Detailansicht
Objektbasierte und pixelbasierte Erkennung sowie Klassifizierung von Photovoltaikanlagen auf einem hochauflösenden Orthomosaik mithilfe von Deep Learning-Ansätzen
Tünay Ismail
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.78666
URN
urn:nbn:at:at-ubw:1-27436.97936.227595-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Masterarbeit untersucht den Vergleich zwischen Objekterkennung und Bildsegmentierung zur automatisierten Identifikation von Photovoltaikanlagen. Ziel ist es, herauszufinden, welcher Ansatz, basierend auf Deep Learning, eine höhere Erkennungsgenauigkeit bietet. Dafür werden zwei verschiedene Convolutional Neural Networks (CNNs) eingesetzt: Faster R-CNN für die Objekterkennung und Mask R-CNN für die Instanzsegmentierung. Beide Modelle werden jeweils auf zwei Datensätzen trainiert - einem Einzelklassendatensatz (nur Photovoltaikanlagen) sowie einem kombinierten Datensatz (Photovoltaik- und Solarthermieanlagen). Als Grundlage für Trainings- und Testdaten dient ein Orthomosaik mit einer Bodenauflösung von 0,2m, das in ArcGIS Pro verarbeitet wurde. Die Ergebnisse werden mithilfe einer visuellen Analyse, Konfusionsmatrizen und der Intersection over Union (IoU) bewertet. Dabei zeigt sich, dass segmentierungsbasierte Ansätze insgesamt präzisere Ergebnisse liefern – insbesondere bei der Erkennung von Photovoltaikanlagen. Die Erkennung von Solarthermieanlagen erwies sich hingegen als weniger zuverlässig. Die Arbeit liefert einen praxisnahen Vergleich aktueller Deep Learning-Modelle zur Fernerkundung solarer Infrastrukturen und zeigt auf, welche Modellart und Trainingsstrategie besonders geeignet ist, um Photovoltaikanlagen automatisiert und zuverlässig zu erkennen.
Abstract
(Englisch)
This master's thesis investigates the comparison between object detection and image segmentation for the automated identification of photovoltaic systems. The objective is to determine which deep learning-based approach offers higher detection accuracy. Two different convolutional neural networks (CNNs) are employed: Faster R-CNN for object detection and Mask R-CNN for instance segmentation. Both models are trained on two datasets – a single-class dataset (photovoltaic systems only) and a combined dataset (photovoltaic and solar thermal systems). An orthomosaic with a ground resolution of 0.2m, processed in ArcGIS Pro, serves as the basis for training and testing. The results are evaluated using visual analysis, confusion matrices, and Intersection over Union (IoU). The findings show that segmentation-based approaches generally provide more accurate results – particularly in the detection of photovoltaic systems. In contrast, the detection of solar thermal systems proved to be less reliable. This work provides a practical comparison of current deep learning models for the remote sensing of solar infrastructure and highlights which model type and training strategy are especially suitable for the automated and reliable detection of photovoltaic systems.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Learning Machine Learning Convolutional Neural Networks CNN Objekterkennung Bildsegmentierung Instanzsegmentierung Klassifikation Photovoltaik Geographische Informationssysteme GIS Fernerkundung Bildverarbeitung Geoinformation
Autor*innen
Tünay Ismail
Haupttitel (Deutsch)
Objektbasierte und pixelbasierte Erkennung sowie Klassifizierung von Photovoltaikanlagen auf einem hochauflösenden Orthomosaik mithilfe von Deep Learning-Ansätzen
Paralleltitel (Englisch)
Object-based and pixel-based detection and classification of photovoltaic systems on a high-resolution orthomosaic using deep learning approaches
Publikationsjahr
2025
Umfangsangabe
xv, 161 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Andreas Riedl
Klassifikation
74 Geographie > 74.48 Geoinformationssysteme
AC Nummer
AC17568482
Utheses ID
76034
Studienkennzahl
UA | 066 | 856 | |