🔬 Un modelo entrenado por los autores del estudio clasificó la gravedad de defectos en células fotovoltaicas a partir de imágenes de electroluminiscencia. En el conjunto ELPV, MS-OSSLNet alcanzó 60,91 % de acierto y procesó 88 imágenes por segundo. Busca apoyar la inspección de sistemas de energía renovable.
Los defectos forman patrones sutiles en imágenes de bajo contraste, lo que complica asignarles una gravedad. El equipo propuso una red que combina información global y de parches locales. También usó aprendizaje autosupervisado basado en DINO y regresión ordinal con CORAL para representar la progresión del daño.
El modelo ajustó el peso de las clases para afrontar el desequilibrio del conjunto de datos. Su precisión equilibrada fue 53,27 % y su F1 ponderado, 0,6417. La mayoría de los errores quedó entre niveles de gravedad vecinos, según el error absoluto medio de 0,6497 y la kappa ponderada cuadrática de 0,5479.
✅ El trabajo sugiere que combinar varias escalas de imagen y aprendizaje autosupervisado puede ayudar a clasificar defectos fotovoltaicos. El límite es claro: los resultados proceden de las pruebas en el conjunto ELPV y la precisión equilibrada deja margen de mejora antes de convertirlo en un sistema de inspección inteligente.
