Deep learning for photovoltaic panels segmentation

Abstract

Завдяки передовій сенсорній технології супутники та безпілотні літальні апарати (БПЛА) виробляють величезну кількість даних, що дозволяє вдосконалювати всі види програм спостереження Землі. Завдяки цьому джерелу інформації та через занепокоєння зміною клімату оцінка відновлюваної енергії стала все більш необхідною для дослідників і компаній. Сонячна енергія, що переходить від дахів будинків до комунальних ферм, змінює енергетичні ринки по всьому світу. Однак автоматична ідентифікація фотоелектричних (PV) панелей і статусу сонячних електростанцій все ще залишається відкритим питанням, яке, якщо на нього дадуть належну відповідь, допоможе оцінити розвиток сонячної енергії та задовольнити потреби в енергії. Віднедавна методи глибокого навчання (DL) виявилися придатними для роботи з даними дистанційного зондування, що надає багато можливостей для подальших досліджень стосовно оцінки сонячної енергії. Координація між доступністю даних дистанційного зондування та можливостями комп’ютерного зору глибокого навчання дозволила дослідникам знайти можливе рішення для глобального картографування сонячних електростанцій і житлових фотоелектричних панелей. Однак оцінки, отримані під час попередніх досліджень, викликають сумніви, коли йдеться про дефіцит фотоелектричних систем. У цій статті детально висвітлюється та досліджується потенціал підходів DL, керованих дистанційним зондуванням, для оцінки сонячної енергії. З огляду на те, що нещодавно було опубліковано багато робіт, присвячених такій проблемі, їх рецензування та обговорення має високу мотивацію, щоб зберегти стабільний прогрес у майбутніх розробках. Потім подається коротке дослідження, яке підкреслює як моделі семантичної сегментації можуть бути упередженими та давати значно вищі бали у випадку, коли висновок недостатній. Ми забезпечуємо симуляцію провідної архітектури семантичної сегментації U-Net і досягаємо показників продуктивності до 99.78%. Тим не менш, необхідно внести подальші вдосконалення, щоб збільшити здатність моделі створювати справжні фотоелектричні блоки.Due to advanced sensor technology, satellites and unmanned aerial vehicles (UAV) are producing a huge amount of data allowing advancement in all different kinds of earth observation applications. Thanks to this source of information, and driven by climate change concerns, renewable energy assessment became an increasing necessity among researchers and companies. Solar power, going from household rooftops to utility-scale farms, is reshaping the energy markets around the globe. However, the automatic identification of photovoltaic (PV) panels and solar farms' status is still an open question that, if answered properly, will help gauge solar power development and fulfill energy demands. Recently deep learning (DL) methods proved to be suitable to deal with remotely sensed data, hence allowing many opportunities to push further research regarding solar energy assessment. The coordination between the availability of remotely sensed data and the computer vision capabilities of deep learning has enabled researchers to provide possible solutions to the global mapping of solar farms and residential photovoltaic panels. However, the scores obtained by previous studies are questionable when it comes to dealing with the scarcity of photovoltaic systems. In this paper, we closely highlight and investigate the potential of remote sensing-driven DL approaches to cope with solar energy assessment. Given that many works have been recently released addressing such a challenge, reviewing and discussing them, it is highly motivated to keep its sustainable progress in future contributions. Then, we present a quick study highlighting how semantic segmentation models can be biased and yield significantly higher scores when inference is not sufficient. We provide a simulation of a leading semantic segmentation architecture U-Net and achieve performance scores as high as 99.78%. Nevertheless, further improvements should be made to increase the model's capability to achieve real photovoltaic units.