Solcellspaneler har fått ökad uppmärksamhet som en betydande källa till förnybar energi på grund av den ökande medvetenheten om klimatförändringar och behovet av hållbara energilösningar. I Sverige har detta lett till en kraftig ökning av solcellsanläggningar. I och med ökningen av solcellspaneler i urbana miljöer, har behovet av att kartlägga och inventera dessa anläggningar växt. Framsteg inom artificiell intelligens (AI) och bildanalys har öppnat möjligheter för automatiserade metoder som effektivt kan identifiera och segmentera solcellspaneler. Syftet med detta arbete är att utforska potentialen hos traditionella AI-modeller, som Support Vector Machines (SVM) och Random Forest (RF), samt faltningsnätverk av typen U-net, för att identifiera och segmentera solcellspaneler i svenska flygfotodata. Vidare undersöks i arbetet hur dessa modeller reagerar på reducerad datamängd samt vad för sorts features som höjer de traditionella modellernas prestanda i syfte att inventera solcellspaneler. Under arbetet skapas ett dataset om 2268, 1152 RGBI-data, där solcellspaneler utgör 22,8 procent av pixlarna. Data är hämtad från Lantmäteriet och har en spatial upplösning på 0.16m/pixel. Tre modeller implementeras och jämförs under olika förhållanden. Flertalet features utvunna från datasetet presenteras och förändringar av prestanda vid träning med dessa features mäts. För en utvärdering av modellernas precision tränas de först på 70% av det totala datasetet och utvärderas på de resterande 30%. En andra utvärdering utförs med reducerad datamängd där 35% av den totala datamängden används för träning och 30% för utvärdering. Prestandamätningar utförs på samma dataset för alla modeller där traditionella modeller tränas på RGB, RGBI, RGBI+features. U-net-modellen tränas på RGB-data. Resultaten visar att U-net-modellen presterar bäst i syfte att segmentera solcellspaneler med en F1-score på 0.91 och MCC på 0.89. Näst bäst är RF med en F1-score på 0.81 samt MCC på 0.76. Vid halvering av mängd träningsdata observeras störst negativ förändring av prestation på U-net-modellen, medan de traditionella modellerna syns påverkas mindre. Rätt urval av features observeras markant höja prestationen hos de traditionella modellerna. Sammanfattningsvis påvisar resultaten att neurala nätverk presterar bättre än traditionella modeller vid inventering av svenska solcellspaneler och betonar samtidigt vikten av rätt feature selection hos traditionella maskininlärningsmodeller. / Solar panels have gained increased attention as a significant source of renewable energy due to the growing awareness of climate change and the need for sustainable energy solutions. In Sweden, this has led to a rise in solar installations. With the increase of solar panels in urban areas, the need for accurate mapping and inventory of these installations has grown. Advances in artificial intelligence (AI) and image analysis have opened possibilities for automated methods for high precision identification av segmentation of solar panels. These automated methods reduce time consumption, resource use and the risk of human error. The aim of this work is to explore the potential of traditional AI models such as Support Vector Machines (SVM) and Random Forest (RF), as well as convolutional neural networks with the U-net architecture, to identify and segment solar panels in Swedish aerial imagery. Furthermore, the study investigates how these models perform with reduced data quantities. The study also examines which types of features enhance the performance of traditional models for the purpose of inventorying solar panels. During the study, a dataset of 2268, 1152 RGBI data was created, where solar panels constitute 22.8 percent of the pixels. This data, sourced from Lantmäteriet, has a spatial resolution of 0.16m/pixel. Three models were implemented and compared under various conditions. Multiple features extracted from the dataset were presented and performance changes during training with these features were measured. For evaluation the models were first trained on 70% of the total dataset and evaluated on the remaining 30%. A second evaluation was conducted with reduced data, using 35% for training and 30% for evaluation. Performance measurements were carried out on the same dataset for all models, where the traditional models were trained on RGB, RGBI, and RGBI + features, while the U-net model was trained on RGB data. In evaluation the U-net model achieved the highest performance in solar panel segmentation with an F1-score of 0.91 and an MCC of 0.89, followed by RF with an F1-score of 0.81 and an MCC of 0.76. Halving the training data resulted in a bigger impact on U-net's performance than on the traditional models. Optimal feature selection substantially improved traditional models, doubling SVM's F1-score when trained with additional features. In summary, the results indicate that neural networks perform better than traditional models in inventorying Swedish solar panels and emphasize the importance of correct feature selection in traditional machine learning models.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:hig-44473 |
| Date | January 2024 |
| Creators | Sundin, Joel, Viklund, Christoffer |
| Publisher | Högskolan i Gävle, Datavetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0128 seconds