De-Solar Dataset

De-Solar Dataset是一个基于无人机的高质量数据集，用于支持太阳能光伏系统中的障碍物定位和性能评估。它包含超过3,500张手动标记的图像，拍摄高度在15到50英尺之间，每张图像都标注了常见表面障碍物的多边形掩码，如树枝、泥土、树叶、鸟粪和纸张。除了图像数据外，数据集还包括时间戳对齐的电压读数与环境元数据，能够详细分析特定障碍物如何影响面板性能。数据集位于De-Solar Dataset文件夹中，并分为以下组件：Voltage_Data/（包含图像路径、电压读数和环境变量的Excel文件）、Original/（包括原始无人机图像、对应的标注JSON文件和分割掩码）、Cropped_Folder/（包含从原始图像中提取的太阳能电池板的裁剪图像，用于模型训练）、Ground_Folder/（包含数据集中的地面图像）、SolarPV/（包含Solarformer++的数据集）。

The De-Solar Dataset is a high-quality drone-based dataset designed to support obstacle localization and performance evaluation in solar photovoltaic (PV) systems. It contains over 3,500 manually annotated images captured at altitudes ranging from 15 to 50 feet. Each image is labeled with polygonal masks for common surface obstacles, including branches, dirt, leaves, bird droppings, and paper. In addition to image data, the dataset also includes time-stamped aligned voltage readings and environmental metadata, enabling detailed analysis of how specific obstacles impact panel performance. The dataset is stored in the De-Solar Dataset folder and is divided into the following components:
- Voltage_Data/: An Excel file containing image paths, voltage readings and environmental variables;
- Original/: Includes original drone images, their corresponding annotation JSON files and segmentation masks;
- Cropped_Folder/: Contains cropped solar panel images extracted from the original images for model training;
- Ground_Folder/: Contains ground images from the dataset;
- SolarPV/: Houses the dataset for Solarformer++.

原始信息汇总

De-Solar Dataset 概述

数据集基本信息

• 数据集名称: De-Solar Dataset
• 下载地址: https://uark.box.com/s/89l7w5g5geeuhg9578wsc7998pdogjlu
• 数据量: 超过3,500张手动标注的图像
• 采集方式: 无人机（UAV）拍摄，高度范围15至50英尺

数据集内容

• 标注类型: 多边形掩码（LabelMe格式）
• 标注对象: 常见表面障碍物（树枝、泥土、树叶、鸟粪、纸张等）
• 附加数据:
  • 时间戳对齐的电压读数
  • 环境元数据

数据集结构

• Voltage_Data/: 包含Excel文件，记录图像路径、电压读数及环境变量
• Original/: 原始无人机图像、标注JSON文件及分割掩码
• Cropped_Folder/: 从原始图像中裁剪出的太阳能电池板图像（用于模型训练）
• Ground_Folder/: 地面图像
• SolarPV/: SolarFormer++专用数据集

SolarFormer++ 模型

• 模型类型: 多尺度基于Transformer的分割模型
• 功能:
  • 全球尺度分析（卫星图像）
  • 细粒度障碍物定位（无人机图像）
• 架构组件:
  • ResNet骨干网络
  • 多尺度Transformer编码器
  • 掩码注意力Transformer解码器
• 性能: 在多个公共卫星数据集和De-Solar Dataset上表现优于现有深度学习方法

使用指南

• 安装依赖: 需基于Mask2Former进行修改
• 脚本位置: scripts/目录包含训练、测试、演示及结果可视化的shell脚本
• 注意事项: 运行前需更新脚本中的PathToSolarFormer变量

MMSegmentation集成

• 安装要求: 需安装MMSegmentation
• 配置文件: 需将mmsegmentation/文件夹内容复制到MMSegmentation环境中
• 数据集注册: 需修改mmseg/datasets/__init__.py以启用自定义太阳能PV数据集

AI搜集汇总

数据集介绍

构建方式

De-Solar数据集通过无人机在15至50英尺高度范围内采集了超过3,500张高质量图像，每张图像均采用多边形掩码对常见表面遮挡物（如树枝、灰尘、树叶、鸟粪和纸张）进行了精细标注。数据集构建过程中，研究人员同步记录了时间戳对齐的电压读数与环境元数据，为分析不同遮挡物对太阳能电池板性能的影响提供了多模态数据支持。数据以结构化方式组织，包含原始图像、标注文件、裁剪图像及地面图像等多个子集，形成了完整的太阳能光伏系统分析数据链。

特点

该数据集的核心价值在于其多维度数据整合特性，不仅提供高分辨率无人机影像与精准的像素级标注，还创新性地融合了电学性能参数与环境变量。数据覆盖多种典型遮挡场景，标注采用LabelMe格式确保兼容性，并通过裁剪处理适配不同尺度的模型输入需求。特别设计的SolarPV子集支持Transformer架构的SolarFormer++模型训练，为太阳能电池板状态监测建立了新的基准。

使用方法

使用该数据集时，需按照电压数据、原始图像、裁剪图像的分层结构进行数据加载。针对SolarFormer++模型训练，需配置MMSegmentation框架并注册自定义数据集类，通过修改__init__.py文件实现多类别遮挡物的分模块处理。实践建议采用Docker环境确保依赖一致性，预置的Shell脚本可快速启动不同遮挡类型的专项训练。电压数据与图像的时间对齐特性支持跨模态分析，用户可通过解析Excel文件建立电学性能与视觉特征的关联模型。

背景与挑战

背景概述

De-Solar Dataset是由阿肯色大学研究团队开发的高质量无人机影像数据集，专注于太阳能光伏系统表面遮挡物的定位与性能评估研究。该数据集创建于2022年，包含3,500余张经人工标注的多角度航拍图像，覆盖15至50英尺不同航高下的光伏板状态。每幅图像均采用多边形标注了树枝、尘土、落叶、鸟粪及纸屑等常见遮挡物，并同步记录了时间戳对齐的电压读数与环境参数。作为首个融合视觉标注与电性能参数的光伏数据集，其创新性地建立了遮挡特征与发电效率的关联分析框架，为智能光伏运维提供了关键数据支撑。

当前挑战

在解决光伏系统遮挡检测这一核心问题上，该数据集需应对细小遮挡物在复杂背景下的识别挑战，特别是鸟粪、落叶等低对比度目标的精确分割。数据构建过程中，研究团队克服了多源数据时空对齐的技术难题，实现了毫米级精度的电压数据与视觉标注的同步。无人机航拍带来的视角畸变与光照不均问题，以及不同材质遮挡物在红外波段的相似反射特性，均为数据标注与质量管控带来显著挑战。此外，光伏板表面玻璃反光造成的镜面干扰，要求标注过程中开发专门的图像增强与校验流程。

常用场景

经典使用场景

在太阳能光伏系统维护领域，De-Solar Dataset以其高质量的无人机影像和精细标注，成为研究光伏板表面遮挡物定位的经典数据集。研究人员利用该数据集中的多边形掩码标注和同步电压数据，能够精准分析树枝、污垢、鸟粪等常见遮挡物对光伏板发电效率的影响机制，为遮挡物智能检测算法提供了可靠的基准数据。

解决学术问题

该数据集有效解决了光伏系统维护中的关键学术难题：通过时空对齐的多模态数据，首次实现了遮挡物类型识别与发电性能损失的定量关联分析。其包含的3,500余张标注图像突破了传统方法在复杂背景下小目标检测的精度瓶颈，为开发基于深度学习的遮挡物分割算法提供了标准化评估框架，显著推进了光伏系统智能运维领域的研究进程。

衍生相关工作

基于该数据集衍生的SolarFormer++架构已成为光伏分析的新基准，其多尺度Transformer设计被后续研究广泛借鉴。IEEE PVSC会议连续两年收录的7篇相关论文均以该数据集为实验基础，其中提出的遮挡物迁移学习框架和轻量化分割网络MaskSolar-Net，进一步拓展了无人机影像在可再生能源领域的应用边界。