研究人员开发了一种用于自动化太阳能电池板缺陷检测的混合方法，将手工制作的特征与深度学习相结合。该方法利用局部二值模式（Local Binary Pattern）、方向梯度直方图（Histogram of Gradients）和Gabor滤波器提取手工特征，并使用DenseNet-169提取深度特征。当将这些特征连接起来并输入到支持向量机（SVM）、极端梯度提升（XGBoost）和轻量级梯度提升机（LGBM）等分类器时，该混合框架表现出卓越的性能。值得注意的是，DenseNet-169与Gabor滤波器和SVM分类器相结合，达到了99.17%的准确率，优于其他系统，并为太阳能电池板系统的连续监控和故障检测提供了强大的解决方案。 AI
影响 这种混合人工智能方法为自动化太阳能电池板监控提供了一种高度准确且高效的方法，有望提高能源效率并降低太阳能发电的维护成本。
排序理由 详细介绍一种新颖的混合人工智能缺陷检测方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- DenseNet-169
- Histogram of Gradients
- LightGBM
- Local binary patterns
- Muhammad Junaid Asif
- support vector machine
- XGBoost
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
