AI-Based Solar Panel Detection and Monitoring Using High-Resolution Drone Imagery
Notice bibliographique
Résumé
Traditional solar panel installation monitoring methods are often resource-intensive and error-prone, requiring a more effective approach. This study introduces an innovative solution to the challenge of efficiently monitoring large-scale solar panel installations. This is addressed by implementing a deep learning-based model using Mask Region-based Convolutional Neural Networks (Mask RCNN) to automate the detection of solar panels from time series high-resolution drone imagery. The proposed methodology involves data preprocessing, where drone images are georeferenced. The model was trained and validated on a limited collected dataset in diverse solar panel configurations from the first acquired image. The model achieved, on average, an accuracy of 96.25% with an accuracy of detected solar panels in four consecutive images acquired on four different dates as follows: 0.97, 0.95, 0.97, and 0.96.". It was particularly effective in identifying solar panel expansions over time– a clear indicator of its capability to monitor incremental changes effectively. The developed model improves efficiency and accuracy in solar panel monitoring, reduces operational costs, and adapts to various geographic and environmental conditions. Additionally, the automated process significantly reduces the time and labor involved in manual monitoring. Despite its advantages, the model's limitations include high computational demand during training and sensitivity to environmental factors, such as dust accumulation and image quality variances. These challenges necessitate robust computational resources and an initial investment in advanced drone technology. In conclusion, the developed deep learning model presents a practical tool for solar panel detection, offering substantial improvements in monitoring and managing solar energy resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».