一种基于深度学习图像分割的光伏屋顶资源识别方法技术

本发明专利技术公开了一种基于深度学习图像分割的光伏屋顶资源识别方法，包括获取数据：从地图服务商获取指定区域的卫星遥感图片；标注数据：在所述卫星遥感图片标注出不同类型的屋顶类型；训练模型：针对不同的屋顶类型训练建筑物屋顶分割模型；组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型；批量识别数据：利用组合模型批量识别遥感图片数据，得到各种类型的屋顶轮廓数据；输出识别结果，供用户查询。本发明专利技术使得过去手工搜索地图，现场勘察建筑屋顶，测量尺寸的工作变为系统全自动执行分割识别，将识别结果供用户查询。使过去平均每个建筑需要1‑2人1天的工作变成了在系统搜索已被识别出来有建设光伏价值的建筑只需要几分钟就能完成。

A photovoltaic roof resource recognition method based on deep learning image segmentation

【技术实现步骤摘要】
一种基于深度学习图像分割的光伏屋顶资源识别方法
本专利技术涉及图片智能处理
，特别是一种基于深度学习图像分割的光伏屋顶资源识别方法，能分割识别卫星遥感图片中建筑物屋顶类型(包括水泥屋顶，彩钢瓦屋顶以及光伏板屋顶)，且能达到较高精度。
技术介绍
目前光伏集成商要寻找有价值的屋顶安装光伏板，只能人工在地图上漫无目的的寻找，因其不知道在哪个区域有什么样的建筑，建筑屋顶是否适合安装光伏板，需要地毯式的查看。现在并没有一种自动化的工具为光伏系统集成商提供自动搜索指定区域的有价值的可供安装光伏板的建筑。使用人工查找地图的方式，查找加现场勘察，平均下来每个建筑大约需要1-2个人天，效率非常低，成本高。为了解决此问题，本专利技术使用深度学习图像分割技术，对卫星遥感图片中的建筑进行分割识别，自动对指定区域的所有建筑进行分割识别，计算评估，并将识别计算结果保存下来，供光伏集成商按屋顶类型和价值进行快速排序查找，避免过去人手从地图随机查找的低效工作方式。
技术实现思路
本专利技术上述问题，提供一种基于深度学习图像分割的光伏屋顶资源识别方法。本专利技术的技术方案为：一种基于深度学习图像分割的光伏屋顶资源识别方法，包括如下步骤：100、获取数据：从地图服务商获取指定区域的卫星遥感图片；101、标注数据；在所述卫星遥感图片标注出不同类型的屋顶类型；102、训练模型：针对不同的屋顶类型训练建筑物屋顶分割模型；103、组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型；<br>104、批量识别数据：利用组合模型批量识别遥感图片数据，得到各种类型的屋顶轮廓数据；105、输出识别结果，供用户查询。作为本专利技术进一步地说明，所述步骤103和步骤104之间包含识别测试步骤，用以检测所述组合模型的检测识别效果，如其检测识别效果达到要求则进入步骤104，如其检测识别效果未达到要求则返回步骤101。更进一步地，所述步骤104与步骤105之间包含优化识别结果步骤，对所述屋顶轮廓数据的边界和存在的空洞进行优化处理。更进一步地，所述优化识别结果步骤采用CRF(条件随机场)对预测识别结果进行后处理优化。更进一步地，所述屋顶类型包含水泥屋顶、彩钢瓦屋顶和已安装光伏板屋顶三种类型。更进一步地，所述步骤102中利用Unet卷积神经网络训练建筑物屋顶分割模型。更进一步地，所述步骤102中用于训练建筑物屋顶分割模型的每种屋顶类型卫星遥感图片数量不少于800张。更进一步地，各个建筑物屋顶分割模型包含一个用于判断遥感图片中是否包含相应类型建筑物的分类阈值。更进一步地，所述分类阈值为0-1之间。本专利技术还提供一种计算机可读介质，其上存储有计算机程序，该程序被计算机或处理器执行以实现上述基于深度学习图像分割的光伏屋顶资源识别方法。本专利技术的有益效果：本专利技术先从地图服务商获取遥感图片并人工标注数据，来构建一个遥感图片分割数据集，分别对水泥屋顶，彩钢瓦屋顶以及光伏板屋顶训练Unet模型，并通过找出模型预测错误的典型样本，使模型不断迭代训练，每一类训练完成后根据测试集确定最佳的分类阈值。再对最后组合的3种模型的预测结果利用CRF(条件随机场)来优化网络得到的结果。最后使用优化得到的模型对指定区域的遥感图片进行分割识别，并将识别结果按面积大小进行排序，供用户快速查找。基于此来计算出每种类型的屋顶的面积，进而测算出该建筑可开发的光伏潜能。本专利技术使得过去手工搜索地图，现场勘察建筑屋顶，测量尺寸的工作变为系统全自动执行分割识别，将识别结果按面积排序供用户查询。使过去平均每个建筑需要1-2人1天的工作变成了在系统搜索已被识别出来有建设光伏价值的建筑只需要几分钟就能完成。附图说明图1为本专利技术系统流程图；图2为本专利技术方法实施例建筑物屋顶分割模型对卫星遥感图片识别效果和原图对比图一；图3为本专利技术方法实施例建筑物屋顶分割模型对卫星遥感图片识别效果和原图对比图二；图4为本专利技术方法一实施例分类阈值试验数据效果列表。具体实施方式实施例：下面结合附图对本专利技术实施例详细的说明，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“第一”、“第二”等指示的方位或位置或顺序关系为基于附图所示的方位或位置或顺序关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。参见附图1的流程图，本专利技术基于深度学习图像分割的光伏屋顶资源识别方法的流程图，具体包括如下步骤：100、获取数据：从地图服务商获取指定区域的卫星遥感图片。101、标注数据；标注出水泥屋顶、彩钢瓦屋顶、已安装光伏板屋顶。102、训练模型：利用Unet卷积神经网络训练建筑物屋顶分割模型。103、组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型。104、批量识别数据：利用组合模型批量识别遥感图片数据，得到三种类型的屋顶轮廓数据。105、优化识别结果。由于模型最终识别的结果会存在边界不光滑以及存在空洞的问题，因此利用CRF(条件随机场)对预测识别结果进行后处理优化。106、对输出识别结果进行面积计算，并按面积排序，供用户查询。实际应用中，在采用卫星遥感图片对建筑物屋顶分割模型进行训练时，最好保证包含每一类屋顶的卫星图像至少有800张以上，以使各个建筑物屋顶分割模型达到更好的训练效果和更高的准确率。另外由于大部分图片只包含一种或者两种不同类型的屋顶类型，因此为了得到更好的训练效果和更高的准确率，将对3种屋顶类型分别训练一个建筑物屋顶分割模型，同时分别对3个模型进行调参。作为优选的一种方案，在组件好组合模型后最好进行一批测试数据，以检查识别数据结果是否达到预期由于在获取的数据中，通常不能考虑到所有可能的数据分布，即比如高架桥与水泥地的遥感图片很相似，如果训练集中没有高架桥的训练图片，那么在实际的预测中模型很容易会预测错误。因此在一次训练完模型后识别一批图片，检查识别效果。找出识别错误典型样本。如果在测试中识别结果检查未达到预期，则需要在识别的数据中找出被模型识别错误的典型类样本，重新标注、训练模型。如此迭代数次，直到识别效果达到预期。建筑物屋顶分割模型对卫星遥感图片的识别效果可以参见附图2和附图3所示。作为进一步说明，各个建筑物屋顶分割模型根据测试集准确率选定最佳分类阈值。识别的本质是图片某个像素若模型输出值(0-1的概率值)大于某个分类阈值，则判定其为正类，也就是包含该类建筑物，小于某个分类阈值则为不包含该类建筑物，一般是阈值定为0.5。但由于各种因素的干扰如数据不平衡，这通常由测试集的具体效果而定，因为每个模型都是二分类问题，模型默认的阈值0.5本文档来自技高网...

【技术保护点】
1.一种基于深度学习图像分割的光伏屋顶资源识别方法，其特征在于：包括如下步骤：/n100、获取数据：从地图服务商获取指定区域的卫星遥感图片；/n101、标注数据；在所述卫星遥感图片标注出不同类型的屋顶类型；/n102、训练模型：针对不同的屋顶类型训练建筑物屋顶分割模型；/n103、组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型；/n104、批量识别数据：利用组合模型批量识别遥感图片数据，得到各种类型的屋顶轮廓数据；/n105、输出识别结果，供用户查询。/n

【技术特征摘要】
1.一种基于深度学习图像分割的光伏屋顶资源识别方法，其特征在于：包括如下步骤：
100、获取数据：从地图服务商获取指定区域的卫星遥感图片；
101、标注数据；在所述卫星遥感图片标注出不同类型的屋顶类型；
102、训练模型：针对不同的屋顶类型训练建筑物屋顶分割模型；
103、组合模型：利用多个训练好的建筑物屋顶分割模型组合成一个组合模型；
104、批量识别数据：利用组合模型批量识别遥感图片数据，得到各种类型的屋顶轮廓数据；
105、输出识别结果，供用户查询。


2.根据权利要求1所述的基于深度学习图像分割的光伏屋顶资源识别方法，其特征在于：所述步骤103和步骤104之间包含识别测试步骤，用以检测所述组合模型的检测识别效果，如其检测识别效果达到要求则进入步骤104，如其检测识别效果未达到要求则返回步骤101。


3.根据权利要求1所述的基于深度学习图像分割的光伏屋顶资源识别方法，其特征在于：所述步骤104与步骤105之间包含优化识别结果步骤，对所述屋顶轮廓数据的边界和存在的空洞进行优化处理。


4.根据权利要求3所述的基于深度学习图像分割的光伏屋顶资源识别方法...

【专利技术属性】
技术研发人员：吴科春，沈翀，许健彰，魏梁，
申请(专利权)人：广东融合通信股份有限公司，
类型：发明
国别省市：广东;44