論文の概要: Georeferencing of Photovoltaic Modules from Aerial Infrared Videos using Structure-from-Motion

• arxiv url: http://arxiv.org/abs/2204.02733v1
• Date: Wed, 6 Apr 2022 11:17:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 21:05:58.075691
• Title: Georeferencing of Photovoltaic Modules from Aerial Infrared Videos using Structure-from-Motion
• Title（参考訳）: 構造移動を用いた赤外線映像からの太陽電池モジュールのジオレファレンス
• Authors: Lukas Bommes and Claudia Buerhop-Lutz and Tobias Pickel and Jens Hauch and Christoph Brabec and Ian Marius Peters
• Abstract要約: 植物中のすべてのPVモジュールのジオコーディネートを、視覚的キューと計測されたドローンのGPSトラジェクトリに基づいて自動的に取得する。 35084モジュールの99.3%を4つの大規模および1つの屋上植物にマッピングし、2200万以上のモジュール画像を取り出すことに成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: To identify abnormal photovoltaic (PV) modules in large-scale PV plants economically, drone-mounted infrared (IR) cameras and automated video processing algorithms are frequently used. While most related works focus on the detection of abnormal modules, little has been done to automatically localize those modules within the plant. In this work, we use incremental structure-from-motion to automatically obtain geocoordinates of all PV modules in a plant based on visual cues and the measured GPS trajectory of the drone. In addition, we extract multiple IR images of each PV module. Using our method, we successfully map 99.3 % of the 35084 modules in four large-scale and one rooftop plant and extract over 2.2 million module images. As compared to our previous work, extraction misses 18 times less modules (one in 140 modules as compared to one in eight). Furthermore, two or three plant rows can be processed simultaneously, increasing module throughput and reducing flight duration by a factor of 2.1 and 3.7, respectively. Comparison with an accurate orthophoto of one of the large-scale plants yields a root mean square error of the estimated module geocoordinates of 5.87 m and a relative error within each plant row of 0.22 m to 0.82 m. Finally, we use the module geocoordinates and extracted IR images to visualize distributions of module temperatures and anomaly predictions of a deep learning classifier on a map. While the temperature distribution helps to identify disconnected strings, we also find that its detection accuracy for module anomalies reaches, or even exceeds, that of a deep learning classifier for seven out of ten common anomaly types. The software is published at https://github.com/LukasBommes/PV-Hawk.
• Abstract（参考訳）: 大規模PVプラントにおける異常な太陽光発電モジュールを経済的に識別するために、ドローン搭載赤外線カメラと自動ビデオ処理アルゴリズムが頻繁に使用される。 ほとんどの関連した作業は異常なモジュールの検出に焦点を当てているが、プラント内のモジュールを自動的にローカライズするためにはほとんど行われていない。 本研究では,植物中のすべてのPVモジュールのジオコーディネートを,視覚的手がかりと計測されたドローンのGPS軌跡に基づいて自動的に取得する。 さらに、各PVモジュールの複数のIR画像を抽出する。 提案手法を用いて,35084モジュールの99.3%を4つの大規模および1つの屋上プラントにマッピングし,2200万以上のモジュール画像を抽出した。 以前の研究と比べて、抽出したモジュールは18倍少ない(モジュール数は140個に1個、モジュール数は8個に1個)。 さらに、2つまたは3つのプラント列を同時に処理でき、モジュールスループットが増大し、それぞれ2.1と3.7の要因による飛行期間が短縮される。 大型植物の正確な直交写真と比較すると、推定されたモジュールの2乗誤差は5.87m、相対誤差は0.22mから0.82mである。 最後に,モジュールのジオコーディネートと抽出したIR画像を用いて,モジュール温度分布の可視化と深層学習分類器の異常予測を行う。 温度分布は切り離された文字列を識別するのに役立つが、モジュール異常の検出精度は、一般的な異常タイプ10のうち7つのうち深層学習分類器のそれを超えている。 このソフトウェアはhttps://github.com/LukasBommes/PV-Hawk.comで公開されている。

関連論文リスト

• HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection [16.92362922379821]
  赤外線小物体検出性能を向上させるための深層学習法を提案する。 本発明の方法は、PPAモジュール、DASIモジュール、MDCRモジュールを含む。
  論文  参考訳（メタデータ） (2024-03-16T02:45:42Z)
• LeTFuser: Light-weight End-to-end Transformer-Based Sensor Fusion for Autonomous Driving with Multi-Task Learning [16.241116794114525]
  本稿では,複数のRGB-Dカメラ表現を融合させるアルゴリズムであるLeTFuserを紹介する。 認識と制御を同時に行うためには,マルチタスク学習を利用する。
  論文  参考訳（メタデータ） (2023-10-19T20:09:08Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Anomaly Detection in IR Images of PV Modules using Supervised Contrastive Learning [4.409996772486956]
  我々は、赤外線画像の異常を検出するために、教師付きコントラスト損失を伴うResNet-34畳み込みニューラルネットワークを訓練する。 本手法は,未知の種類の異常を迅速かつ確実に検出し,実践に適した手法である。 我々の研究は、教師なしドメイン適応を用いたPVモジュール故障検出をより現実的な視点でコミュニティに提供します。
  論文  参考訳（メタデータ） (2021-12-06T10:42:28Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• Computer Vision Tool for Detection, Mapping and Fault Classification of PV Modules in Aerial IR Videos [0.0]
  熱画像UAVビデオからPVモジュールを半自動抽出するコンピュータビジョンツールを開発した。 我々は、7つの異なるPVプラントのサーモグラフィービデオから107842 PVモジュールの430万のIR画像を含むデータセットをキュレートする。
  論文  参考訳（メタデータ） (2021-06-14T11:38:13Z)
• Know Your Surroundings: Panoramic Multi-Object Tracking by Multimodality Collaboration [56.01625477187448]
  MMPAT(MultiModality PAnoramic Multi-object Tracking framework)を提案する。 2次元パノラマ画像と3次元点雲を入力とし、マルチモーダルデータを用いて目標軌道を推定する。 提案手法は,検出タスクと追跡タスクの両方においてMMPATが最高性能を達成するJRDBデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-05-31T03:16:38Z)
• Deep Learning-based Pipeline for Module Power Prediction from EL Measurements [7.0282423213545195]
  本研究では,エレクトロルミネッセンス測定とモジュールのパワー決定のギャップを橋渡しする。 劣化のさまざまな段階において, モジュールの719個の電気照度測定の大規模なデータセットをコンパイルする。 モデルにより予測されたセル当たりの電力損失を推定するために,クラス活性化マップの変種を提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:46:47Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• TAM: Temporal Adaptive Module for Video Recognition [60.83208364110288]
  時間適応モジュール(bf TAM)は、自身の特徴マップに基づいてビデオ固有の時間カーネルを生成する。 Kinetics-400およびSomethingデータセットの実験は、我々のTAMが他の時間的モデリング手法より一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2020-05-14T08:22:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。