Zonnepaneeldetectie op daken bij Gemeente Rotterdam

De twee vragen die hierachter zitten

1. Stand van zaken, hoeveel panelen liggen er en wat is het opgesteld vermogen in MWp? Belangrijk voor RES-doelstellingen, klimaatakkoord-targets, energietransitie-rapportages.
2. Potentieel, hoeveel dakoppervlak is nog onbenut maar geschikt? Belangrijk voor beleid, communicatie naar bewoners en subsidieprogramma's.

Registratie van panelen is in Nederland niet verplicht, luchtfoto-detectie is daarom de schaalbare weg. Detectie en registratie zijn complementair: detectie vindt panelen die niet in PIR (Productie Installatie Register) staan, registratie vindt panelen die niet zichtbaar zijn van bovenaf.

Technische pipeline

1. Input

   • Luchtfoto's per gemeente / stedelijk gebied
   • BAG voor pandgeometrie (paneel ↔ adres koppelen)
   • AHN voor dakhoogte en oriëntatie

2. Modelarchitectuur, vijf CNN-architecturen vergeleken:

   • VGG16, InceptionV3, InceptionResNetV2, DenseNet, Xception
   • Best presterend: Xception en VGG16, met >90% train/test accuracy
   • Pre-trained gewichten uit ImageNet als startpunt, klassieke transfer learning aanpak
   • Train/test/val split met handmatig gelabelde panelen als ground truth, vergeleken met CertiQ + PIR

3. Jaarlijkse herrun + mutaties

   • Mens labelt alle zichtbare panelen handmatig op luchtfoto (contour, telling, ID)
   • Object detection-algoritme leert op die labels
   • Bij nieuwe jaarlijkse luchtfoto: model draait automatisch en geeft mutaties terug (nieuw geplaatst, verdwenen)

4. Combineren met zonpotentie

   • Voor onbedekte dakvlakken: bereken zonpotentie uit dakoriëntatie (zuid > oost/west > noord), helling, schaduwval van buurpanden/bomen
   • Per pand: hoeveel kWh zou een paneel hier jaarlijks opleveren?

5. Output

   • Database per pand: paneel ja/nee, geschat aantal, vermogen, mutatiejaar
   • Geaggregeerd per buurt/wijk/stad
   • Bewoners-kaart: "hoe geschikt is uw dak?"

Wat het opleverde

CNN-architecturen (Xception, VGG16) met >90% accuracy gevalideerd; bedoeld voor jaarlijkse herrun en RES-rapportage.

Wat ik specifiek deed

Eén van de ontwikkelaars in het team. Sluit aan op mijn eigen scriptie-werk uit 2020 waar vergelijkbare CNN-architecturen werden ingezet voor medische beeldclassificatie. Datzelfde transfer-learning-recept (ImageNet pre-train → fine-tune op kleine gelabelde dataset) werkt onverminderd goed acht jaar later op compleet andere domeinen.

Bekende beperkingen

• Gevelpanelen en in dakpannen geïntegreerde panelen zijn niet zichtbaar van bovenaf
• Schaduwval maakt detectie lastig
• Tijdverschil: luchtfoto's zijn jaarlijks, panelen worden continu geplaatst → er zit altijd lag in de data

Bronnen

• CBS-onderzoek deep learning zonnepanelen
• Kadaster / CBS samenwerking
• IMAGEM case study object detection
• Readar Solar365
• RVO dataviewer geschikte daken

Gerelateerd

• Masterscriptie, Vision AI voor medische beeldclassificatie, eerder werk met dezelfde CNN-recept
• Groene daken in kaart, verwante geospatial CV pipeline
• Skills: Computer vision, Transfer learning