Casos de uso / Inspección de paneles solares
Detectar y localizar defectos en paneles solares con visión artificial.
Instintia implantó para una empresa tecnológica dos modelos de machine learning que automatizan el análisis de imágenes de paneles solares y devuelven sus resultados mediante una API.
Qué necesitaba la organización
La necesidad
La empresa debía analizar grandes volúmenes de imágenes de paneles solares dentro de sus procesos de calidad y auditoría. La revisión manual ralentizaba la clasificación de cada panel y dificultaba localizar con precisión las anomalías detectadas durante la inspección.
Qué debía identificar la IA
El sistema tenía que distinguir los paneles sin anomalías de aquellos que presentaban defectos y, en estos últimos, señalar dónde se encontraba cada incidencia. Entre las casuísticas contempladas estaban las microgrietas, los bordes negros, las diferencias de luminosidad y las interrupciones en los contactos conductores.
La solución desarrollada por Instintia
Instintia configuró un entorno dedicado en Azure Machine Learning y desarrolló dos modelos complementarios de visión artificial. El primero clasifica cada imagen según contenga o no alguna anomalía. El segundo detecta el defecto dentro del panel, delimita su posición y determina su tipología.
Los modelos se entrenaron mediante técnicas de transfer learning sobre imágenes previamente clasificadas y se validaron con métricas específicas. Cada predicción incorpora un nivel de confianza para que el sistema cliente pueda aplicar el umbral adecuado a su proceso de revisión.
Una vez evaluados, los modelos se desplegaron como un endpoint REST. De esta forma, la aplicación del cliente puede enviar imágenes y recibir resultados de clasificación y detección en tiempo real o por lotes, sin reconstruir sus herramientas operativas.
Del archivo de imagen al resultado de inspección
- Recepción de imágenes: el sistema incorpora imágenes etiquetadas mediante API o mediante una interfaz de marcado.
- Control y preprocesamiento: normaliza formatos y tamaños y aplica transformaciones para mejorar el aprendizaje del modelo.
- Clasificación: determina si el panel analizado presenta alguna anomalía relevante.
- Detección y localización: identifica el tipo de defecto y señala la zona exacta de la imagen en la que aparece.
- Integración por API: entrega la predicción y su nivel de confianza a la aplicación operativa del cliente.
- Mejora continua: permite corregir resultados, monitorizar el rendimiento e incorporar nuevos ejemplos en reentrenamientos periódicos.
Beneficios aportados
- Análisis automatizado de grandes volúmenes de imágenes de paneles solares.
- Separación rápida entre paneles sin defectos y unidades que requieren revisión.
- Localización visual y clasificación de las anomalías detectadas.
- Priorización de revisiones mediante niveles de confianza configurables.
- Integración con las aplicaciones existentes a través de un endpoint REST.
- Entorno Azure ML dedicado para aislar datos, modelos y recursos del proyecto.
- Capacidad de reentrenar los modelos cuando aparecen nuevos patrones o condiciones de captura.
«La visión artificial convierte cada imagen de inspección en una decisión operativa: qué panel requiere atención, qué defecto presenta y dónde está localizado.»
— Equipo de Instintia
Una solución preparada para producción
Integrable y escalable
La API desacopla los modelos de la aplicación del cliente. Esto permite procesar imágenes individualmente o por lotes y ampliar capacidad sin modificar el flujo de trabajo existente.
Medible y mejorable
El rendimiento se monitoriza en producción y los resultados corregidos pueden alimentar nuevos ciclos de entrenamiento, manteniendo los modelos adaptados a nuevos defectos y condiciones de campo.
Preguntas frecuentes
¿Cómo detecta la IA los defectos en paneles solares?
Un modelo de clasificación determina si la imagen contiene una anomalía y un segundo modelo de detección de objetos identifica el tipo de defecto y delimita la zona en la que aparece.
¿Qué defectos puede reconocer el sistema?
El proyecto contempló microgrietas, bordes negros, diferencias de luminosidad e interrupciones en los contactos conductores. El catálogo puede ampliarse cuando existen suficientes imágenes representativas y correctamente etiquetadas.
¿Puede integrarse con una aplicación de inspección existente?
Sí. Los modelos se publican mediante una API REST a la que cualquier aplicación autorizada puede enviar imágenes y de la que recibe predicciones estructuradas.
¿La detección funciona en tiempo real?
La inferencia puede ejecutarse en tiempo real o por lotes, según el volumen, la arquitectura de la aplicación y el tiempo de respuesta requerido por el proceso de calidad.
¿Cómo se mantiene la precisión del modelo?
Se monitoriza su comportamiento con imágenes de producción, se revisan predicciones y se realizan reentrenamientos periódicos para incorporar nuevos patrones, defectos o condiciones de captura.