Energética 251. Noviembre 2025

Caso de éxito sobre la integración de modelos IA en la inspección RGB de alta resolución en plantas fotovoltaicas En este artículo se profundiza en el proceso de integración de IA mediante la aplicación de modelos desarrollados con diferentes técnicas (CNN, VLM) para el análisis de imágenes RGB de alta resolución, orientado a evaluar el estado de los módulos de una planta fotovoltaica del año 2006, con el objetivo de documentar y formalizar reclamaciones al fabricante para la sustitución de módulos aún cubiertos por garantía. MIGUEL ROSA (CEO) Y TÉCNICOS DEL EQUIPO DE AEROTOOLS E n este artículo se profundiza en el proceso de integración de modelos IA desarrollados por AEROTOOLS, reali- zando la descripción detallada de un caso de éxito en aplicación real: el análisis de imáge- nes RGB de alta resolución capturadas desde dron, orientado a evaluar el estado de los mó- dulos de una planta fotovoltaica del año 2006, con el objetivo de documentar y formalizar re- clamaciones al fabricante para la sustitución de módulos aún cubiertos por garantía. La inspección se centra en identificar mó- dulos afectados por degradación del backs- heet, cuyo deterioro permite la entrada de humedad y agua en el interior, provocando fallos de aislamiento, derivaciones, corro- sión en las conexiones frontales, deslamina- ciones en celdas y degradación prematura del módulo. La identificación de incidentes como corrosión en distintos grados o loca- lizada en elementos metálicos como bus- bars o tab ribbons, así como la aparición de defectos como snail trail, cell framing o deslaminaciones superficiales, representan indicadores claros de daño estructural que pueden justificar la sustitución del módulo. Las plantas de tamaño pequeño o medio tienen instalados entre 5.000 y 50.000 módu- los, de los cuales se deben capturar imáge- nes con suficiente resolución, georreferen- ciarlas al módulo y posición exacta, leer el número de serie para garantizar la trazabili- dad, ejecutar análisis automático de defec- tos e integrar evidencias comentadas para sustentar la reclamación ante el fabricante. El caso de este ejemplo se planteó en va- rias fases, con objeto de atender los requeri- mientos del cliente. Fase 1: Análisis de Busbar & Tab Ribbon Los procesos de IA definidos para el análisis visual de la zona busbar para la detección de corrosión, requieren una cadena específica de preprocesamiento de las imágenes. Los modelos utilizados en esta fase se ba- san en redes neuronales convolucionales (CNN, Convolutional Neural Networks), una arquitectura ampliamente utilizada en vi- sión por computador gracias a su capacidad de extraer patrones espaciales relevantes. Cada planta requiere un entrenamiento es- pecífico adaptado a la tipología de módulos, calidad de las imágenes y variabilidad de las capturas. Como primera etapa, se procede a la extrac- ción de etiquetas correspondientes a los nú- meros de serie, que servirán posteriormente para generar las imágenes de busbar que se analizarán en una línea de proceso indepen- diente. La lectura de números de serie cons- tituye un proceso autónomo basado en IA, previamente tratado en otros artículos, y cuyo éxito depende en gran medida de la valida- ción de los resultados generados por el mo- delo. Para ello, contar con el Flash Report del fabricante resulta fundamental, ya que acele- ra la verificación y aumenta su fiabilidad. El proceso es iterativo: una vez obtenidos resultados preliminares, se valida, se corri- gen errores y se reentrena el modelo. El vo- lumen total de imágenes —más de 50.000 capturas de alta resolución— implica tiem- pos de procesamiento prolongados. Las pla- taformas de entrenamiento presentan limi- taciones en tamaño de imagen, número de Presencia de deslaminación y cell framing en celdas de módulo en inspección fotovoltaica | grandes plantas 76 ENERGÉTICA XXI · 251 · NOV 25