一种基于屋顶的光伏区域提取方法、装置、终端设备及存储介质与流程

本发明涉及屋顶光伏区域计算，尤其涉及一种基于屋顶的光伏区域提取方法、装置、终端设备及存储介质。

背景技术：

1、基于屋顶光伏目前呈现高比例接入电网的趋势，对屋顶不可开发区域进行剔除从而得到光伏可开发区域，以获取准确光伏容量的目标，有现实的应用需求与技术研究价值。由于多数屋顶的杂物多样且屋顶结构形状多变，常需要对不同结构的屋顶进行识别以及对多种类型的杂物进行识别和剔除，才能得出可用于建屋顶光伏的有效区域。

2、但传统方法或简单的机器学习算法在对屋顶的光伏建设区域进行提取以及对屋顶杂物进行剔除时，常基于固定的特征提取方式，如sift(尺度不变特征变换算法)、surf(加速鲁棒特征提取算法)等，主要用于提取图像中的关键点及其描述子，这些描述子通常基于局部梯度信息或小波变换响应。然而屋顶上的杂物，如空调外机、通风管道、电线等，可能具有不同的尺度，即不同的形状、大小和材质，则现有技术不能充分描述这些杂物的特征，从而无法充分捕捉屋顶图像中复杂多样的杂物特征，则无法准确识别和剔除各种类型的杂物，从而导致光伏可开发的有效区域提取的准确性不高，存在较大的误差。

技术实现思路

1、本发明实施例提供了一种基于屋顶的光伏区域提取方法、装置、终端设备及存储介质，不仅可以学习到不同尺度下的杂物特征表示，还可以量化出每个像素位置在识别杂物时的贡献程度，实现了对杂物特征的准确识别和提取，从而提高了光伏可开发的有效区域识别和提取的准确性，能有效解决现有技术中由于无法准确识别和剔除各种类型的杂物，导致光伏可开发的有效区域的提取的准确性不高的问题。

2、本发明一实施例提供了一种基于屋顶的光伏区域提取方法，包括：

3、获取一包含有杂物区域的屋顶图像；

4、将所述屋顶图像输入到预设的图像预测网络中，以使所述图像预测网络将屋顶图像中的杂物区域进行剔除，继而从所述屋顶图像中提取出可用于建设光伏的目标区域；

5、其中，所述图像预测网络，包括：编码器、解码器以及位于编码器和解码器之间的注意力权重分配模块；

6、所述编码器，用于提取屋顶图像中不同尺度下的杂物特征，生成若干个用于表征杂物特征的第一特征图；

7、所述解码器，用于通过上采样操作对各个第一特征图进行处理，生成若干个用于表征杂物特征的第二特征图；

8、所述注意力权重分配模块，用于将各个第一特征图以及各个第二特征图进行融合，生成融合特征图；根据融合特征图中每个像素位置的特征值，生成每个像素位置的注意力权重；其中，所述注意力权重用于表征一像素位置的杂物特征在融合特征图中的贡献程度；

9、所述解码器，还用于基于各个像素位置的注意力权重将各个第二特征图进行融合，生成杂物区域图像；根据所述杂物区域图像的尺寸以及位置，从屋顶图像中剔除杂物区域图像对应的杂物区域，继而将屋顶图像中未进行剔除的区域作为可用于建设光伏的目标区域。

10、优选地，所述编码器由初始循环残差卷积层、多个循环残差卷积层以及多个池化层组成；

11、所述编码器，用于提取屋顶图像中不同尺度下的杂物特征，生成若干个用于表征杂物特征的第一特征图，包括：

12、所述编码器中的初始循环残差卷积层，用于获取屋顶图像，并提取屋顶图像中不同尺度下的杂物特征，生成对应层级的初始特征图；

13、所述编码器中的每一循环残差卷积层，用于根据所提取屋顶图像中不同尺度下的杂物特征，以及上一循环残差卷积层输出的初始特征图，生成对应层级的初始特征图；

14、所述编码器中的每一池化层，用于将对应的循环残差卷积层所生成的初始特征图进行下采样处理，生成用于表征杂物特征的第一特征图。

15、优选地，所述解码器由一个初始卷积层以及若干个卷积层依次堆叠组成；

16、所述解码器，用于通过上采样操作对各个第一特征图进行处理，生成若干个用于表征杂物特征的第二特征图，包括：

17、所述解码器中的初始卷积层，用于获取初始循环残差卷积层对应输出的第一特征图，并通过上采样操作逐步恢复第一特征图的空间分辨率，生成用于表征杂物特征的第二特征图；

18、所述解码器中的每一层卷积层，用于通过上采样操作逐步恢复对应的循环残差卷积层所输出的第一特征图的空间分辨率，生成已进行上采样处理的特征图；继而将上一卷积层输出的第二特征图以及已进行上采样处理的特征图进行融合，生成用于表征杂物特征的第二特征图。

19、优选地，所述注意力权重分配模块，用于根据融合特征图中每个像素位置的特征值，生成每个像素位置的注意力权重，包括：

20、所述注意力权重分配模块，用于提取融合特征图中每个像素位置的通道特征值；

21、对融合特征图进行线性变换，继而将线性变换的结果值与每个像素位置的通道特征值进行分别整合，生成每个像素位置对应的注意力权重。

22、优选地，所述解码器，还包括：特征金字塔模块；

23、所述注意力权重分配模块，还用于根据每个像素位置对应的注意力权重对各个第二特征图进行特征修剪；

24、所述解码器，还用于基于各个像素位置的注意力权重将各个第二特征图进行融合，生成杂物区域图像，包括：

25、所述解码器中的特征金字塔模块，用于基于各个像素位置的注意力权重，通过横向连接操作对各个已进行特征修剪的第二特征图进行多尺度特征融合，生成用于表征屋顶图像中所含有的杂物区域的杂物区域图像；

26、其中，所述横向连接操作用于表征通过多个卷积层调整特征图的通道数的操作。

27、优选地，所述注意力权重分配模块，还用于根据每个像素位置对应的注意力权重对各个第二特征图进行特征修剪，包括：

28、所述注意力权重分配模块，还用于根据如下公式对各个第二特征图进行特征修剪：

29、

30、其中，为特征修剪后的第二特征图中一像素位置对应的特征值，为一像素位置对应的通道特征值，为一像素位置对应的注意力权重。

31、优选地，所述预设的图像预测网络的训练过程，包括：

32、将各个具有可用于建设光伏的标注区域的屋顶图像样本数据，作为训练样本；

33、根据训练样本对待训练的神经网络模型进行迭代训练，直至神经网络模型收敛，生成预设的图像预测网络；

34、其中，在每次训练时，将训练样本输入到神经网络模型中，以使所述神经网络模型将训练样本中的杂物区域进行剔除，继而输出训练样本中可用于建设光伏的区域预测结果；

35、将训练样本所对应的可用于建设光伏的区域预测结果与训练样本实际的区域标注结果进行比对，根据比对结果对神经网络模型的网络参数进行调整。

36、在上述的方法实施例的基础上，本发明对应提供了装置项实施例。

37、本发明一实施例提供了一种基于屋顶的光伏区域提取装置，包括：屋顶图像获取模块以及光伏区域提取模块；

38、所述屋顶图像获取模块，用于获取一包含有杂物区域的屋顶图像；

39、所述光伏区域提取模块，用于将所述屋顶图像输入到预设的图像预测网络中，以使所述图像预测网络将屋顶图像中的杂物区域进行剔除，继而从所述屋顶图像中提取出可用于建设光伏的目标区域；

40、其中，所述图像预测网络，包括：编码器、解码器以及位于编码器和解码器之间的注意力权重分配模块；

41、所述编码器，用于提取屋顶图像中不同尺度下的杂物特征，生成若干个用于表征杂物特征的第一特征图；

42、所述解码器，用于通过上采样操作对各个第一特征图进行处理，生成若干个用于表征杂物特征的第二特征图；

43、所述注意力权重分配模块，用于将各个第一特征图以及各个第二特征图进行融合，生成融合特征图；根据融合特征图中每个像素位置的特征值，生成每个像素位置的注意力权重；其中，所述注意力权重用于表征一像素位置的杂物特征在融合特征图中的贡献程度；

44、所述解码器，还用于基于各个像素位置的注意力权重将各个第二特征图进行融合，生成杂物区域图像；根据所述杂物区域图像的尺寸以及位置，从屋顶图像中剔除杂物区域图像对应的杂物区域，继而将屋顶图像中未进行剔除的区域作为可用于建设光伏的目标区域。

45、在上述的方法实施例的基础上，本发明对应提供了终端设备项实施例。

46、本发明另一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的一种基于屋顶的光伏区域提取方法。

47、在上述的方法实施例的基础上，本发明对应提供了存储介质项实施例。

48、本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的一种基于屋顶的光伏区域提取方法。

49、通过实施本发明具有如下有益效果：

50、本发明实施例提供了一种基于屋顶的光伏区域提取方法、装置、终端设备及存储介质，本发明在对屋顶的光伏建设区域进行提取时，可以通过预设的图像预测网络来对屋顶图像中的杂物区域进行识别和剔除，进而剔除所识别的杂物区域后，生成可用于建设光伏的目标区域。具体的，本发明的图像预测网络可以基于其中的编码器来识别出屋顶图像中不同尺度下的杂物特征，则可以识别和提取出屋顶图像中不同尺度下的各种大小或各种形状的杂物，在将对应生成的第一特征图输入到解码器中进行上采样操作后，进一步得到包含有更丰富的杂物细节信息的第二特征图。本发明引入的注意力权重分配模块可以通过融合不同尺度下的第一特征图(由编码器生成)和上采样后的第二特征图(由解码器生成)，能够生成包含更加丰富特征信息的融合特征图，且还可以基于该融合特征图来计算得出图中每个像素位置的注意力权重，以获得每个像素位置的杂物特征在融合特征图中的贡献程度，可以量化出每个像素在识别杂物时的贡献程度，从而能够提高对杂物识别的准确性，使得后续可以基于各个注意力权重与各个第二特征图进行融合时，可以准确地捕捉出屋顶图像中复杂多样的杂物特征，生成杂物区域图像，基于准确识别的杂物区域图像来剔除屋顶图像中的杂物区域后，则可以得到更加精准的可用于建设光伏的目标区域。与现有技术相比，本发明不仅可以学习到不同尺度下的杂物特征表示，还可以量化出每个像素位置在识别杂物时的贡献程度(即注意力权重)，实现了对屋顶图像中复杂多样的杂物特征的识别和提取，从而提高了光伏可开发的有效区域提取的准确性，减少了误差。