© unsplash/@scienceinhd
Schätzung der verfügbaren Fläche für Photovoltaik-Anlagen
Hintergrund
In Deutschland hat die Entwicklung hin zu erneuerbaren Energien und insbesondere zur Solarenergie dazu geführt, dass die installierte Solarstromleistung von 18 GW Peak auf über 50 GW Peak im Jahr 2020 angestiegen ist. Ein großer Teil der installierten Leistung ist auf Dächern von Privathäusern installiert. Der erste Schritt für die Installation von Solarpaneelen auf den Dächern von Privathäusern besteht darin, ein Angebot für die Anzahl der Paneele zu machen, die auf das Dach passen. Dies erfordert eine Schätzung der verfügbaren Fläche für Sonnenkollektoren. Während dieser Prozess sehr zeitaufwendig ist, wenn er von Menschen durchgeführt wird, kann eine Automatisierung den Planungsprozess für Solarpaneele erheblich verkürzen.
Herausforderungen
Die automatische Schätzung der verfügbaren Fläche für Solarpaneele erfordert die automatische Verarbeitung von Dachbildern, um Objekte, z.B. Schornsteine oder Fenster, zu erkennen und die Dachfläche unter Berücksichtigung der Dachneigung zu berechnen. Darüber hinaus muss die südlichste Seite des Daches erkannt werden. Dies kann durch ein machine learning Modell erreicht werden, das hochauflösende Satellitenbilder und von den Kunden gemachte Bilder verarbeitet, um in der Lage zu sein, nicht-dachförmige Objekte zu erkennen und die Dachfläche unter Berücksichtigung der Dachneigung zu berechnen.
Lösungsansatz
Die Aufgabe der Objektdetektion und -klassifikation in Bildern kann durch ein Bildsegmentierungsmodell gelöst werden, wofür in der Regel Convolutional Neural Networks (CNN) verwendet werden, wie z.B. U-Net und Mask R-CNN Algorithmen. Diese Netze ermöglichen die Klassifizierung jedes Bildpixels, so dass die Dachecken und Nichtdachbereiche identifiziert werden können. Die Steilheit des Daches kann mit Hilfe von projektiver Geometrie abgeschätzt werden, da die gelieferten Bilddaten 2-dimensionale Darstellungen der Dächer sind.