Generalización y mejora de las geometrías de paneles solares obtenidos por aprendizaje profundo

Resumen

Resumen:

Las nuevas técnicas de aprendizaje profundo aplicadas a la extracción de distintos tipos de objetos (líneas de carretera, paneles solares, aerogeneradores, entre otros) requieren de un postproceso de generalización y limpieza de las geometrías obtenidas de la vectorización de los resultados de la segmentación semántica.

En este proyecto se presenta un estudio y análisis de diferentes algoritmos de generalización y ortogonalización de las geometrías de las placas solares. Estos algoritmos han sido implementados en Python para su ejecución.

Los algoritmos estudiados, analizados y comparados incluyen el algoritmo de Douglas-Peucker, Visvalingam-Whyatt, Opheim, Reumann-Witkam, Graham Scan y Wang-Müller. Además, se ha explorado, modificado y ejecutado un algoritmo llamado "Extract Polygon" obtenido de un repositorio de GitHub. Se han realizado experimentos con diversas combinaciones de algoritmos en busca de la combinación óptima para la generalización de las geometrías de los paneles solares fotovoltaicos.

Para la evaluación y comparación de los diferentes algoritmos presentados, se ha utilizado el índice de validación de Polsby-Popper, mediante el cual se ha medido la compactación de las geometrías resultantes. Los resultados obtenidos se han justificado en función de las tolerancias utilizadas en cada algoritmo.

Finalmente, se han ejecutado los algoritmos para generar geometrías con una óptima simplificación a partir de imágenes ráster de los paneles solares. Los algoritmos lograron mejorar significativamente sus geometrías, lo que permitirá un análisis más preciso y facilitará futuras aplicaciones, como la planificación de la ubicación óptima de los paneles solares. En conclusión, los algoritmos estudiados demuestran ser efectivos en la generalización y ortogonalización de las geometrías de las placas solares.

Abstract:

New deep learning techniques applied to the extraction of different types of objects (such as road lines, solar panels, wind turbines, among others) require a post-processing step for generalization and cleaning of the geometries resulting from the vectorization of the semantic segmentation results.

This project presents a study and analysis of different algorithms for generalization and orthogonalization of solar panel geometries. These algorithms have been implemented in Python for it execution.

The studied, analyzed, and compared algorithms include the Douglas-Peucker, Visvalingam-Whyatt, Opheim, Reumann-Witkam, Graham Scan, and Wang-Müller algorithm. Additionally, an algorithm called "Extract Polygon" obtained from a GitHub repository has been analyzed, modified, and executed. Experiments have been conducted with various combinations of algorithms in search of the optimal combination for generalizing solar panel geometries.

For the evaluation and comparison of the different presented algorithms, the Polsby-Popper validation index was used, which measured the compactness of the resulting geometries. The obtained results were justified based on the tolerances used in each algorithm.

Finally, the algorithms were executed to generate geometries with optimal simplification from raster images of the solar panels. The algorithms significantly improved the geometries of the solar panels, enabling more accurate analysis and facilitating future applications, such as optimal location planning for solar panels. In conclusion, the studied algorithms demonstrate effectiveness in the generalization and orthogonalization of solar panel geometries.