近日，斯坦福大學(xué)的研究人員推出了深度學(xué)習(xí)框架DeepSolar，該框架分析衛(wèi)星圖像以識(shí)別太陽(yáng)能電池板的GPS位置和尺寸。 使用該框架，他們建立了一個(gè)綜合數(shù)據(jù)庫(kù)，其中包含美國(guó)所有GPS位置和太陽(yáng)能裝置的尺寸。 該系統(tǒng)能夠識(shí)別美國(guó)各地的147萬(wàn)個(gè)太陽(yáng)能裝置，從小型屋頂配置，太陽(yáng)能發(fā)電場(chǎng)到公用事業(yè)規(guī)模系統(tǒng)。

DeepSolar數(shù)據(jù)庫(kù)可公開獲取，以幫助研究人員進(jìn)一步深入了解太陽(yáng)能采用情況。 該數(shù)據(jù)庫(kù)還將幫助政策制定者更好地理解太陽(yáng)能部署與社會(huì)經(jīng)濟(jì)因素（如家庭收入，人口密度和教育水平）之間的相關(guān)性。

圖片來(lái)自：stanford.edu

DeepSolar如何運(yùn)作？

DeepSolar使用轉(zhuǎn)移學(xué)習(xí)在366467個(gè)圖像上訓(xùn)練CNN分類器。這些圖像來(lái)自美國(guó)50多個(gè)城市/城鎮(zhèn)，僅有圖像級(jí)標(biāo)簽，表明是否存在面板。

其中一位研究人員，Rajagopal向Gizmodo解釋了該模型，“該算法將衛(wèi)星圖像分解為小塊。每個(gè)圖塊由深度神經(jīng)網(wǎng)絡(luò)處理，以產(chǎn)生圖塊中每個(gè)像素的分類。將這些分類組合在一起以檢測(cè)區(qū)塊中是否存在系統(tǒng)或部分系統(tǒng)中。然后深度神經(jīng)網(wǎng)絡(luò)識(shí)別哪個(gè)瓷磚是太陽(yáng)能電池板。培訓(xùn)完成后，網(wǎng)絡(luò)會(huì)生成激活圖，也稱為熱圖。熱圖概述了面板，可用于獲得每個(gè)太陽(yáng)能電池板系統(tǒng)的尺寸。

Rajagopal進(jìn)一步解釋了該模型如何提供更高的效率，“屋頂光伏系統(tǒng)通常對(duì)應(yīng)于多個(gè)像素。因此，即使每個(gè)像素分類都不完美，當(dāng)組合時(shí)，您的分類也會(huì)得到顯著改善。我們對(duì)假陰性給予更高的權(quán)重以防止它們。

研究人員做了哪些觀察？

為了衡量其分類性能，研究人員定義了兩個(gè)指標(biāo):利用精確度和召回率。利用精度為所有正向決策的正確率，召回率為所有正向樣本的正確率。DeepSolar在住宅方面的召回率為88.5%，達(dá)到了93.1%的精度;在非住宅方面的召回率為90.5%，達(dá)到了93.7%的精度。

為了測(cè)量其尺寸估計(jì)性能，他們計(jì)算了平均相對(duì)誤差(MRE)。其中住宅樓宇占3.0%，非住宅樓宇占2.1%。

未來(lái)的工作

目前，DeepSolar數(shù)據(jù)庫(kù)僅涵蓋美國(guó)鄰近地區(qū)。研究人員正計(jì)劃將其覆蓋范圍擴(kuò)大到北美所有地區(qū)，包括具有公用事業(yè)規(guī)模太陽(yáng)能的偏遠(yuǎn)地區(qū)和非連續(xù)的美國(guó)各州。最終，它還將涵蓋世界上其他國(guó)家和地區(qū)。

此外，DeepSolar僅根據(jù)衛(wèi)星圖像估算太陽(yáng)能電池板的水平投影面積。將來(lái)，它將能夠從街景圖像中推斷出高分辨率的屋頂方向和傾斜信息。這將更準(zhǔn)確地估計(jì)太陽(yáng)系的大小和太陽(yáng)能發(fā)電能力。