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的性能進行了比較。

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

所有方法均在 ELPV 基準數據集上進行訓練和測試，該數據集包含 2,624 張 光伏電池的電致發光 (EL) 圖像。數據集分為四類 - 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：“這項研究系統地評估了流行的計算機視覺架構——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與機器學習集成方法相結合，解決了光伏系統研究中的一個重大空白，從而提高了太陽能系統在惡劣環境條件下的可靠性和效率。”

結果顯示，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%。單一模型表現最差的是 YOLOv3，準確率僅為 51.27%，而單一模型表現最好的是 AlexNet，準確率達到 67.62%。

從二分類測試結果來看，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。