在公用事业规模的太阳能园区中对光伏组件进行地理标记的新技术

快速阅读: 据《PV 杂志》最新报道，摩洛哥研究人员开发出一种利用无人机红外图像自动定位太阳能模块的新技术，无需人工标注，提升检测效率。该方法在两个案例中测试，准确率达91%，YOLOv7模型表现最佳。研究发表于《清洁工程与技术》。

一组来自摩洛哥的研究人员开发了一种新技术，用于在大型园区中对太阳能模块进行定位标记。该技术利用无人机（UAV）的红外（IR）图像作为输入，采用自适应阈值分割技术、边缘优化和摄影测量数据来分割和定位太阳能模块，而无需人工标注。此外，自动标注的数据集可用于训练深度学习模型。

该团队表示：“这项贡献通过显著减少太阳能板标注所需的时间，加快了大规模安装的检查过程，使深度学习检测器的训练只需最少的人工干预。”“所提出的流程还能通过在检测精度和推理时间之间实现最佳平衡，确保实时应用能力。”

这种新颖的标记方法使用无人机元数据，如GPS、惯性测量单元（IMU）和相机参数来计算地面采样距离（GSD），即图像中每个像素代表的实际地面面积。然后，对于自动标记，它使用“Niblack”技术从图像中生成阈值并找到太阳能板。随后，它使用边缘优化和聚类分析来验证其发现，并将尺寸与实际太阳能板的尺寸进行比较。提取过程包括一个程序，将坐标转换为深度学习模型所需的格式。

这种方法在摩洛哥的两个案例研究中进行了测试。第一个是绿色能源公园平台，其中包括22千瓦的地面安装单晶太阳能板，倾斜角度为31度。第二个案例研究是在摩洛哥数据中心屋顶上的一个电站，拥有1兆瓦的单晶太阳能板。热成像数据采集使用的是大疆Mavic 2企业版高级型（M2EA），配备了热成像和可见光相机，图像分辨率分别为640 x 512和8,000 x 6,000。

自动化数据集的结果显示：“在自动地理标记步骤中达到了91%的召回率，并通过聚类分析和几何限制条件显著减少了误检。”“最终，本文提高了单个光伏模块的识别和提取，并通过包含提取模块的地理位置加速了运行维护操作。”

由自动过程生成的标记图像被分为训练集、验证集和测试集，并用多种深度学习模型进行了测试。具体来说，该团队测试了SSD ResNet50 V1、SSD MobileNet v2、Faster RCNN ResNet 50 V1、Faster EfficientDet d1、CenterNet hg104和YOLOv7模型。在所有情况下，都使用了8个批次大小，而训练进行了500个周期。

该团队总结道：“自动地理标记的数据用于训练多个深度学习检测器。其中，YOLOv7表现最佳，每张图像的推理时间为15毫秒，在0.5交并比下的平均精度（mAP@0.5）达到98.33%，证明了其在实时检查场景中的适应性。”“此外，地理定位方法实现了2.51米的误差，这支持了模块在实地层面的准确识别，并增强了现场维护操作。”

这项新方法发表在《基于深度学习分割的无人机热成像快速且自动的太阳能模块地理标记，用于优化大规模光伏系统检查》一文中，发表于《清洁工程与技术》。

研究团队包括来自摩洛哥哈桑二世农业与兽医研究所（IAV Hassan II）、绿色能源公园研究平台以及奥杰达国家应用科学学院的科学家们。

热门内容
BBDF 2025：自营与合同策略
2025年7月16日
“欧洲市场的收入模式与前景”小组讨论指出，欧洲最活跃市场的复杂性和多种选择……

(以上内容均由Ai生成)