卫星与无人机协同的大范围光伏电站施工进度调查方法与流程

本发明属于光伏电站数据处理，具体涉及卫星与无人机协同的大范围光伏电站施工进度调查方法。

背景技术：

1、施工进度监控是工程管理的核心环节，对确保项目按时交付、控制成本和优化资源配置至关重要。随着遥感、计算机视觉和无人机技术的发展，自动化进度监控已成为研究热点。现有技术通过无人机影像提取光伏电站场区的光伏板、支架、柱桩等目标数量及空间分布，然后与施工设计图纸进行比对，以此评估施工进度，取得了显著进展。

2、然而，仅依靠无人机采集光伏电站场区影像，在面对大范围、分布式、高重复性的光伏电站施工项目时，该技术路径存在一些显著的局限性。大型光伏电站通常占地数十平方公里，且常位于沙漠、戈壁等偏远地区，环境恶劣。在这种背景下，现有的施工进度调查方法主要面临以下技术挑战：

3、（1）调查效率低下，成本高昂：现有的无人机巡检方案，无论是用于运维还是施工监控，通常采用“全面覆盖”或“地毯式”的飞行模式，即对整个电站规划区域进行网格化飞行扫描。对于一个面积巨大的电站而言，施工活动在某一特定时期内往往只发生在少数几个局部区域。采用全面覆盖的方式，意味着无人机大量的飞行时间、电池续航以及后续的数据处理资源被浪费在广阔的、未发生任何变化的区域，导致整体效率低下，成本高昂。

4、（2）监测本质的被动性与滞后性：目前的监控技术本质上是“反应式”或“回顾式”的，即记录和分析已经完成的施工活动。这种模式无法提供前瞻性的信息，项目管理者只能被动地应对已经发生的进度偏差，而不能提前预见潜在的施工瓶颈、优化资源调度或主动规划下一阶段的工作。缺乏预测能力使得项目管理始终处于“追赶”状态。

5、（3）多源数据融合不足，协同效应缺失：尽管卫星遥感和无人机监控作为独立技术都已应用于工程领域，但将两者进行智能化、协同化的深度融合以服务于施工进度调查的系统性方法尚不成熟。

6、现有专利技术多集中于单一平台的应用，例如利用无人机进行光伏组件识别和缺陷检测，但未能形成一个“卫星宏观引导、无人机精准详查”的高效协同工作流。数据源之间的壁垒导致了“1+1<2”的局面，未能充分发挥各自优势。

7、公开国别中国，公开号cn119027069b，公告日期2025-02-25，该文献公开了基于无人机图像和神经网络的光伏项目施工进度识别方法，该专利主要关注利用无人机影像和人工智能算法识别并提取光伏电站施工过程中的光伏板、组件、柱桩等组件。但该专利无法对大范围光伏电站进行高效的施工进度识别，调查方法效率低下。

8、公开国别中国，公开号cn118038225b，公告日期2025-03-25，该文献公开了一种基于卫星影像的光伏板提取技术，该专利提供了一种以卫星影像作为数据源，利用sam模型与svm分类模型结合，进行光伏板识别。该专利表明在技术上利用卫星影像进行光伏板识别的可行性。但考虑影像精度，无法做到单光伏板组件识别。

技术实现思路

1、本发明的目的在于提供：卫星与无人机协同的光伏电站施工进度调查方法，以解决现有调查方法大范围光伏电站全无人机覆盖作业效率低的技术问题。

2、为了解决上述技术问题，本发明提供卫星与无人机协同的光伏电站施工进度调查方法，包括：

3、s1、根据光伏电站的设定条件，进行遥感数据集检索，若查询到满足设定条件的光伏电站遥感影像进入步骤s2；

4、s2、对光伏电站遥感影像数据中的多波段影像数据进行融合处理，生成图像数据；

5、s3、基于步骤s2的图像数据，提取图像中光伏板目标，并生成闭合的光伏板敷设区域；

6、s4、利用临近两期光伏板敷设区域影像的识别结果进行叠加分析，计算出最新施工区域；

7、s5、以步骤s4计算的最新施工区域为施工目标区域；利用无人机开展该施工目标区域的高精度无人机影像数据采集；

8、s6、基于步骤s5采集的高精度无人机影像数据，生成高精度正射影像图，提取高精度正射影像图中光伏板、支架、柱桩在内的组件级别目标；并统计识别组件级别目标的数量及空间位置；

9、s7、过滤重复组件级别目标，更新组件级别目标的数量；

10、s8、根据已完成的施工的组件级别目标数量，与规划设计的组件级别数量进行统计分析，获取施工进展。

11、第一项优先方案：

12、若步骤s1中未查询到满足设定条件的光伏电站遥感影像，则调用预测模型，根据历史施工进展预测下一步可能的施工目标区域；利用无人机开展该施工目标区域的高精度无人机影像数据采集；

13、之后继续执行步骤s6-s7。

14、第二项优先方案：

15、预测下一步可能的施工目标区域，具体的：

16、计算t-1时刻施工范围的外接矩形，获取t-1时刻施工范围坐标范围，并计算区域几何中心；

17、计算t时刻施工范围的外接矩形，获取t时刻施工范围坐标范围，并计算区域几何中心；

18、根据获取的两个区域几何中心，计算施工趋势向量作为下一步施工的预测方向；

19、根据施工速度以及历史平均速度，计算预测的施工速度；

20、根据施工速度及间隔时间，计算该时间范围内预测完成的安装量；根据设计上一阶段完成的安装的光伏板的边界区域，选取可能的完成安装的光伏板，计算该光伏板的外接矩形，作为预测的施工目标区域。

21、第三项优先方案：

22、步骤s3，具体的：

23、s31、基于步骤s2处理生成的图像数据，利用深度学习ai目标识别算法，识别图像数据中属于光伏板类别的像素点；

24、s32、根据上述识别结果，生成光伏板覆盖区域多边形边界，作为闭合的光伏板敷设区域。

25、第四项优先方案：

26、步骤s4中，最新施工区域计算，具体的：

27、利用步骤s3提取的当前时期光伏板敷设区域，与上一时期步骤s3提取的光伏板敷设区域进行叠加分析，统计新增光伏板区域作为最新施工区域。

28、第五项优先方案：

29、步骤s6中，利用深度学习ai目标识别算法，提取高精度正射影像图中光伏板、支架、柱桩在内的组件级别目标。

30、第六项优先方案：

31、步骤s6，具体的：

32、s61、基于步骤s5中采集的高精度无人机影像数据，利用yolo v11人工智能模型进行光伏板、组件、站桩在内的组件级别目标识别，提取组件级别目标的包围盒图像坐标，以及其中心点坐标；

33、s62、根据高精度无人机影像数据中的地理坐标信息，计算识别组件级别目标包围盒及中心点的地理坐标。

34、第七项优先方案：

35、步骤s7中，过滤重复组件级别目标：将步骤s6中新提取组件级别目标与数据库中存档组件级别目标进行空间位置匹配，过滤重复目标。

36、第八项优先方案：

37、步骤s7，具体的，采用空间位置过滤法进行目标去重：

38、首先按照光伏板、组件、站桩三类分别对新采集数据进行分类，然后按照类别与数据库中的同类目标进行空间距离计算，如果距离小于阈值d，则认为是同一目标，去除目标。

39、第九项优先方案：

40、还包括利用新计算的施工进展数据对预测模型进行持续优化。

41、与现有技术相比，本发明至少具有如下有益效果：

42、本发明采用遥感卫星与无人机协同的光伏电站施工进展调查方式，该方式通过整合遥感卫星的大范围覆盖能力与无人机的高精度细节采集优势，构建了“宏观-微观”协同调查体系。卫星遥感可快速获取区域尺度的光伏电站整体建设轮廓，及时发现施工区域的宏观变化，确定最新施工目标区域；无人机则针对卫星影像中识别的施工区域，对该区域进行近距离、高分辨率的数据采集，实现对光伏板、支架、柱桩等施工目标的精准识别与数量统计，通过卫星与无人机协同作业，可有效解决大范围光伏电站全无人机覆盖作业效率低问题。

43、无可用卫星时施工区域预测：通过构建施工进度预测模型，结合史施工速度、近期施工区域、近期施工速度，实现对无可用卫星影像期间施工区域进展的科学推断预测。基于预测结果，可继续开展无人机调查作业指导，避免因卫星遥感数据断档导致的施工监管滞后问题。确保进度调查的周期性持续开展。

44、本发明通过遥感卫星与无人机协同的光伏电站施工进展调查，首先利用卫星遥感影像进行光伏板识别，获取宏观尺度上的当前光伏电站的施工范围，并与历史数据进行对比分析，确认该时间段内新施工区域。以此作为目标区域，利用无人机进行小范围高精度数据采集和目标识别。进一步实现光伏板、支架、柱桩等目标的精确识别、定位与数量统计，最后与设计图纸和设计工程量进行比对，实现施工进度精确统计。

45、本发明提供一种卫星与无人机协同的大范围光伏电站施工进度调查方法，通过卫星影像锁定施工区域，然后利用无人机进行高精度数据采集和目标识别。最终，实现高效、精准、可扩展且具备前瞻性预测能力的大范围光伏电站施工进度调查。

46、本发明提供了一种卫星与无人机协同的大范围光伏电站施工进度调查方法。该方法采用一种“由粗到精、预测先行”的两级调查策略。首先，利用覆盖范围广、重访周期短的遥感卫星影像进行变化监测，快速、低成本地筛选出整个电站范围内的活跃施工区域。随后，将高分辨率、高机动性的无人机作为精准详查工具，仅派遣至已识别的活跃施工区域内，进行高精度的数据采集。通过深度学习算法从无人机影像中自动提取光伏板、支架、柱桩等关键施工目标，并获取其厘米级的地理坐标。将这些“现状”数据与项目的地理空间数据库进行比对，精确量化当期的新增施工进度。

47、本发明通过将常规的被动的滞后监测转向主动的预测性调查，解决现有调查方法效率低下、成本高昂、本质被动且缺乏数据协同效应的技术问题。

48、本发明的核心创新之一在于引入了施工预测模型。该模型通过分析历次调查所积累的施工进度数据，挖掘出施工活动在空间和时间上的演进规律，从而预测下一周期内最有可能进行施工的“热点”区域。这一预测结果不仅能为项目管理者提供前瞻性的决策支持，还能在新的卫星影像数据尚未获取的“空窗期”内指导预调查。

49、本发明构建了一个闭环反馈与自优化系统。当新一期的卫星影像数据到达后，系统会立即将其与模型的预测区域进行比对验证。这一过程不仅能发现并弥补预测模型可能存在的遗漏，确保调查的完备性（通过触发对遗漏区域的补充调查），更重要的是，它能将预测的偏差（包括漏报和虚警区域）作为宝贵的训练数据，反馈给预测模型，从而不断提升其预测精度。这种自适应、自学习的机制使得整个调查系统在项目周期内能够持续进化，变得越来越智能和准确。