スウェーデンの科学者たちは、航空画像から小型の分散型太陽系を識別する際に「優れたパフォーマンス」を提供すると主張する新しい自動モデルを作成した。このような自動化された環境に優しい太陽光発電設置システムは、政策立案者、当局、財務評価者に正確なデータを提供できるため、太陽光発電業界の多くの関係者を支援する有用なツールであると言われています。

この新しい方法は、ディープラーニングと画像処理技術を利用して太陽熱システムと太陽光発電システムを検出しており、著者らによると、追跡調査によって、PV 技術と太陽熱技術を区別するモデルを強化する可能性さえあるという。「2 つのテクノロジーはテクスチャと色の外観が似ているため、これは困難な作業です」と記事では説明されています。「しかし、適切な修正と改善を行えば、太陽エネルギーシステムのマルチクラスのセグメント化に効果的に適応できると私たちは信じています。」

Solar Energy 誌に掲載された研究「深層学習を使用した航空画像内の小型分散型太陽系の識別」では、研究者らは、高速かつ正確なセグメンテーションのための畳み込みネットワーク手法である畳み込みニューラル ネットワーク (CNN) の U-net アーキテクチャを使用したと説明しました。この技術の主な長所は、他のアプローチと比較して必要な入力データの数が少なく、ハードウェアの使用量が少ないことであると説明しています。

「太陽エネルギーシステムの検出にU-netモデルを利用することで、複雑さが強化されたデータ駆動型で自動化されたソリューションが提供され、正確な検出が可能になります」と付け加えた。「航空画像からの太陽エネルギー システムの正確なセグメンテーションと識別には、実質的な実用的価値があり、パネルの性能、メンテナンス要件、エネルギー生産量の見積もりの​​効率的な評価が容易になります。」

新しいモデルは、2 つのデータベース (1 つはドイツ、もう 1 つはスウェーデン) でトレーニングおよびテストされ、地上設置型太陽光発電の能力を高めるために 2 つのデータベースを組み合わせて使用​​されました。研究者らによると、他の CNN アーキテクチャと比較した場合、U-Net モデルは、特に画像セグメンテーション タスクにおいて際立っていました。

また、調査によると、U-net モデルは 128 x 128 ピクセルの解像度の航空画像でトレーニングでき、256 x 256 ピクセルの解像度よりも大幅に劣る精度を達成できません。より低い解像度を使用できるため、コンピューターのハードウェアの使用率も低くなります。

「この研究は、U-net モデルが航空画像内の太陽エネルギー システムのエリアを高精度で評価できることを証明しました」と記事は結論付けています。「ただし、正確な面積推定にはモジュールの傾きも必要です。傾きの計算は、3D 建物データまたは高解像度/低解像度の LiDAR データから行うことができます。後者とこの研究の方法を組み合わせることが次のステップとして計画されています。」