结合HDC和Attention的高分遥感影像光伏板提取研究

人工调查维护光伏板导致人力维护成本昂贵。因此,使用深度学习方法通过遥感影像提取光伏板能够低成本为光伏发电场景的运行维护提供重要数据支撑。使用改进后的DeepLabV3+语义分割模型,解决了如何利用高分辨率遥感影像进行光伏的精确分割与提取的问题。提出一种基于DeepLabV3+深度学习架构的超高分辨率遥感影像光伏板提取方法。主要创新工作体现在:(1)针对遥感影像中光伏板信息难以精细提取的问题,提出混合空洞卷积空间金字塔池化模块;(2)针对光伏板信息提取中边缘细节易丢失的问题,引入注意力机制敏感捕捉小区域特征,以提高模型的分割能力。该研究采用2021年中国科学院大学发布的多分辨率光伏数据集进行实验,结果表明:提出的模型在0.1 m、0.3 m、0.8 m空间分辨率的分布式光伏数据集中IoU可达92.54%、79.91%、76.27%。在0.3 m、0.8 m空间分辨率的地面光伏数据集中可达到94.27%、87.24%,相较于原本的DeepLabV3+模型,在三种不同分辨率和不同背景的场景中的IoU提高0.13~2.02个百分点;同时在0.1 m、0.3 m、0.8 m空间分辨率的屋顶分布式光伏数据集上,提出的方法与经典语义分割模型U-Net、PSPNet、DeepLabV3+相比,IoU提高0.64~20.51个百分点。以上实验证明了该方法的有效性。

基于改进DeepLabV3+的超高分辨率遥感光伏板识别与分割研究

采用深度学习方法,设计了以MobileNetV2为主干提取网络的DeepLabV3+语义分割模型,实现了超高分辨率遥感光伏板智能识别与自动提取.研究探讨了不同背景和不同空间分辨率对光伏分割提取的影响,并在不同空间分辨率之间进行了迁移学习实验.将本文改进的DeepLabV3+模型与经典语义分割模型U-Net、PSPNet等进行了对比实验,结果表明:改进的DeepLabV3+模型取得了最高精度,IoU达到0.955,相较于U-Net和PSP-Net分别提升了4%和6%,实现了较好的提取效果;光伏在遥感影像上的大小和分布是影响光伏提取效果的关键,应使用较高空间分辨率的影像提取分布式屋顶光伏,而可以使用较低空间分辨率的遥感影像提取大规模的地面光伏;借助少量样本进行训练,在不同分辨率数据间迁移学习的效果可以达到较好程度,IoU=0.9,能够有效解决不同分辨率数据集的训练样本匮乏问题.