基于属性筛选的光伏屋顶提取.docxVIP

基于属性筛选的光伏屋顶提取 随着世界气候变化带来的问题越来越严重，“低能耗、低污染和低排放”已成为能源使用的核心。作为新型清洁能源，太阳能目前主要以光能转换为热能和光能转换为电能两种方式加以利用。光伏屋顶就是顶部安装有可以进行光电转换以供用电器使用的光伏组件(太阳能电池)的建筑物，它能够有效利用建筑物空间，减少额外用地成本 高空间分辨率影像具有高度细节化的形状、几何结构和纹理等特征，能够清晰展示地物，有利于光伏屋顶的提取。深度学习是机器学习领域中的一个新兴研究方向，文献 在深度学习中，样本不平衡是指数据集中各个类别的样本数量不均衡的现象，它会导致训练模型侧重样本数目较多的类别，这样的模型泛化能力较差并且容易发生过拟合。城市不同功能区(住宅区、商业区、工业区等)中存在着不同种类的光伏屋顶，极易造成不同类型光伏屋顶样本的不平衡，给光伏屋顶的提取增加了挑战。Tensor Flow框架是由Jeff Dean领头的谷歌大脑学习团队基于谷歌内部第一代深度学习系统Dist Belief改进而来的通用计算机框架，已经于2015年11月在Git Hub上开源 1 研究区域数据 1.1 光伏组件的选择 南开区、红桥区、和平区、河东区等地处天津市繁华区域，建筑物类型多样，而且大部分屋顶都安装了光伏组件。由于云、雾等自然现象会遮挡住一些地面信息，因此本文选取了覆盖市区的无云、无雾霾的高空间分辨率遥感影像，这样可以避免大气对信息提取造成的影响 1.2 光伏屋顶影像和影像标注训练 本文数据处理流程如图1所示，具体为:在Arc GIS中将添加有材质、倾角属性的标注矢量图按照字段转换为栅格图，最终得到研究区光伏屋顶影像图、光伏屋顶影像材质标注图、光伏屋顶影像倾角标注图、光伏屋顶影像标注图。其中，材质图中像素值为0、1、2、3等4个值，分别代表背景、瓦、水泥、彩钢;倾角图中像素值为0、1、2、3等4个值，分别代表背景、平顶、尖顶、异形。利用材质图和倾角图，将不同组合值作为筛选条件，对光伏屋顶影像和影像标注图进行随机裁剪、翻转和旋转，得到筛选条件下的光伏屋顶影像和影像标注训练图。同样情况下，不利用材质图和倾角图，对光伏屋顶影像和影像标注图进行随机裁剪、翻转和旋转，得到未筛选条件下的光伏屋顶影像和影像标注训练图。 1.3 比iou精度指标 为评估算法的提取效果，本文采用准确率(Precision)、召回率(Recall)和交并比(Io U) 3种精度指标进行评价，公式 式中，TP(true positive)、FP(false posive)和FN(false negative)分别表示实际为正样本，也被分类为正样本;实际为负样本，而被分类为正样本;实际为正样本，而被分类为负样本的像素点个数。 2 测试配置 2.1 采样结果的上采样 算法步骤为:(1)进行两次3×3大小的卷积、Relu激活操作后，一方面进行复制与裁剪并保留，另一方面进行2×2大小的最大池化;(2)重复3次步骤(1)中的过程，共进行4次下采样，接着进行两次3×3大小的卷积和Relu激活操作;(3)对步骤(2)的结果进行2×2大小的上采样，并同步骤(1)中保留的同层同个数复制与裁剪后的结果连接，完成跳跃连接，然后进行两次3×3大小的卷积、Relu激活操作;(4)重复3次步骤(3)中的过程，共进行了4次上采样，最终将编码部分得到的高级语义特征图恢复到原图分辨率;(5)最后，进行1×1卷积得出每个像素的预测类别。具体结构见表1。 2.2 处理器环境配置 深度学习中合理的参数设置对训练生成模型的信息提取效果有很大的影响 本文计算机硬件资源配置为Intel i7 6800K 6核处理器，英伟达Geo Force GTX 1080 Ti显卡，内存为32 GB，显存为12 GB。最终设置的参数中，输入数据尺寸为512×512像素，周期为10，批大小为4，初始学习率为0.000 1。 3 两种类型光伏屋顶模型的比较 对经过筛选和未经过筛选产生的屋顶数量按照材质和倾角属性分别进行统计，得到表2的统计结果。 从表2可以看出:经过属性筛选后每种类型屋顶数量都多于未筛选情况下相同类型屋顶数量，说明筛选后的数据增大了类型内的样本量;经过属性筛选后每种类型屋顶数量同其他类型屋顶数量的差距基本低于未筛选情况，说明筛选后的数据减小了类型间的差距量。具体见表3、表4。 将训练数据集按照2.2中设置的参数进行训练，得出泛化能力最佳的模型 将预测数据集输入至两种情况下得到的训练模型进行测试，对预测结果进行统计后得出的结果见表5。 从表5可以看出，筛选情况下得到的预测结果相较于未筛选情况下各指标精度的变化具体表现为:各个区的Recall相差很小，几乎持平，说明两种情况训练的模型都能够提取出光伏屋顶;南开区的Precision提升2%左右