Ветряные турбины на спутниковых снимках
Классификация ветряных турбин на спутниковых изображениях с использованием нейронных сетей машинного обучения и расчет их ориентации с помощью компьютерного зрения
Современные ветряные турбины спроектированы так, чтобы автоматически ориентироваться в направлении ветра, чтобы максимально увеличить выработку электроэнергии. «Черный ящик» собирает эти данные ориентации и передает телеметрию обратно операторам ветряных турбин. Эта телеметрия имеет решающее значение для выявления неисправностей и необходимости обслуживания турбины.
В течение срока службы ветряной турбины эти черные ящики могут выйти из строя, и их замена окажется дорогостоящей. Иногда телеметрия неточна, и операторы хотят проверить точность этих измерений ориентации, сравнивая их с другими данными.
В этой статье будет кратко показано, как использовать данные наблюдения Земли для измерения направления наведения турбины.
Классифицирует турбины на спутниковых снимках и рассчитает угол пеленга, используя машинное обучение и компьютерное зрение.
Использованные данные: о местонахождении нескольких тысяч ветряных турбин в Великобритании. Изображения, соответствующие некоторым из этих турбин.
Вот несколько предлагаемых шагов:
- Извлечение функций из изображений
- Подготовка входных и выходных данных для модели
- Дальнейшая подготовка к построению модели
- Построение нейронной сети и обучение
- Тестирование модели на спутниковом снимке
- Прогнозирование классов и расчет углов
Для этой цели презентации: используемые тестовые изображения собираются через Google.
В зависимости от разрешения изображений, по которым выполняется поиск, можно соответствующим образом изменить размер обучающих изображений.
Для создания MVP был полезен прямой подход к использованию python, NumPy, pandas, matplotlib, Keras и cv2.
Окончательный вывод заключается в том, что этот подход является достижимым для дополнения энергетических компаний другими типами данных, которые могут обеспечить более легкое и лучшее понимание мониторинга фермы ветряных турбин.