스웨덴 과학자들은 항공 이미지에서 작고 분산된 태양계를 식별하는 데 "우수한 성능"을 제공한다고 주장하는 새로운 자동화 모델을 만들었습니다. 이러한 자동화된 친환경 태양광 설치 시스템은 정책 입안자, 당국 및 재무 평가자에게 정확한 데이터를 제공할 수 있기 때문에 PV 산업의 많은 이해 관계자를 지원하는 유용한 도구라고 합니다.

새로운 방법은 딥 러닝 및 이미지 처리 기술을 활용하여 태양열 및 광전지 시스템을 감지하며 저자에 따르면 후속 연구는 PV와 태양열 기술을 구별하기 위해 모델을 향상시킬 수도 있습니다. "두 기술이 비슷한 질감과 색상 외관을 공유하기 때문에 이것은 어려운 작업입니다."라고 기사는 설명합니다. "그러나 우리는 올바른 수정과 개선을 통해 태양 에너지 시스템의 다중 등급 분할에 효과적으로 적응할 수 있다고 믿습니다."

솔라 에너지(Solar Energy)에 게재된 “딥 러닝을 이용한 항공 이미지에서 소형 분산형 태양계 식별” 연구에서 학자들은 빠르고 정밀한 분할을 위한 컨볼루션 네트워크 방식인 컨볼루션 신경망(CNN)의 U-net 아키텍처를 사용했다고 설명했다. 이 기술의 핵심 강점은 다른 접근 방식에 비해 더 적은 수의 입력 데이터와 더 낮은 하드웨어 사용량이 필요하다는 것입니다.

"태양 에너지 시스템 감지를 위한 U-net 모델의 활용은 정밀한 감지를 가능하게 하는 향상된 복잡성을 가진 데이터 중심의 자동화된 솔루션을 제공합니다."라고 덧붙였습니다. "항공 이미지에서 태양 에너지 시스템의 정확한 분할 및 식별은 패널 성능, 유지 관리 요구 사항 및 에너지 생산 추정의 효율적인 평가를 용이하게 하는 실질적인 가치를 보유합니다."

새로운 모델은 두 개의 데이터베이스(독일과 스웨덴의 데이터베이스)에서 훈련 및 테스트되었으며 두 가지를 혼합하여 더 높은 지상 태양광 발전 용량을 사용했습니다 . 연구원들은 다른 CNN 아키텍처와 비교할 때 특히 이미지 분할 작업에서 U-Net 모델이 두드러졌다고 말했습니다.

또한 연구에 따르면 U-net 모델은 128 x 128 픽셀 해상도의 항공 이미지에 대해 학습할 수 있으며 256 x 256 픽셀 해상도보다 크게 떨어지지 않는 정확도를 달성할 수 있습니다. 더 낮은 해상도를 사용하는 능력은 결과적으로 컴퓨터 하드웨어 사용량을 낮춥니다.

"이 연구는 U-net 모델이 높은 정확도로 항공 이미지에서 태양 에너지 시스템의 영역을 평가할 수 있음을 입증했습니다."라고 기사는 결론지었습니다. “그러나 올바른 면적 추정을 위해서는 모듈의 기울기도 필요합니다. 기울기 계산은 3D 건물 데이터 또는 고해상도/저해상도 LiDAR 데이터에서 수행할 수 있습니다. 후자를 본 연구의 방법과 결합하는 것이 계획된 다음 단계입니다.”