Zweedse wetenschappers hebben een nieuw geautomatiseerd model gemaakt dat volgens hen "superieure prestaties" biedt bij het identificeren van kleine, gedecentraliseerde zonnestelsels op basis van luchtfoto's. Dergelijke geautomatiseerde , milieuvriendelijke montagesystemen voor zonne-energie zouden een nuttig hulpmiddel zijn om veel belanghebbenden in de PV-industrie te helpen, omdat het beleidsmakers, autoriteiten en financiële beoordelaars van nauwkeurige gegevens kan voorzien.

De nieuwe methode maakt gebruik van technieken voor diep leren en beeldverwerking om thermische zonne- en fotovoltaïsche systemen te detecteren, en volgens de auteurs zou een vervolgstudie het model zelfs kunnen verbeteren om onderscheid te maken tussen de PV- en thermische zonne-technologieën. "Dit is een uitdagende taak, aangezien de twee technologieën een vergelijkbare textuur en kleurweergave hebben", legt het artikel uit. "We zijn echter van mening dat het met de juiste aanpassingen en verbeteringen effectief kan worden aangepast voor multi-klasse segmentatie van zonne-energiesystemen."

In de studie "Identifying small gedecentralized solar systems in aerial images using deep learning", gepubliceerd in Solar Energy, legden de academici uit dat ze een U-net-architectuur van convolutionele neurale netwerken (CNN) gebruikten, een convolutionele netwerkmethode voor snelle en nauwkeurige segmentatie. van afbeeldingen, waarin wordt uitgelegd dat de belangrijkste kracht van deze techniek is dat er een kleiner aantal invoergegevens en een lager hardwaregebruik nodig is in vergelijking met andere benaderingen.

"Het gebruik van het U-net-model voor de detectie van zonne-energiesystemen biedt een datagestuurde en geautomatiseerde oplossing met verbeterde complexiteit, waardoor nauwkeurige detectie mogelijk is", voegde het eraan toe. "De nauwkeurige segmentatie en identificatie van zonne-energiesystemen op basis van luchtfoto's heeft substantiële praktische waarde, waardoor een efficiënte beoordeling van paneelprestaties, onderhoudsvereisten en schatting van energieproductie mogelijk wordt."

Het nieuwe model is getraind en getest op twee databases - een uit Duitsland en een andere uit Zweden - en een combinatie van de twee werd gebruikt voor een hogere op de grond gemonteerde zonne-opwekkingscapaciteit van zijn capaciteiten. In vergelijking met andere CNN-architecturen, zeiden de onderzoekers, viel het U-Net-model op, vooral bij beeldsegmentatietaken.

Ook volgens het onderzoek kan het U-net-model worden getraind op luchtfoto's met een resolutie van 128 x 128 pixels, en een nauwkeurigheid bereiken die niet significant slechter is dan bij een hogere resolutie van 256 x 256 pixels. Het vermogen om een ​​lagere resolutie te gebruiken, resulteert op zijn beurt in een lager computerhardwaregebruik.

"Deze studie heeft bewezen dat een U-net-model het gebied van zonne-energiesystemen in luchtfoto's met hoge nauwkeurigheid kan beoordelen", concludeerde het artikel. “De helling van de modules is echter ook nodig voor een correcte oppervlakte-inschatting. Het berekenen van de kanteling kan worden gedaan op basis van 3D-gebouwgegevens of LiDAR-gegevens met hoge/lage resolutie. Dat laatste combineren met de methode van dit onderzoek is de geplande volgende stap.”