[發明專利]一種基于深度學習圖像分割的光伏屋頂資源識別方法

在審

• 申請號: 201911102893.X
• 申請日: 2019-11-12
• 公開（公告）號: CN111191500A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 吳科春;沈翀;許健彰;魏梁
• 申請（專利權）人: 廣東融合通信股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州恒華智信知識產權代理事務所(普通合伙) 44299
• 代理人: 唐一鳴

本發明公開了一種基于深度學習圖像分割的光伏屋頂資源識別方法，包括獲取數據：從地圖服務商獲取指定區域的衛星遙感圖片；標注數據：在所述衛星遙感圖片標注出不同類型的屋頂類型；訓練模型：針對不同的屋頂類型訓練建筑物屋頂分割模型；組合模型：利用多個訓練好的建筑物屋頂分割模型組合成一個組合模型；批量識別數據：利用組合模型批量識別遙感圖片數據，得到各種類型的屋頂輪廓數據；輸出識別結果，供用戶查詢。本發明使得過去手工搜索地圖，現場勘察建筑屋頂，測量尺寸的工作變為系統全自動執行分割識別，將識別結果供用戶查詢。使過去平均每個建筑需要1?2人1天的工作變成了在系統搜索已被識別出來有建設光伏價值的建筑只需要幾分鐘就能完成。

技術領域

本發明涉及圖片智能處理技術領域，特別是一種基于深度學習圖像分割的光伏屋頂資源識別方法，能分割識別衛星遙感圖片中建筑物屋頂類型(包括水泥屋頂，彩鋼瓦屋頂以及光伏板屋頂)，且能達到較高精度。

背景技術

目前光伏集成商要尋找有價值的屋頂安裝光伏板，只能人工在地圖上漫無目的的尋找，因其不知道在哪個區域有什么樣的建筑，建筑屋頂是否適合安裝光伏板，需要地毯式的查看?，F在并沒有一種自動化的工具為光伏系統集成商提供自動搜索指定區域的有價值的可供安裝光伏板的建筑。使用人工查找地圖的方式，查找加現場勘察，平均下來每個建筑大約需要1-2個人天，效率非常低，成本高。為了解決此問題，本發明使用深度學習圖像分割技術，對衛星遙感圖片中的建筑進行分割識別，自動對指定區域的所有建筑進行分割識別，計算評估，并將識別計算結果保存下來，供光伏集成商按屋頂類型和價值進行快速排序查找，避免過去人手從地圖隨機查找的低效工作方式。

發明內容

本發明上述問題，提供一種基于深度學習圖像分割的光伏屋頂資源識別方法。本發明的技術方案為：

一種基于深度學習圖像分割的光伏屋頂資源識別方法，包括如下步驟：

100、獲取數據：從地圖服務商獲取指定區域的衛星遙感圖片；

101、標注數據；在所述衛星遙感圖片標注出不同類型的屋頂類型；

102、訓練模型：針對不同的屋頂類型訓練建筑物屋頂分割模型；

103、組合模型：利用多個訓練好的建筑物屋頂分割模型組合成一個組合模型；

104、批量識別數據：利用組合模型批量識別遙感圖片數據，得到各種類型的屋頂輪廓數據；

105、輸出識別結果，供用戶查詢。

作為本發明進一步地說明，所述步驟103和步驟104之間包含識別測試步驟，用以檢測所述組合模型的檢測識別效果，如其檢測識別效果達到要求則進入步驟104，如其檢測識別效果未達到要求則返回步驟101。

更進一步地，所述步驟104與步驟105之間包含優化識別結果步驟，對所述屋頂輪廓數據的邊界和存在的空洞進行優化處理。

更進一步地，所述優化識別結果步驟采用CRF(條件隨機場)對預測識別結果進行后處理優化。

更進一步地，所述屋頂類型包含水泥屋頂、彩鋼瓦屋頂和已安裝光伏板屋頂三種類型。

更進一步地，所述步驟102中利用Unet卷積神經網絡訓練建筑物屋頂分割模型。

更進一步地，所述步驟102中用于訓練建筑物屋頂分割模型的每種屋頂類型衛星遙感圖片數量不少于800張。

更進一步地，各個建筑物屋頂分割模型包含一個用于判斷遙感圖片中是否包含相應類型建筑物的分類閾值。

更進一步地，所述分類閾值為0-1之間。

本發明還提供一種計算機可讀介質，其上存儲有計算機程序，該程序被計算機或處理器執行以實現上述基于深度學習圖像分割的光伏屋頂資源識別方法。