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

TODO — adoptie binnen Rotterdam's energie- en duurzaamheidsteam, gebruik in 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