MRR-YOLO: техника сегментации экземпляров для наземных изображений облаков

Почему наблюдение за облаками важно для чистой энергетики

Современные города всё в большей степени питаются энергией Солнца, но такое привычное явление, как проходящее облако, может вызывать резкие падения и всплески солнечной электроэнергии. Эти колебания не только приводят к упущенной выработке, но и создают нагрузку на оборудование и энергосеть. В этой работе предложен новый способ «видеть» и разделять отдельные облака на изображениях неба, чтобы солнечные электростанции могли точнее предсказывать, когда освещённость снизится или возрастёт, делая возобновляемую энергию более надёжной и управляемой.

Как облака нарушают подачу солнечной энергии

Солнечные панели и солнечно‑термические установки зависят от равномерного солнечного излучения. Когда облака быстро плывут по небу, количество света, падающего на панели, может изменяться за считанные секунды — это приводит к мерцанию напряжения, дисбалансам мощности и даже усталости оборудования в высокотемпературных приёмниках. Не все облака влияют одинаково: тонкие высокие слои мягко приглушают солнце, тогда как плотные низкие облака отбрасывают резкие и быстро движущиеся тени. Чтобы эксплуатировать солнечные установки безопасно и эффективно, инженерам нужно знать не только наличие облаков, но и где находится каждое облако, какого оно типа и как, вероятно, будет двигаться.

От простых масок к учёту отдельных облаков

Традиционно компьютеры рассматривали небо как простую задачу «облако» против «не облако». Старые методы опирались на пороги яркости или цветовые правила, которые легко путаются с бликом, дымкой или плохим качеством изображения. Более современные подходы семантической сегментации на основе глубокого обучения повысили точность, но при этом по‑прежнему объединяли все облака одного типа в одну широкую область. Это приводит к потере важных деталей: перекрывающиеся облака, тонкие полосы и мелкие участки сливаются, что ограничивает наши возможности отслеживать толщину, высоту и движение облаков между кадрами.

Новый взгляд в небо: модель MRR‑YOLO

В этой работе разработана MRR‑YOLO — модель «сегментации экземпляров», которая разбивает изображение неба на множество отдельных облачных фрагментов, каждый с собственной контурной формой. Построенная на быстрой базе YOLOv8, модель специально адаптирована к хаотичным и неправильным паттернам, встречающимся в реальном небе. Три добавленных компонента играют ключевую роль. Блок многомасштабного внимания позволяет сети фокусироваться на облачных деталях разных размеров, не делая модель тяжёлой в работе. Блок реорганизации каналов упрощает выделение значимых облачных сигналов на фоне. А блок адаптивной свёртки подстраивает способ обработки каждой части изображения, улучшая способность отслеживать размытые, изогнутые края облаков. В совокупности эти изменения помогают системе оставаться относительно лёгкой, одновременно улучшая распознавание сложных форм облаков.

Полевые испытания модели

Исследователи протестировали MRR‑YOLO на нескольких известных наборах изображений облаков, включая тысячи наземных фотографий неба из разных мест и условий, а также новые снимки, сделанные над Чжэнчжоу, Китай. Они сравнили её работу с популярными методами глубокого обучения, которые либо классифицируют каждый пиксель как облако или небо, либо пытаются выделить отдельные облачные объекты. В то время как традиционные семантические методы иногда показывали более высокую сырую точность пикселей, они не умели различать отдельные облачные объекты. Более ранние методы сегментации экземпляров испытывали трудности с тонкими или разреженными облаками и часто путали области неба и облаков. MRR‑YOLO продемонстрировала более сбалансированное поведение: она надёжнее идентифицировала отдельные облака в широком спектре типов — от перистых до грозовых — при сохранении конкурентной общей точности и достаточной быстроте для практического использования.

Что означают результаты для будущей солнечной энергетики

Преобразуя небо в набор явно отделённых облачных объектов вместо единой размывшейся массы, MRR‑YOLO открывает путь к более точному прогнозированию солнечной генерации. Каждое сегментированное облако можно проанализировать по размеру, форме и вероятному движению и использовать в моделях, оценивающих, когда и сколько солнечного света достигнет электростанций в следующие минуты. Это, в свою очередь, помогает операторам сети сглаживать колебания мощности, защищать чувствительное оборудование и эффективнее использовать чистую энергию. Хотя требуется дальнейшая работа по расширению обучающих данных и оптимизации модели для маломощных устройств, исследование показывает, что более продвинутое «облачное зрение» может стать практическим инструментом для повышения стабильности и надёжности солнечной энергетики.

Цитирование: Wan, Z., Su, J., Fan, B. et al. MRR-YOLO: an instance segmentation technique for ground-based cloud images. Sci Rep 16, 11711 (2026). https://doi.org/10.1038/s41598-026-46567-x

Ключевые слова: солнечная энергия, обнаружение облаков, глубокое обучение, сегментация изображений, небесные камеры