[最新发表] 从多背景和多分辨率遥感图像中识别风力涡轮机

发布日期:2023-12-27 14:10
浏览次数:146
1703657639808
【提要】
由于风力发电机具有独特的形状结构,其准确位置是由其底座位置决定的,目前已有的风力发电机遥感识别方法难以精确定位风力发电机的准确位置,且没有评估它们在多类背景和多种分辨率下的适用性。因此,本文提出了一种能够适用于多类背景和多种分辨率遥感影像的风力发电机识别算法,提出的算法在检测和定位两方面的性能均显著优于现有的风力发电机遥感识别算法。

【研究背景】
在联合国可持续发展目标的推动下,全球风电行业迎来了蓬勃发展,全球风电装机数量及范围正在迅速扩张。研究表明,风力发电机的位置和数量对于风电场生产效率评估、风电场年度生产总量估计、风电发展潜力评估等多个方面具有重要作用。然而,现有的风力发电机遥感识别方法存在风机位置定位不准确,地表背景多样性有限,适用分辨率单一等问题,此外,风机影子特征的影响目前仍缺乏探索。因此,我们开发了一种能够精确定位风力发电机准确位置,并且能够适用于多背景、多个分辨率下的风力发电机遥感识别算法WT-YOLO,此外,我们还讨论了风机影子特征及关键点特征对于算法在风机检测上的影响。提出的方法能够促进全球范围内风电位置信息的识别。

【研究方法】
风力发电机是一种具有准确位置的地物,它的底座位置指示了它在图像上的准确位置,但是,目前没有方法能够精确地定位风机的准确位置。由于风力发电机独特的形状特点,以边界框中心定位风力发电机的方法会与底座位置产生较大的偏差;现有的针对风力发电机底座进行定位的方法没有达到很好的效果,会产生大量的误检。
从风力发电机在高分辨率影像上的特征我们可以发现,风力发电机的轮毂,底座,影子轮毂是三个稳定且明显的关键点,我们将这三个关键点作为风力发电机的点特征,基于深度学习模型YOLOv5,加入对这三个关键点位置的预测,其中,预测的底座点位置用于定位风力发电机,从而实现了对风力发电机位置的精确定位。
图1. WT-YOLO模型结构图


与YOLOv5通过回归预测边界框的位置相同,我们通过回归预测关键点的位置。YOLOv5在头结构中进行边界框位置的回归,我们在YOLOv5头结构的基础上,加入对三个关键点位置预测的回归项,使边界框位置的回归与关键点位置的回归是同时进行,这样还实现了另一个特点,同步进行风力发电机的检测和定位。


【实验验证】
在0.6m-5.4m不同分辨率与不同背景下测试了WT-YOLO算法(识别结果示例如图2),并与当前常用的风机检测方法所使用的检测模型(Faster R-CNN)及风机定位算法(DeepWind)进行对比。结果表明,WT-YOLO模型在全部分辨率下的风机检测和定位效果均显著提升(表1-2);WT-YOLO模型将各分辨率下的定位偏差降低至米级;在较粗糙的米级分辨率下,WT-YOLO的精度下降幅度小,表明WT-YOLO是更适用于多个分辨率的模型;同时,与基础模型YOLOv5的结果对比说明了关键点特征和影子特征对于提升风机检测性能的有效性,也说明了在风机定位方面WT-YOLO相比于以边界框中心进行定位的方法有显著的效果提升。

图2. WT-YOLO模型风机及其关键点识别示例


表1. 风机检测效果的对比。“±”前后的数字分别代表交叉验证的平均精度和标准差。AP越高表示检测效果越好。

表2. 风机定位效果的对比。“±”前后的数字分别代表交叉验证的平均精度和标准差。MDE越小表示定位效果越好。

【结论】
    WT-YOLO在多个分辨率下均成为了当前风力发电机检测和定位的最佳模型,定位偏差被首次降低到米级,对于准确定位全球范围的风力发电机位置有巨大的潜力;风力发电机的影子特征和关键点特征的加入能够提升算法在风机检测方面的效果。

【论文信息】
该论文已发表于Zhai, Y., Chen, X., Cao, X., & Cui, X. (2024). Identifying wind turbines from multiresolution and multibackground remote sensing imagery. International Journal of Applied Earth Observation and Geoinformation, 126, 103613. https://doi.org/10.1016/j.jag.2023.103613
本论文算法链接:https://github.com/zyyyccc/WT-YOLO


分享到: