内容简介:昨天,斯坦福大学的研究人员推出了深度学习框架DeepSolar,该框架分析卫星图像以识别太阳能电池板的GPS位置和尺寸。 使用该框架,他们建立了一个综合数据库,其中包含美国所有GPS位置和太阳能装置的尺寸。 该系统能够识别美国各地的147万个太阳能装置,从小型屋顶配置,太阳能发电场到公用事业规模系统。DeepSolar数据库可公开获取,以帮助研究人员进一步深入了解太阳能采用情况。 该数据库还将帮助政策制定者更好地理解太阳能部署与社会经济因素(如家庭收入,人口密度和教育水平)之间的相关性。
昨天,斯坦福大学的研究人员推出了深度学习框架DeepSolar,该框架分析卫星图像以识别太阳能电池板的GPS位置和尺寸。 使用该框架,他们建立了一个综合数据库,其中包含美国所有GPS位置和太阳能装置的尺寸。 该系统能够识别美国各地的147万个太阳能装置,从小型屋顶配置,太阳能发电场到公用事业规模系统。
DeepSolar数据库可公开获取,以帮助研究人员进一步深入了解太阳能采用情况。 该数据库还将帮助政策制定者更好地理解太阳能部署与社会经济因素(如家庭收入,人口密度和教育水平)之间的相关性。
图片来自:stanford.edu
DeepSolar如何运作?
DeepSolar使用转移学习在366467个图像上训练CNN分类器。这些图像来自美国50多个城市/城镇,仅有图像级标签,表明是否存在面板。
其中一位研究人员,Rajagopal向 Gizmodo 解释了该模型,“该算法将卫星图像分解为小块。每个图块由深度神经网络处理,以产生图块中每个像素的分类。将这些分类组合在一起以检测区块中是否存在系统或部分系统中。“
然后深度神经网络识别哪个瓷砖是太阳能电池板。培训完成后,网络会生成激活图,也称为热图。热图概述了面板,可用于获得每个太阳能电池板系统的尺寸。
Rajagopal进一步解释了该模型如何提供更高的效率,“屋顶光伏系统通常对应于多个像素。因此,即使每个像素分类都不完美,当组合时,您的分类也会得到显着改善。我们对假阴性给予更高的权重以防止它们。“
研究人员做了哪些观察?
为了衡量其分类性能,研究人员定义了两个指标:利用精确度和召回率。利用精度为所有正向决策的正确率,召回率为所有正向样本的正确率。DeepSolar在住宅方面的召回率为88.5%,达到了93.1%的精度;在非住宅方面的召回率为90.5%,达到了93.7%的精度。
为了测量其尺寸估计性能,他们计算了平均相对误差(MRE)。其中住宅楼宇占3.0%,非住宅楼宇占2.1%。
未来的工作
目前,DeepSolar数据库仅涵盖美国邻近地区。研究人员正计划将其覆盖范围扩大到北美所有地区,包括具有公用事业规模太阳能的偏远地区和非连续的美国各州。最终,它还将涵盖世界上其他国家和地区。
此外,DeepSolar仅根据卫星图像估算太阳能电池板的水平投影面积。将来,它将能够从街景图像中推断出高分辨率的屋顶方向和倾斜信息。这将更准确地估计太阳系的大小和太阳能发电能力。
要了解更多详细信息,请查看Ram Rajagopal等人发表的 研究论文 :DeepSolar:一种在美国有效构建太阳能部署数据库的机器学习框架。
Linux公社的RSS地址 : https://www.linuxidc.com/rssFeed.aspx
本文永久更新链接地址: https://www.linuxidc.com/Linux/2018-12/155948.htm
以上所述就是小编给大家介绍的《DeepSolar深度学习框架,可识别美国每个太阳能电池板》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
工程问题C++语言求解
Delores M.Etter、Jeanine A.Ingber / 冯力、周凯 / 机械工业出版社 / 2014-8 / 79元
本书介绍了如何利用ANSIC++编程语言以基于对象的编程方式来解决工程问题。书中引用了大量来自于不同工程、科学和计算机科学领域的示例,是一本理论和实践结合紧密的教材。针对C++基本语法的各个部分,由浅入深地进行讲解。每讲解一部分基础知识,同时会结合多个相关实例,实例内容详实,紧贴所讲内容,使读者能够立刻对所学知识进行练习,实战性强。一起来看看 《工程问题C++语言求解》 这本书的介绍吧!