Advances in Applied Energy

日前，张浩然助理教授团队发表的研究论文Understanding rooftop PV panel semantic segmentation of satellite and aerial images for better using machine learning荣获Advances in Applied Energy2024年度高被引论文奖。

Advances in Applied Energy是一本开放获取期刊，发表能源创新相关各个方面的前沿应用研究，帮助弥合研究、开发和实施之间的差距。该刊为享有盛誉的Applied Energy的姊妹刊——Applied Energy是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子11.2，CiteScore21.1，谷歌学术全球学术期刊第49，工程期刊第19位，可持续能源子领域第2位。目前，作为升级版姊妹刊，Advances in Applied Energy现已被ESCI收录，当前实时影响因子14.9。

对于从航空航天遥感图像中识别并分割光伏太阳能电池板这一问题，该文从机器学习肌理的角度分析并提出了针对性的改进思路。感谢Advances in Applied Energy杂志对团队研究的认可，以及广大同行和读者的支持。我们期待继续与各位同仁分享我们的发现，并在应用能源领域进行更多有意义的探索。

论文详情

标题：Understanding rooftop PV panel semantic segmentation of satellite and aerial images for better using machine learning

链接：https://doi.org/10.1016/j.adapen.2021.100057

摘要

Abstract

光伏产业的繁荣发展和光伏应用的增加要求在准确、及时的装机容量数据的基础上进行更好的规划。与通常费时费力的人工统计方法相比，使用卫星/航空图像来估计现有的光伏装机容量提供了一种具有高效、准确、通用的新方法。现有的研究已经验证了从涉及机器学习技术的图像中分割光伏板的可行性。然而，由于光伏板语义分割的特殊性，在设计和应用机器学习工具时需要仔细考虑问题的提出、数据质量和模型的可解释性。

本文从计算机视觉的角度研究了光伏板语义分割的特点。结果发现，光伏板图像数据有几个具体的特点：高度的类别不平衡和非集中分布；同质的纹理和异质的颜色特征；以及进行有效语义分割的显著分辨率阈值。此外，本文从计算机视觉的最新解决方案的角度，针对每个观察到的特征，提供了数据获取和模型设计的建议，这或对未来改进光伏板的语义分割有帮助。

期刊信息

Journal Information

发表期刊

 Advances in Applied Energy

卷号期号

 Volume 4, No.100057

期刊月份

 2021.11

文章详情

Article Details

光伏产业的繁荣发展和光伏应用的增加要求在准确、及时的装机容量数据的基础上进行更好的规划。与通常费时费力的人工统计方法相比，使用卫星/航空图像来估计现有的光伏装机容量提供了一种具有高效、准确、通用的新方法。现有的研究已经验证了从涉及机器学习技术的图像中分割光伏板的可行性。然而，由于光伏板语义分割的特殊性，在设计和应用机器学习工具时需要仔细考虑问题的提出、数据质量和模型的可解释性。

图1.光伏板语义分割特点（多种感知方式比较）

不同的感知平台、不同的感知距离和不同的目标区域造就了各种各样的计算机视觉任务的特性（如图1所示）。光伏板图像分割作为计算机视觉任务也不例外，由其自身特点和感知方式形成了各种特点：包括统计、像素分辨率和视觉特点，剖析这些特性对于更好地使用机器学习工具完成这项任务具有重要作用。

图2.论文方法框架示意图

为了剖析上述特征，本文进行了一系列特性分析。包括：数据预处理、统计特征分析、像素分辨率特征分析和视觉特征分析。

图3.目标/背景比：光伏板与Inria建筑数据集等多个数据集的比较

为了分析光伏分割的统计特征，我们比较了一系列具有代表性的计算机视觉数据集，结果揭示了光伏图像数据的统计特征：样本类型的高度不平衡性和目标的非集中分布性。

图4.目标在图像上出现的概率密度：光伏板与Cityscapes等多个数据集的比较

我们比较了一系列具有各种分辨率质量的 PV 数据集，揭示了其分辨率特性：分辨率对于光伏板分割任务的影响是不连续、非线性的，其具有显著的有效分割的分辨率阈值。

图5.光伏板图像语义分割精度分布：与图像分辨率的关系

为了分析太阳能电池板的视觉特征，我们裁剪了数千张光伏电池板图像（无背景），提取纹理特征和颜色特征进行分析，揭示了光伏板图像的计算机视觉特征：高度同构的纹理特征和相对异构的颜色特征。

图6.集中式光伏板和分布式光伏板是否有视觉特征的差异，下图给出了答案

图7.光伏板图像纹理特征与颜色特征的聚类结果：高度一致的纹理特征与异构的颜色特征

此外，本文从计算机视觉的最新解决方案的角度，针对每个观察到的特征，提供了数据获取和模型设计的建议，这或对未来改进光伏板的语义分割有帮助。

作者介绍

Author

第一作者：

李沛然，东京大学特任研究员，目前开展基于大数据和人工智能的城市计算、智慧能源等相关研究。

E-mail: lipeiran@iii.u-tokyo.ac.jp

通讯作者：

张浩然，北京大学深圳研究生院助理教授，博士生导师，国家级青年人才计划入选者。

E-mail: h.zhang@pku.edu.cn

严晋跃，香港理工大学能源与建筑讲座教授，欧洲科学与艺术院院士。

E-mail：j-jerry.yan@polyu.edu.hk

图文：PKU智慧城市实验室

编辑：城规记者团

审核：张浩然  邱玉叶