首页|基于CNN模型迁移的OLI影像光伏电池板场景识别

基于CNN模型迁移的OLI影像光伏电池板场景识别

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
获取光伏电池板的空间分布及动态变化信息对于国土调查、资源环境监测和能源结构评估具有重要意义,然而,传统的光伏电池板的识别依赖于人工设计的中低层次特征,无法克服对象光谱不确定性、空间结构类型复杂等难题,算法普遍存在稳健性不强、效率不高等问题.目前,基于场景单元从遥感影像中提取空间信息,多数算法仅建立在少数标准数据集上,未考虑实际应用中遥感图像质量、空间分辨率等因素对图像场景深度特征表达的影响,制约了遥感技术在城市结构、经济社会知识挖掘方面的深入应用.针对以上情况,本文基于卷积神经网络(CNN)采用迁移学习和模型微调的策略,在中等分辨率的Landsat影像上进行光伏电池板场景识别.结果表明,本文方法能够提取电站场景的多层次特征,在形态结构复杂的电站场景中取得了较好的识别效果.
Scene recognition of photovoltaic panels based on model migration and convolution neural network

王胜利、朱寿红、蒋毅

展开 >

江苏省地质测绘院,江苏 南京211102

江苏省兰德土地工程技术有限公司,江苏 南京210019

迁移学习 卷积神经网络 光伏电池板 中等分辨率遥感影像 场景尺度

江苏省地质矿产勘查局科研项目

2020KY11

2022

测绘通报
测绘出版社

测绘通报

CSTPCDCSCD北大核心
影响因子：1.027
ISSN：0494-0911
年,卷(期)：2022.(2)
  • 3
  • 5