基于迁移学习和灰狼优化的太阳能板灰尘自动检测

《Energies》：Solar Panel Dust Detection via Grey Wolf Optimization-Based Transfer Learning: A Comparative Study

　　太阳能是重要的清洁、可持续电力来源之一。然而，随着时间推移，太阳能板表面积累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板图像分类为清洁或脏污。研究使用了来自孟加拉国不同地区的1440张公开可用的太阳能板图像数据集。采用六个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。分类层的超参数使用灰狼优化（GWO）算法进行优化。首先使用80:20的训练/测试划分对模型进行评估，随后使用5折交叉验证进行验证，结果以平均值±标准差形式报告。在5折交叉验证下，所有六个模型的平均准确率均超过97%，其中Xception和MobileNet达到了最高的平均准确率99.93%。这些发现表明，迁移学习模型结合元启发式优化可以为太阳能板灰尘的自动检测提供有前景的解决方案。