该小组测试了八种先进的独立模型，并将它们的性能与投票和装袋两种集成技术的性能进行了比较。

上海油压工作室“对于投票技术，我们有八个经过训练的投票集成模型，每个模型都有独特的性能值。投票聚合技术用于提高整体性能。在本文中，我们使用了软投票技术，该技术使用每个模型的平均性能值进行多数投票，”该团队解释说。“在 bagging 集成方法中，训练数据集被采样并分发到各个模型，使用软投票聚合作为性能指标。”

所有方法均在 ELPV 基准数据集上进行训练和测试，该数据集包含 2,624 张 光伏电池的电致发光 (EL) 图像。数据集分为四类 - 功能性、中度、轻微和严重缺陷，并要求模型将它们归入正确的类别。此外，还进行了二元测试，其中功能性和中度类别被视为无缺陷，而轻微和严重类别被视为有缺陷。

研究团队表示：“这项研究系统地评估了流行的计算机视觉架构——AlexNet、SENet、GoogleNet(Inception V1)、Xception、Vision Transformer(ViT)、Darknet53、ResNet18 和 Squeeze Net——在对光伏板缺陷进行分类方面的性能。”“这项研究通过将复杂的光伏电池缺陷检测技术与机器学习集成方法相结合，解决了光伏系统研究中的一个重大空白，从而提高了太阳能系统在恶劣环境条件下的可靠性和效率。”

上海油压工作室结果显示，在分析四类缺陷时，投票集成的准确率达到 68.36%，而 bagging 的准确率达到 68.31%。单一模型表现最差的是 YOLOv3，准确率仅为 51.27%，而单一模型表现最好的是 AlexNet，准确率达到 67.62%。

从二分类测试结果来看，ResNet18 的准确率最高达到了 73.02%，超过了 Voting 的 72.17% 和 Bagging 的 72.06%，上述设置下单个模型准确率最低的是 ViT，为 39.68%。

上海油压工作室该类方法在《热能工程案例研究》中发表的“使用深度学习集成方法对太阳能光伏板电池缺陷进行分类”中提出。