Erkennung und Kartierung von Photovoltaik-Modulen
ein Supper & Supper Use Case
Die Planung einer neuen Infrastruktur für erneuerbare Energien ist nur möglich, wenn keine Informationslücke über die Verteilung der bereits realisierten Infrastruktur besteht. Um diese Informationslücke zu schließen, haben wir Deep Learning und GIS kombiniert, um Photovoltaik (PV)-Module in Nordrhein-Westfalen (NRW) mittels Drohnenbilder zu erkennen und zu kartieren.
Ziel dieses Projekts war es, ein neuronales Netzwerk zu trainieren, das die PV-Module automatisch erkennt und dann in einem GIS-System visualisiert.
Die Drohnenbilder wurden aus dem OpenGeoData-Portal des Landes NRW als digitale Orthofotos bezogen. Die Bilder (~47.818) hatten 4 Spektralbänder, eine räumliche Auflösung von 0,1 Metern und eine Spektralreferenz der EPSG 25832.
Die unterschiedlichen Farbeigenschaften der PV-Module machten den Markierungsprozess aufwendig, da alle möglichen optischen Eigenschaften im Trainingsdatensatz vorhanden sein sollten. Zudem erzeugen PV-Module mit sehr kleiner Oberfläche kaum visuelle Merkmale, die trainiert werden können und wurden daher nicht berücksichtigt. Bei der digitalen Kartierung kann es je nach Ausrichtung und der unterschiedlichen Dachneigungen zu optischen Verzerrungen der PV-Module kommen.
In ArcGIS (ESRI) wurden die Trainings-Datensätze für das Training mit einem Label versehen (als Shapefile) und in die TensorFlow Object Detection API (Deep Learning) exportiert (RCNN-Bildmaske). In TensorFlow wurde die RCNN-Bildmaske trainiert, um die PV-Module anhand der Trainings-Beispiele zu erkennen. Die PV-Module wurden mit Begrenzungsrahmen und dann mit Masken erkannt. Schließlich wurde das Modell in ArcGIS geladen, um den Rest der Region zu erkennen
Es wurde ein Shapefile erstellt, welches die Lage und Form der PV-Module in NRW zeigt.
Kategorie
→ GEO AI
→ Deep Learning
→ Object Detection
Technologien
ArcGIS Pro
Deep Learning
Mask RCNN
