本发明属于图像识别技术领域,具体涉及一种基于航拍图像中光伏组件识别的电站容量估测方法。
背景技术:
随着传统发电方式带来的资源和环境问题日益严重,以光伏发电为代表的新能源发电迎来了快速的发展,光伏电池板的数量越来越多,光伏分布范围越来越广泛,大型光伏电站的运维压力也越来越大。因此开展光伏电站的智能化管理意义重大,利用现代科学技术实现对光伏电站容量的估测是实现智能化管理的基础。
技术实现要素:
本发明的目的是提供一种基于航拍图像中光伏组件识别的电站容量估测方法,采用双阶段目标检测算法fasterrcnn对航拍图像中光伏组件的识别,为电站容量估测提高供一种新思路。
本发明所采用的技术方案是,一种基于航拍图像中光伏组件识别的电站容量估测方法,包括以下步骤:
步骤1、通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;
步骤2、利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;
步骤3、将光伏组件识别数据集按一定比例分为训练集和测试集,构建fasterrcnn网络模型,通过训练集对该网络模型进行训练;
步骤4、利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;
步骤5、根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量。
本发明的特点还在于:
步骤1具体过程为:
步骤1.1、通过无人机拍摄不同方向角度的光伏阵列图;
步骤1.2、通过surf特征提取方法对每幅光伏阵列图进行特征点提取,并对多幅光伏阵列图的同一特征点进行匹配;
步骤1.3、选取两幅光伏阵列图,将其中一幅光伏阵列图b通过空间变换矩阵映射到另一幅光伏阵列图a,获得同一坐标下配准图;
步骤1.4、将光伏阵列图a以及同一坐标下配准图分别映射到一幅新的空白图像中,再将两幅新的空白图像进行平移拼接即可形成拼接图;
步骤1.5、将拼接图分为重叠区域和非重叠区域,对重叠区域的像素值按一定的权值相加,并结合非重叠区域形成新的图像,通过步骤1.3-步骤1.5把不同方向角度的光伏阵列图融合形成完整的光伏电站阵列图。
步骤1.3具体过程为:将每幅光伏阵列图中任意两幅图像,取其中一幅光伏阵列图a,另一幅为光伏阵列图b,通过使用findhomography函数来求得变换矩阵h,将光伏阵列图b经过变换矩阵h进行透视变换,得到光伏阵列图b在光伏阵列图a下的表示,即同一坐标下配准图。
步骤2具体过程为:
步骤2.1、对光伏电站阵列图依次通过平移、缩放、颜色变换进行扩充;
步骤2.2、对扩充后的图像按照功率和效率不同,依次进行编号标记,将编号的图像构成光伏组件识别数据集。
步骤4具体过程为:
步骤4.1、对光伏组件获取航拍图像,将该航拍图像输入训练好的网络模型,得到光伏组件位置、类别以及置信度;
步骤4.2、将光伏组件位置、类别以及置信度转换成txt文本形式输出。
步骤4.1具体过程为:
步骤4.1.1、对光伏组件获取航拍图像,采用vgg16型卷积神经网络进行特征提取,得到特征映射图;
步骤4.1.2、根据区域建议策略网络,利用softmax激活函数计算特征映射图中每个特征点属于前景的概率,同时在原始航拍图像的相应位置生成若干尺寸不一的候选域;
步骤4.1.3、roi池化层将候选域映射成维度固定的特征向量,再次利用softmax判断候选域中物体类别,其中特征映射图作为位置索引,辅助调整候选域尺寸和标记输入航拍图像中的中光伏组件,得到光伏组件位置、类别以及置信度。
步骤5具体过程为:
步骤5.1、根据txt文本形式输出统计得出不同型号光伏组件的数量;
步骤5.2、通过不同型号光伏组件的数量,计算得出光伏电站的容量w:
w=λ∑niηipi
式中,pi为不同型号光伏组件的功率,ηi为不同型号光伏组件的效率,λ为考虑环境等客观因素影响产生的系数。
本发明的有益效果是:
本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,基于python深度学习理论,考虑较高的检测精度,采用双阶段目标检测算法fasterrcnn实现对航拍图像中光伏组件的识别,统计光伏组件的数量,计算得的出光伏电站的容量,为实现光伏发电智能化管理提供了基础。
附图说明
图1是本发明一种基于航拍图像中光伏组件识别的电站容量估测方法流程图;
图2为本发明中航拍光伏阵列图;
图3为本发明中航拍图像中光伏组件的标记;
图4为本发明中fasterrcnn网络架构图;
图5为本发明中航拍图像中光伏组件的识别结果;
图6为本发明实施例中精确率和召回率的示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,如图1所示,包括以下步骤:
步骤1、通过无人机拍摄光伏阵列图像,采用图像拼接和图像融合技术形成完整的光伏电站阵列图;具体过程为:
步骤1.1、通过无人机拍摄不同方向角度的光伏阵列图;
步骤1.2、通过surf特征提取方法对每幅光伏阵列图进行特征点提取,并对多幅光伏阵列图的同一特征点进行匹配;
步骤1.3、将每幅光伏阵列图中任意两幅图像,取其中一幅光伏阵列图a,另一幅为光伏阵列图b,通过使用findhomography函数来求得变换矩阵h,将光伏阵列图b经过变换矩阵h进行透视变换,得到光伏阵列图b在光伏阵列图a下的表示,即同一坐标下配准图。
步骤1.4、将光伏阵列图a以及同一坐标下配准图分别映射到一幅新的空白图像中,再将两幅新的空白图像进行平移拼接即可形成拼接图;
步骤1.5、将拼接图分为重叠区域和非重叠区域,对重叠区域的像素值按一定的权值相加,并结合非重叠区域形成新的图像,通过步骤1.3-步骤1.5把不同方向角度的光伏阵列图融合形成完整的光伏电站阵列图。
步骤2、利用数据增强技术对光伏电站阵列图进行扩充,然后对扩充后的光伏组件类别标记,构造光伏组件识别数据集;具体过程为:
步骤2.1、对光伏电站阵列图依次通过平移、缩放、颜色变换进行扩充,如图2所示;
步骤2.2、对扩充后的图像按照功率和效率不同,依次进行编号标记,如图3所示,将编号的图像构成光伏组件识别数据集。
步骤3、将光伏组件识别数据集按一定比例分为训练集和测试集,构建fasterrcnn网络模型,如图4所示,通过训练集对该网络模型进行训练;
步骤4、利用训练好的网络模型进行光伏组件的识别,识别结果以txt文本形式输出;步骤4具体过程为:
步骤4.1、对光伏组件获取航拍图像,将该航拍图像输入训练好的网络模型,得到光伏组件位置、类别以及置信度;步骤4.1具体过程为:
步骤4.1.1、对光伏组件获取航拍图像,采用vgg16型卷积神经网络进行特征提取,得到特征映射图;
步骤4.1.2、根据区域建议策略网络,利用softmax激活函数计算特征映射图中每个特征点属于前景的概率,同时在原始航拍图像的相应位置生成若干尺寸不一的候选域;
步骤4.1.3、roi池化层将候选域映射成维度固定的特征向量,再次利用softmax判断候选域中物体类别,其中特征映射图作为位置索引,辅助调整候选域尺寸和标记输入航拍图像中的中光伏组件,得到光伏组件位置、类别以及置信度。
步骤4.2、将光伏组件位置、类别以及置信度转换成txt文本形式输出。
步骤5、根据txt文本统计不同类别型号光伏组件的数量,计算得出光伏电站的容量。具体为:
步骤5.1、根据txt文本形式输出统计得出不同型号光伏组件的数量;
步骤5.2、通过不同型号光伏组件的数量,计算得出光伏电站的容量w:
w=λ∑niηipi
式中,pi为不同型号光伏组件的功率,ηi为不同型号光伏组件的效率,λ为考虑环境等客观因素影响产生的系数。
实施例
对某光伏发电站的航拍光伏阵列图如图1所示,标记如图3所示,经过本发明的方法进行识别结果如图5所示。
对本发明方法计算的精确率、召回率进一步验证:
在计算机视觉领域中,常见的评价指标包括精确率(precision)、召回率(recall)和平均精度均值(meanaveragepresicion)。精确率的定义为:检索到的目标中,正确目标的个数比例,因此也可视作查准率。召回率的定义为:检索到的正确目标,占总的正确目标的比例,因此也可视作查全率,精确率和召回率的示意图如图6所示。
图6中,检索到的正确目标总数为c,检索到的错误对象总数为d,未检测到的正确目标总数为a,未检测的错误目标总数为b。因此,精确率p和召回率r分别可表示为:
通过不同iou的设置得到的p和r值,可以绘制一条曲线,称之为p-r曲线如图所示。通过对p-r曲线在坐标系第一象限的面积可以得到ap(averageprecision)值。将所有类目标的ap值取平均值即可得到map(meanaverageprecision)值。map值能够评估算法的优劣程度,map值越高则算法检测的精确程度越高,map值越低则算法检测的精确程度越低。为评估fasterrcnn进行光伏组件识别的准确度,本发明拟采用目标检测召回率和平均检测精度两个方面来评估目标检测模型的性能,结果如表1所示。
表1
通过实验数据分析,可以得出结论:fasterrcnn进行光伏组件识别的准确度较高,这为后续的光伏电站容量计算提供了有力保障。
通过上述方式,本发明一种基于航拍图像中光伏组件识别的电站容量估测方法,基于python深度学习理论,考虑较高的检测精度,采用双阶段目标检测算法fasterrcnn实现对航拍图像中光伏组件的识别,统计光伏组件的数量,计算得的出光伏电站的容量,为实现光伏发电智能化管理提供了基础。