該小組測試了八種先進的獨立模型，并將它們的性能與投票和裝袋兩種集成技術(shù)的性能進行了比較。

“對于投票技術(shù)，我們有八個經(jīng)過訓練的投票集成模型，每個模型都有獨特的性能值。投票聚合技術(shù)用于提高整體性能。在本文中，我們使用了軟投票技術(shù)，該技術(shù)使用每個模型的平均性能值進行多數(shù)投票，”該團隊解釋說。“在 bagging 集成方法中，訓練數(shù)據(jù)集被采樣并分發(fā)到各個模型，使用軟投票聚合作為性能指標。”

所有方法均在 ELPV 基準數(shù)據(jù)集上進行訓練和測試，該數(shù)據(jù)集包含 2,624 張 光伏電池的電致發(fā)光 (EL) 圖像。數(shù)據(jù)集分為四類 - 功能性、中度、輕微和嚴重缺陷，并要求模型將它們歸入正確的類別。此外，還進行了二元測試，其中功能性和中度類別被視為無缺陷，而輕微和嚴重類別被視為有缺陷。

研究團隊表示：“這項研究系統(tǒng)地評估了流行的計算機視覺架構(gòu)——AlexNet、SENet、GoogleNet(Inception V1)、Xception、Vision Transformer(ViT)、Darknet53、ResNet18 和 Squeeze Net——在對光伏板缺陷進行分類方面的性能。”“這項研究通過將復雜的光伏電池缺陷檢測技術(shù)與機器學習集成方法相結(jié)合，解決了光伏系統(tǒng)研究中的一個重大空白，從而提高了太陽能系統(tǒng)在惡劣環(huán)境條件下的可靠性和效率。”

結(jié)果顯示，在分析四類缺陷時，投票集成的準確率達到 68.36%，而 bagging 的準確率達到 68.31%。單一模型表現(xiàn)最差的是 YOLOv3，準確率僅為 51.27%，而單一模型表現(xiàn)最好的是 AlexNet，準確率達到 67.62%。

從二分類測試結(jié)果來看，ResNet18 的準確率最高達到了 73.02%，超過了 Voting 的 72.17% 和 Bagging 的 72.06%，上述設置下單個模型準確率最低的是 ViT，為 39.68%。

該類方法在《熱能工程案例研究》中發(fā)表的“使用深度學習集成方法對太陽能光伏板電池缺陷進行分類”中提出。