Detección de objetos extraños en paneles fotovoltaicos basada en DHLNet

Por qué mantener los paneles solares limpios importa de verdad

Los paneles solares rinden mejor cuando cada celda puede ver el sol con claridad. En el mundo real, sin embargo, los paneles se ensucian rápidamente con excrementos de aves, polvo, hojas, nieve e incluso pequeñas grietas o marcas de quemado. Estos intrusos no solo hacen que los paneles parezcan sucios: bloquean la luz, provocan puntos calientes, envejecen el hardware con mayor rapidez y reducen silenciosamente la potencia de parques solares enteros. Este artículo presenta un nuevo modelo de visión por ordenador llamado DHLNet que puede detectar automáticamente esos objetos extraños en paneles fotovoltaicos (PV), incluso cuando son pequeños, tenues o están parcialmente ocultos, ayudando a mantener la energía solar segura, eficiente y asequible.

El reto creciente de vigilar los parques solares

A medida que la energía solar se extiende desde instalaciones en tejados hasta grandes plantas a escala utilitaria, revisar los paneles manualmente se ha vuelto lento, costoso y propenso a errores. Los métodos tradicionales suelen analizar señales eléctricas de una cadena de paneles y buscar patrones anómalos. Aunque estos enfoques son simples y rápidos, tienen dificultades para localizar exactamente dónde está el problema en un panel o para identificar su causa. En los últimos años, los ingenieros han recurrido a cámaras —a veces montadas en drones— para tomar imágenes o fotografías térmicas de los paneles. Los modelos de aprendizaje profundo pueden entrenarse para reconocer patrones asociados a fallos. Sin embargo, las herramientas existentes aún pasan por alto muchos defectos pequeños o de bajo contraste, especialmente bajo cambios en la luz solar, sombras y fondos desordenados típicos de entornos exteriores.

Cómo el nuevo modelo ve más dentro de la misma imagen

DHLNet se basa en la popular familia YOLO de detectores de objetos en tiempo real, pero reconfigura partes clave para captar mejor los fallos sutiles en los paneles solares. En primer lugar, los autores rediseñan cómo fluye la información a través del «cuello» central de la red. Su Dual-Flow Feature Pyramid Network envía señales tanto desde capas gruesas y de alto nivel hacia capas más finas como desde capas finas hacia arriba, añadiendo además enlaces cruzados entre diferentes escalas. Este tráfico en diagonal permite al modelo conservar detalles nítidos —como el contorno de una pequeña mancha— mientras comprende la escena más amplia, lo cual es crucial cuando los defectos son mucho más pequeños que las losas del panel que los contienen.

Óptica más precisa para bordes difuminados y texturas complejas

Muchos objetos extraños en los paneles son difíciles de distinguir del fondo: el polvo aparece como manchas suaves, los excrementos de aves se confunden con reflejos y la nieve puede suavizar los bordes. Para manejar estos casos, DHLNet incorpora un bloque de realce de alta frecuencia que divide las características en dos corrientes. Una se centra en bordes y texturas muy locales, mientras que la otra examina patrones de alta frecuencia en un área mayor. Estas corrientes se recombinan luego con una conexión de atajo que preserva el contexto original de la escena. Además, la red incluye un módulo de atención especial que utiliza filtros separables grandes para reunir información de un campo de visión amplio de una sola vez. Esto ayuda al modelo a detectar defectos tenues o de formas irregulares que abarcan varias celdas, como grietas o manchas irregulares, sin perder el rastro de los detalles finos.

Evaluando el modelo en condiciones reales

Los investigadores compilaron un conjunto de imágenes diverso procedente de varias plantas solares y fuentes en línea, cubriendo diferentes estaciones, condiciones de iluminación y climatología. Cada imagen se redimensionó a un formato estándar y se etiquetó cuidadosamente con la ubicación exacta y el tipo de objeto extraño o defecto, incluyendo nieve, polvo, excrementos de aves, daños físicos y paneles intactos. Compararon DHLNet con un amplio conjunto de detectores modernos, desde modelos clásicos de dos etapas como Faster R-CNN hasta versiones ligeras de una sola etapa de YOLO y diseños basados en Transformers. DHLNet obtuvo puntuaciones superiores tanto en medidas comunes de precisión como en pruebas más exigentes que recompensan una delimitación precisa y una clasificación correcta en múltiples umbrales de solapamiento, todo ello manteniéndose compacto y lo bastante rápido para uso en tiempo real en una única GPU de alta gama.

Qué implica esto para el mantenimiento futuro de la energía solar

Para un público no especializado, el mensaje clave es sencillo: DHLNet ayuda a los operadores solares a ver más de los problemas pequeños que erosionan el rendimiento de forma silenciosa, sin ralentizar las inspecciones. Al combinar una detección de bordes más aguda, una atención más inteligente al contexto y una mejor mezcla de información entre escalas, el modelo mejora la fiabilidad con la que se detectan objetos extraños en los paneles, especialmente cuando son diminutos, tenues o parcialmente ocultos. Dado que funciona en tiempo real y usa recursos de cómputo moderados, puede emparejarse con drones o cámaras fijas para monitorización continua. A largo plazo, herramientas así pueden reducir los costes de inspección, disminuir el riesgo de daños permanentes en los paneles y mantener a los parques solares produciendo la mayor cantidad posible de energía limpia.

Cita: Jin, H., Li, M., Lv, X. et al. Foreign object detection on photovoltaic panels based on DHLNet. Sci Rep 16, 8145 (2026). https://doi.org/10.1038/s41598-026-39074-6

Palabras clave: inspección de paneles solares, visión por ordenador, detección de objetos extraños, aprendizaje profundo, mantenimiento fotovoltaico