The urban building rooftop photovoltaic dataset

该数据集旨在研究城市建筑屋顶上安装的光伏系统，通过使用Matrice 350 RTK无人机配备Zenmuse H20红外成像相机，在三个建筑综合体的屋顶上捕获了1,724张热成像图像。这些图像涵盖了六种不同的类别，无人机在光伏板上方8.5-10米的高度垂直拍摄，确保了图像的清晰度，分辨率为128x200像素。图像在晴天的下午2-5点之间捕获，以保证一致的光照条件。

This dataset is designed to investigate photovoltaic systems installed on urban building rooftops. Using a Matrice 350 RTK drone equipped with a Zenmuse H20 thermal imaging camera, a total of 1,724 thermal images were captured on the rooftops of three building complexes. These images cover six different categories and were taken vertically at a height of 8.5-10 meters above the photovoltaic panels, ensuring image clarity with a resolution of 128x200 pixels. The images were captured between 2-5 PM on sunny days to maintain consistent lighting conditions.

原始信息汇总

数据集概述

数据集来源

• 由杭州电子科技大学传感与控制实验室公开发布。

数据收集

• 目的：研究城市建筑屋顶上的光伏系统。
• 设备：使用Matrice 350 RTK无人机搭载Zenmuse H20红外成像相机。
• 图像数量：共1,724张热成像图像。
• 位置：三个建筑综合体的屋顶。
• 样本类别：包含六个不同类别。
• 拍摄条件：无人机高度为8.5-10米，垂直角度拍摄，图像分辨率为128x200像素。
• 拍摄时间：晴天下午2-5点。

图像分类分布

• Soiling：835张
• No-Anomaly：319张
• Dirty Spots：236张
• Shadowing：201张
• Soiled Shadows：103张
• Cell：30张

搜集汇总

数据集介绍

构建方式

该数据集由杭州电子科技大学传感与控制实验室公开发布，专门用于研究城市建筑屋顶光伏系统。通过配备Zenmuse H20红外成像相机的Matrice 350 RTK无人机，在三个建筑群的屋顶上采集了1,724张热成像图像。无人机在光伏板上方8.5至10米的高度，以垂直角度拍摄，确保图像清晰度为128x200像素。所有图像均在阳光充足的下午2至5点之间拍摄，以保证光照条件的一致性。

特点

该数据集具有显著的特点，涵盖了六种不同的类别，包括污垢、无异常、污点、阴影、污垢阴影和电池问题。其中，污垢类图像最多，达到835张，而电池问题类图像最少，仅有30张。这种分布反映了实际应用中光伏板常见问题的多样性和复杂性，为深度学习模型提供了丰富的训练样本。

使用方法

该数据集适用于基于深度学习的光伏系统故障分类研究。用户可以通过加载和预处理1,724张热成像图像，结合六种不同类别的标签进行模型训练。建议使用图像处理和深度学习框架如TensorFlow或PyTorch，结合交叉验证方法评估模型性能。此外，数据集的多样性和详细分类标签为研究者提供了深入分析光伏板故障机制的宝贵资源。

背景与挑战

背景概述

随着城市建筑屋顶光伏系统的广泛应用，对其性能监测与故障诊断的需求日益增长。杭州电子科技大学传感与控制实验室于近期公开发布了‘城市建筑屋顶光伏数据集’，该数据集旨在通过深度学习技术研究城市建筑屋顶光伏系统的运行状态。数据集包含了1,724张由Matrice 350 RTK无人机搭载Zenmuse H20红外成像相机采集的热成像图像，涵盖了三个建筑群的屋顶光伏系统。这些图像分为六类，分别对应不同的光伏系统故障类型，如污垢、阴影等。数据集的发布为光伏系统的故障分类与诊断提供了宝贵的资源，推动了相关领域的研究进展。

当前挑战

该数据集在构建过程中面临多项挑战。首先，无人机在特定高度和角度下采集图像，需确保图像清晰度和分辨率，这对设备精度和操作技术提出了较高要求。其次，数据集中的类别分布不均衡，尤其是‘Cell’类仅有30张图像，可能导致模型训练时的偏差问题。此外，光伏系统故障的多样性和复杂性使得故障类型的定义和分类成为一大难题。最后，如何在不同光照条件下保持图像质量的一致性，也是数据采集过程中需要克服的技术挑战。

常用场景

经典使用场景

该数据集主要用于研究城市建筑屋顶光伏系统的故障检测与分类。通过无人机搭载的红外成像相机采集的1,724张热成像图像，涵盖了六种不同的故障类别，包括污垢、无异常、污点、阴影、污垢阴影和电池故障。这些图像在阳光充足的时间段内拍摄，确保了光照条件的一致性，为深度学习模型提供了高质量的训练数据。

衍生相关工作

基于该数据集，研究人员已开发出多种光伏系统故障检测算法，并在相关领域发表了多篇学术论文。例如，Wu等人提出了一种基于特征空间平衡策略的故障分类方法，显著提高了故障检测的准确性。这些研究成果不仅推动了光伏系统故障检测技术的发展，也为其他领域的故障检测研究提供了新的思路和方法。

数据集最近研究

最新研究方向

在城市建筑屋顶光伏系统研究领域，最新的研究方向主要集中在利用深度学习技术对光伏组件的故障进行高效分类与检测。该领域的研究热点包括通过无人机搭载红外成像设备采集高分辨率热成像数据，以识别和分析光伏面板上的多种故障类型，如污垢、阴影、电池损坏等。这些研究不仅提升了光伏系统的运行效率和可靠性，还为城市能源管理提供了新的数据支持和技术手段。随着智能城市和可再生能源的快速发展，此类研究对于推动光伏技术的应用和优化具有重要意义。