)絡(luò)模型權(quán)重訓(xùn)練文件，歷史最好權(quán)重best.pt和最近權(quán)重last.pt，作為驗證測試文件。

30、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的一種優(yōu)選方案，其中：

31、數(shù)據(jù)模塊，對分布式光伏進行特征分析，構(gòu)建分布式光伏數(shù)據(jù)集；

32、預(yù)處理模塊，構(gòu)建yolov5模型，并對分布式光伏數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；

33、分析模塊，通過yolov5模型對光伏資源辨識，并對辨識結(jié)果進行評估分析。

34、一種計算機設(shè)備，包括：存儲器和處理器；所述存儲器存儲有計算機程序，其特征在于：所述處理器執(zhí)行所述計算機程序時實現(xiàn)本發(fā)明中任一項所述的方法的步驟。

35、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)本發(fā)明中任一項所述的方法的步驟。

36、本發(fā)明的有益效果：本發(fā)明提供的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法通過利用yolov5模型對衛(wèi)星遙感影像進行高效處理與分析，能夠準確、快速地識別屋頂光伏資源，提升了光伏檢測的精度與效率。通過特征分析與深度學(xué)習(xí)技術(shù)的結(jié)合，能夠有效克服傳統(tǒng)人工檢測的局限性，減少人工成本，縮短檢測周期，同時提高檢測結(jié)果的可靠性與科學(xué)性。

技術(shù)特征：

1.一種基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：所述對分布式光伏進行特征分析包括，光照強度特征分析、太陽能板的形狀特征分析、紋理特征分析、顏色特征分析和尺寸特征分析；

3.如權(quán)利要求2所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：所述yolov5模型包括輸入端、主干網(wǎng)絡(luò)、neck網(wǎng)絡(luò)、head輸出層；

4.如權(quán)利要求3所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：所述yolov5模型的輸入端包括，輸入的圖像；

5.如權(quán)利要求4所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：所述yolov5模型的主干網(wǎng)絡(luò)為輕量級的卷積神經(jīng)網(wǎng)絡(luò)，包括cspdarknet53、focus結(jié)構(gòu)和快速空間金字塔池化模塊。

6.如權(quán)利要求5所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：所述yolov5模型的neck網(wǎng)絡(luò)采用fpn+pan結(jié)構(gòu)和csp2_x結(jié)構(gòu)；

7.如權(quán)利要求6所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法，其特征在于：通過yolov5模型對光伏資源辨識包括，通過訓(xùn)練后的yolov5模型，對選定樣本數(shù)據(jù)集進行圖像處理、模型訓(xùn)練，并對模型的辨識結(jié)果進行評估與驗證；

8.一種采用如權(quán)利要求1-7任一所述方法的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識系統(tǒng)，其特征在于：

9.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1～7任一所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1～7任一所述的基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及屋頂光伏檢測技術(shù)領(lǐng)域，公開了一種基于衛(wèi)星遙感影像的屋頂光伏檢測與辨識方法及系統(tǒng)，包括：對分布式光伏進行特征分析，構(gòu)建分布式光伏數(shù)據(jù)集；構(gòu)建YOLOv5模型，并對分布式光伏數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；通過YOLOv5模型對光伏資源辨識，并對辨識結(jié)果進行評估分析。通過利用YOLOv5模型對衛(wèi)星遙感影像進行高效處理與分析，能夠準確、快速地識別屋頂光伏資源，提升了光伏檢測的精度與效率。通過特征分析與深度學(xué)習(xí)技術(shù)的結(jié)合，能夠有效克服傳統(tǒng)人工檢測的局限性，減少人工成本，縮短檢測周期，同時提高檢測結(jié)果的可靠性與科學(xué)性。

技術(shù)研發(fā)人員：羅寧,劉金森,陳露東,龍家煥,王杰,劉喜成,李應(yīng)林,繆茂,陳波,趙晴雨,賀墨琳,唐學(xué)用,張鵬城,鄭飛,沈韜,楊禮順
受保護的技術(shù)使用者：貴州電網(wǎng)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15