Representación RGB consciente de defectos y aprendizaje profundo eficiente en resolución para la detección de fallos fotovoltaicos en imágenes de electroluminiscencia

La imagen de electroluminiscencia (EL) se utiliza ampliamente para la inspección no destructiva de células fotovoltaicas (PV); sin embargo, el bajo contraste de las imágenes EL en escala de grises limita el rendimiento de los métodos automatizados de detección de defectos. Este manuscrito propone un marco de clasificación de imágenes EL consciente de defectos que mejora la visibilidad de los defectos a través del aumento de contraste local y mapeo de colores falsos RGB motivado físicamente. En lugar de una simple replicación de canales, las intensidades en escala de grises se segmentan en rangos relacionados con defectos y se codifican para enfatizar grietas, regiones inactivas, emisión de silicio sano y caminos conductores. El enfoque se evalúa utilizando el conjunto de datos de referencia público ELPV proponiendo arquitecturas ResNet–50, EfficientNet–B0 y EfficientNet–B3 a dos resoluciones de entrada. La representación propuesta mejora constantemente la discriminación de defectos y logra una precisión máxima de clasificación, superando los resultados basados en CNN reportados anteriormente en el mismo conjunto de datos. Notablemente, se obtiene una precisión comparable a menor resolución, reduciendo significativamente el costo computacional y el tiempo de inferencia, lo que apoya el despliegue con sensores más económicos y tuberías de inspección más rápidas. Se aborda el desequilibrio de clases utilizando pérdida focal, ponderación de clases y calibración de umbrales sin re-muestreo artificial, preservando las condiciones operativas realistas. Los resultados confirman que combinar representación RGB consciente de defectos con aprendizaje eficiente en resolución proporciona una solución precisa y computacionalmente práctica para la detección de defectos en PV basada en EL.