.png){kind=icon}
返回
Solar Panel Dust Detection via Grey Wolf Optimization-Based Transfer Learning: A Comparative Study
.png){kind=icon}
OA
AI
DOI：10.3390/en19194636.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
太阳能是清洁和可持续电力最重要的来源之一。然而，随着时间的推移，积累在太阳能电池板表面的灰尘会显著降低其能量输出。本研究旨在使用深度学习方法自动将太阳能电池板图像分类为清洁或污染。使用了从孟加拉国不同地区收集的1440张公开可用的太阳能电池板图像数据集。采用六种预训练卷积神经网络（CNN）模型进行特征提取：DenseNet201、EfficientNetB0、InceptionResNetV2、MobileNet、ResNet50和Xception。使用灰狼优化（GWO）算法优化分类层的超参数。模型首先使用80:20的训练/测试分割进行评估，随后使用5折交叉验证进行验证，结果报告为平均值±标准差。在5折交叉验证下，所有六种模型均实现了97%以上的平均准确率，其中Xception和MobileNet达到最高的平均准确率99.93%。这些发现表明，迁移学习模型与元启发式优化相结合，可以为太阳能电池板上的自动灰尘检测提供有前景的解决方案。
Keyword:
solar panel
dust detection
deep learning
transfer learning
optimization
