49、太阳能电池分类与樱桃叶疾病检测的机器学习和深度学习方法

太阳能电池分类与樱桃叶疾病检测的机器学习和深度学习方法

1. 太阳能电池分类方法

在太阳能电池分类中，研究人员采用了多种机器学习和深度学习方法。

1.1 机器学习方法

• 特征提取与聚类 ：学习模型权重将图像转换为向量，然后将其展平并存储在列表中，接着使用K - means聚类对列表进行分类预测。图像以100×100像素的分辨率输入，并使用‘imagenet’权重。VGG16与KNN结合的多类分类（不包括短路）准确率为34.38%，与Resnet结合为32.88%。

• 双类和多类分类模型对比 ：

  • 双类分类 ：SVM是最适合双类分类的模型，使用直方图均衡化图像后，SVM和随机森林的整体准确率比实际数据集提高了2 - 3%。例如，使用直方图均衡化图像的SVM在“好”与“缺陷（除短路）”的分类中准确率约为95%。而使用Sobel边缘检测方法会因产生噪声而降低所有模型的准确率。
    | 模型 | 精度 | 召回率 | F1分数 | 支持度 | 准确率（$） | 类别 |
    | — | — | — | — | — | — | — |
    | SVM | 0.86 | 0.76 | 0.81 | 80 | 92.36 | 好 |
    | | 0.94 | 0.97 | 0.95 | 300 | | 缺陷 |
    | 随机森林 | 0.77 | 0.60 | 0.68 | 120 | 87.89 | 好 |
    | | 0.90 | 0.95 | 0.