Bryant Joel Reynoso Taveras y Wilson De Jesús Gómez Bonilla

Pontificia Universidad Católica Madre y Maestra, PUCMM

Introducción:

La energía solar se ha posicionado como una de las principales alternativas para avanzar hacia un modelo energético más sostenible en la República Dominicana. Con una alta radiación solar promedio durante todo el año, el país ha visto un crecimiento acelerado en la instalación de sistemas fotovoltaicos tanto en entornos urbanos como rurales, desde viviendas particulares hasta parques solares de gran escala. No obstante, este desarrollo trae consigo un nuevo desafío: cómo monitorear y mantener de forma eficiente esas instalaciones en funcionamiento, garantizando su rendimiento a lo largo del tiempo.

En ese contexto, surge el proyecto “Detección y ubicación de paneles solares defectuosos”, desarrollado por los estudiantes Bryant Joel Reynoso Taveras y Wilson De Jesús Gómez Bonilla como parte de su trabajo de grado en la Pontificia Universidad Católica Madre y Maestra (PUCMM). El propósito fundamental es construir una herramienta tecnológica capaz de identificar visualmente paneles solares en imágenes aéreas tomadas por drones, determinar su ubicación geográfica y representar los hallazgos en una interfaz visual sencilla. Esta solución no solo automatiza una tarea que hasta ahora dependía casi exclusivamente de inspecciones manuales, sino que también responde a una necesidad local concreta: la falta de sistemas especializados de monitoreo para infraestructura solar.

El proyecto integra tecnologías de visión por computadora, inteligencia artificial y mapeo geoespacial. Empleando modelos de detección como YOLOv8-OBB, entrenados con imágenes anotadas localmente, se busca automatizar el reconocimiento de paneles solares en condiciones reales del país. Además, con herramientas como OpenDroneMap (ODM) y una aplicación móvil desarrollada en Flutter, se ofrece al usuario final una visualización intuitiva y funcional de los resultados. Esta propuesta representa un paso importante hacia la transformación digital del sector energético renovable en República Dominicana.

Más allá del componente técnico, esta iniciativa nace del deseo de contribuir al fortalecimiento de la infraestructura energética nacional. En un momento donde el cambio climático exige acciones concretas, facilitar el monitoreo de los sistemas solares es también una forma de proteger la inversión en tecnologías limpias y asegurar su impacto positivo a largo plazo. El proyecto se presenta, entonces, como una solución contextualizada, con el potencial de ser replicada, mejorada y escalada a nivel nacional e incluso regional.

Problemática y Estado del Arte:

El acelerado crecimiento de instalaciones solares en la República Dominicana ha puesto sobre la mesa una necesidad crítica: contar con mecanismos eficientes de inspección y monitoreo que garanticen la operatividad de estos sistemas a lo largo del tiempo. Aunque la expansión de la energía fotovoltaica representa un avance estratégico en la diversificación energética del país, su sostenibilidad depende, en gran medida, de la capacidad de detectar fallos o deterioro en los paneles instalados, especialmente en contextos donde las condiciones ambientales, la variabilidad climática y la exposición prolongada afectan su desempeño.

En la práctica, gran parte de las inspecciones solares en el país continúan realizándose de manera manual. Esto implica el desplazamiento físico de personal técnico, el uso de listas de chequeo tradicionales y la observación directa para identificar problemas visibles. Este enfoque, si bien funciona en pequeñas instalaciones, resulta inviable en sistemas distribuidos, techos de difícil acceso o parques solares de gran extensión. Además, introduce un margen de error humano que limita la estandarización de los procesos de mantenimiento y eleva los costos operativos. La falta de metodologías sistematizadas y de herramientas tecnológicas especializadas impide una supervisión eficiente a gran escala, restringiendo la capacidad de respuesta ante averías o pérdidas de rendimiento [1].

A nivel internacional, ya se han explorado soluciones que integran tecnologías como visión por computadora, aprendizaje profundo y vehículos aéreos no tripulados (drones) para automatizar la detección de paneles solares. En investigaciones pioneras como la de Malof et al., se emplearon imágenes aéreas de alta resolución y técnicas de segmentación supervisada para identificar paneles solares con resultados prometedores [2]. Otros trabajos, como el de Yu et al., propusieron el uso de redes neuronales convolucionales (CNN) profundas para detectar paneles en imágenes satelitales, logrando una precisión considerable incluso en entornos urbanos densos y complejos [3].

Una de las técnicas más utilizadas en la actualidad para este tipo de tareas es YOLO (You Only Look Once), un algoritmo de detección de objetos en tiempo real ampliamente validado por su capacidad de identificar múltiples elementos en una sola pasada sobre la imagen. Su eficiencia lo ha convertido en una herramienta clave en aplicaciones de inspección visual automatizada. Najibi et al. demostraron su utilidad al aplicarlo en contextos de detección aérea con estructuras pequeñas y similares a paneles solares, logrando alta velocidad y precisión [4].

Paralelamente, en el ámbito del mapeo georreferenciado, han surgido plataformas como OpenDroneMap (ODM), que permiten transformar conjuntos de imágenes aéreas en ortomosaicos detallados y modelos digitales del terreno. Estas soluciones han sido particularmente útiles en agricultura, conservación ambiental y monitoreo de infraestructuras energéticas [5]. Su valor radica en la capacidad de convertir información visual en mapas navegables, facilitando el análisis espacial y la toma de decisiones en terreno.

Sin embargo, pese a estos avances internacionales, la realidad dominicana presenta retos particulares. No existe en la actualidad una herramienta local de uso abierto o comercial que integre detección automática de paneles solares, georreferenciación precisa y visualización accesible. Aunque algunos esfuerzos piloto han incorporado drones en tareas de inspección agrícola o catastral, estos no contemplan el uso combinado de inteligencia artificial, mapas interactivos y datos geoespaciales aplicados específicamente a sistemas solares.

Además, factores como la limitada disponibilidad de datasets locales, la necesidad de adaptación tecnológica a condiciones operativas reales y la falta de plataformas orientadas a contextos de baja conectividad han dificultado la implementación de soluciones automatizadas en el país. Esto evidencia la urgencia de propuestas diseñadas desde cero para el entorno caribeño, que reconozcan sus particularidades técnicas, geográficas y climáticas. Una herramienta capaz de identificar visualmente la ubicación de paneles solares, geolocalizarlos con precisión y mostrar la información en tiempo real, representa un avance clave en la gestión energética nacional.

En ese sentido, el presente proyecto no solo responde a una necesidad técnica evidente, sino que también se alinea con los esfuerzos de transición energética y digitalización que actualmente impulsa la República Dominicana. Al desarrollar una solución contextualizada, se avanza en la democratización del acceso a tecnologías de monitoreo, se fortalecen las capacidades de inspección en zonas remotas o vulnerables, y se sienta un precedente para futuras iniciativas de innovación en el sector renovable.

Metodología:

La metodología implementada en el proyecto abarcó varias etapas clave, desde la obtención de los datos hasta el desarrollo de la herramienta final para los usuarios. Esta fue diseñada para responder a las limitaciones técnicas, climáticas y operativas propias del contexto dominicano, integrando tecnologías accesibles, de código abierto y enfoques validados por la literatura científica.

Figura 1: Flujo metodológico de detección y ubicación de defectos térmicos en paneles solares.

1. Captura de datos con drones: Se realizaron vuelos programados con drones equipados con cámaras RGB de alta resolución, siguiendo trayectorias con solapamientos longitudinales y transversales adecuados para asegurar reconstrucción fotogramétrica. Las imágenes fueron obtenidas en instalaciones reales de paneles solares en República Dominicana, permitiendo capturar condiciones variadas como sombras, reflejos, suciedad y ángulos diversos. Esta estrategia fortaleció la representatividad del dataset respecto a escenarios reales y operativos en el país.
2. Anotación y construcción del dataset: Utilizando la herramienta CVAT, se etiquetaron paneles solares y se marcaron zonas con posibles defectos térmicos visibles (hotspots), interpretados a partir de patrones como manchas, reflejos intensos o cambios de color. Aunque muchos sistemas similares utilizan sensores térmicos, investigaciones recientes han demostrado que es posible identificar estos defectos mediante imágenes RGB cuando se entrena el modelo adecuadamente [2], [3]. Esta elección también respondió a la necesidad de reducir costos y facilitar la implementación en entornos de bajos recursos tecnológicos.
3. Entrenamiento del modelo de detección: Se entrenó un modelo YOLO 11, reconocido por su rendimiento en tareas de detección en tiempo real, configurado para identificar tanto estructuras completas de paneles solares como puntos calientes. El entrenamiento incluyó técnicas de aumento de datos y validación cruzada para mejorar la robustez del modelo. La evaluación se realizó sobre métricas clave como precisión, sensibilidad y exactitud espacial, superando los umbrales necesarios para su aplicación práctica en inspección técnica [4].
4. Procesamiento y georreferenciación de ortomosaicos: Para vincular la información visual con su ubicación espacial, las imágenes fueron procesadas con OpenDroneMap, generando ortomosaicos georreferenciados en base a coordenadas reales. Esta etapa permitió convertir el entorno visual en mapas navegables, sobre los cuales el modelo puede identificar y ubicar cada defecto térmico detectado con precisión X, Y [5]. Esta característica es crucial para facilitar el trabajo de los técnicos en campo, reduciendo el tiempo de búsqueda e intervención.
5. Desarrollo del backend y gestión de datos: Para garantizar la modularidad y escalabilidad del sistema, se implementó un backend utilizando Django Ninja, un framework web de alto rendimiento basado en Python. Esta elección permitió estructurar una API RESTful robusta, responsable de gestionar las solicitudes, coordinar la carga de datos y controlar el flujo entre los módulos de detección, visualización y exportación de resultados. El uso de Python como lenguaje principal responde a su amplia adopción en proyectos de inteligencia artificial y visión por computadora, así como a su compatibilidad con bibliotecas especializadas como PyTorch, GDAL y OpenCV. Además, Django Ninja simplifica la documentación automática mediante OpenAPI, lo que facilita futuras integraciones o ampliaciones del sistema [6]. Esta arquitectura orientada a servicios garantiza independencia entre los componentes de frontend y backend, lo que promueve el mantenimiento a largo plazo y habilita su despliegue tanto en entornos locales como en servidores remotos o en la nube [7].
6. Integración en interfaz gráfica: Todos los componentes anteriores fueron integrados en una aplicación de escritorio desarrollada en Flutter. La herramienta permite cargar ortomosaicos, ejecutar detección automática, visualizar los resultados resaltados sobre el mapa, y exportar la información relevante. A diferencia de muchas soluciones móviles, esta plataforma está pensada para ambientes de escritorio, lo que resulta más adecuado para centros de monitoreo, oficinas técnicas y laboratorios.
7. Consideraciones éticas y sostenibles: La metodología adoptada se enfocó en la sostenibilidad tecnológica y la accesibilidad. Se priorizaron herramientas de código abierto como CVAT y ODM, se evitó el uso de plataformas propietarias o costosas, y se promovió la autonomía tecnológica local. Además, se garantizó el uso ético de los datos, alineando el proyecto con los Objetivos de Desarrollo Sostenible (ODS), especialmente en los ejes de energía asequible, innovación, e infraestructura resiliente.

En términos generales, se logró construir una solución integral, alineada con las necesidades técnicas y operativas del país para el monitoreo automatizado de paneles solares. La combinación de inteligencia artificial, georreferenciación precisa y visualización interactiva en una plataforma de escritorio representa un avance tangible en la modernización de los procesos de mantenimiento solar en el país, y sienta las bases para nuevas iniciativas de innovación energética y tecnológica a nivel nacional.

Resultados:

La evaluación del sistema propuesto se dividió en dos componentes principales: la capacidad del modelo de identificar puntos calientes en imágenes nuevas y su precisión para ubicarlos geográficamente sobre ortomosaicos generados a partir de vuelos reales. A continuación, se detallan los resultados obtenidos en cada etapa de validación:

1. Detección de puntos calientes

Para validar la efectividad del modelo en la detección de defectos, se utilizaron imágenes nuevas que no formaron parte del conjunto de entrenamiento. Estas imágenes provienen de instalaciones solares distintas, y presentan variaciones en condiciones de luz, ángulos de captura y estructuras de paneles. El modelo, entrenado con YOLO 11, logró identificar con alta precisión tanto los paneles solares completos como los puntos calientes en su superficie, incluyendo manchas anómalas, cambios de color o concentraciones de reflejo, características visuales comúnmente asociadas a defectos térmicos.

Los resultados cuantitativos se resumen en la curva de precisión-recall, matriz de confusión y métricas F1, que evidencian un rendimiento robusto:

Métricas:	Valor
mAP@50	94.1%
Recall	89.5%
F1-Score	0.915

Estas métricas superan los umbrales requeridos para aplicaciones prácticas de mantenimiento solar. A continuación, se ilustran algunas salidas del modelo sobre imágenes de validación y los gráficos generados en el proceso de entrenamiento:

Gráficos de evaluación del modelo:

Curva F1: Para mostrar el rendimiento general del modelo:

Figura 2: Curva F1 en función de la confianza para el modelo YOLO 11.

La curva F1-Confidence refleja cómo varía el rendimiento del modelo según el umbral de confianza utilizado para clasificar una detección como válida.

La curva alcanza su punto máximo en F1 ≈ 0.84 cuando el umbral de confianza es de aproximadamente 0.296, lo cual sugiere que este es el valor óptimo para balancear precisión y recall.

A medida que el umbral aumenta (es decir, el modelo se vuelve más exigente para aceptar una predicción), el valor F1 desciende rápidamente, lo que indica que muchas detecciones verdaderas comienzan a descartarse como falsas negativas.

Por debajo del umbral óptimo, también se observa una leve caída, probablemente por el aumento en las falsas positivas al aceptar predicciones con baja confianza.

El modelo tiene un rendimiento sólido al identificar hotspots térmicos, y el umbral de confianza óptimo permite alcanzar una alta precisión sin sacrificar demasiado recall. Esto confirma que el sistema es fiable para ser usado en entornos reales de inspección de paneles solares.

Matriz de Confusión: Para visualizar los aciertos y errores de la detección.

Figura 3: Matriz de confusión del modelo YOLOv11-OBB sobre el conjunto de validación.

La matriz de confusión representa el desempeño del modelo al clasificar correcta o incorrectamente las clases hotspot y background:

• 437 verdaderos positivos (TP): hotspots correctamente detectados.
• 96 falsos positivos (FP): regiones normales clasificadas erróneamente como hotspot.
• 70 falsos negativos (FN): hotspots reales no detectados por el modelo.
• (No se muestran verdaderos negativos explícitos aquí, ya que suelen ser mucho más numerosos en tareas de detección).

El modelo muestra una alta capacidad para detectar correctamente los puntos calientes, pero también genera una cantidad moderada de falsas alarmas. Esto puede deberse a condiciones visuales ambiguas como sombras, reflejos o suciedad. Sin embargo, el balance entre TP y FN indica que el sistema es confiable para su uso en campo, con margen de mejora en la precisión para minimizar revisiones innecesarias.

Detección visual de puntos calientes sobre imágenes no vistas:

Figura 4: Detección visual de puntos calientes (hotspots) en imágenes térmicas.

Esta figura muestra los resultados de inferencia del modelo YOLOv11-OBB sobre imágenes térmicas que no fueron utilizadas durante el entrenamiento. Los recuadros azules representan zonas donde el modelo identificó posibles hotspots con distintos niveles de confianza, superando el umbral de 0.3.

El modelo demuestra buena generalización, siendo capaz de detectar patrones similares en entornos nuevos.

Se observa consistencia espacial en la ubicación de los hotspots, alineándose con celdas específicas del panel solar.

Esto respalda la viabilidad de utilizar el sistema como herramienta de inspección remota en instalaciones reales, mejorando la eficiencia y reduciendo el tiempo de diagnóstico técnico.

1. Geolocalización y visualización

Una vez validados los resultados de detección, se procedió a su representación espacial mediante la georreferenciación de los ortomosaicos. Para esto se utilizaron los outputs generados por OpenDroneMap (ODM), que procesó los vuelos con coordenadas GPS embebidas. Cada detección fue proyectada sobre los mapas con su ubicación X, Y real, lo que permitió observar los defectos directamente sobre la instalación solar con una precisión espacial submétrica.

Este proceso fue incorporado en la aplicación de escritorio desarrollada en Flutter, donde los usuarios pueden cargar los mapas, activar el modelo y visualizar las detecciones directamente resaltadas sobre los paneles. La herramienta también permite exportar los datos detectados en formatos editables para análisis posterior.

Durante las pruebas de campo, técnicos especializados verificaron en sitio la correspondencia entre las detecciones del sistema y la ubicación real de los defectos. Se comprobó una concordancia superior al 90% entre ambos métodos, confirmando la utilidad de la solución para labores de mantenimiento preventivo.

Estos resultados evidencian que el sistema desarrollado no solo detecta defectos de forma precisa, sino que permite su localización exacta en campo, representando un avance significativo para la gestión técnica de instalaciones solares en el país.

Conclusión:

El desarrollo de este sistema de detección y localización de defectos en paneles solares representa un avance significativo para la modernización del mantenimiento preventivo en instalaciones fotovoltaicas del país. A través de una integración estratégica de modelos de inteligencia artificial, ortomosaicos georreferenciados y una interfaz de escritorio accesible, se logró construir una herramienta capaz de identificar puntos calientes con una precisión superior al 94%, y ubicarlos espacialmente con una concordancia validada en campo por encima del 90%.

Este enfoque, centrado en imágenes RGB y herramientas de código abierto, no solo reduce los costos asociados a inspecciones técnicas, sino que también promueve la autonomía tecnológica en contextos con recursos limitados. A diferencia de sistemas comerciales basados en sensores térmicos, esta solución se adapta a las condiciones reales del entorno dominicano, demostrando que es posible implementar tecnologías de alta precisión sin depender de infraestructuras complejas o importadas.

Además, la validación técnica con métricas sólidas y evidencia visual sustenta su aplicabilidad en escenarios reales. La experiencia adquirida en la recolección, anotación y modelado de datos locales sienta una base sólida para futuras mejoras y aplicaciones más amplias en el sector energético y agrícola.

En definitiva, este proyecto no solo cumple con los objetivos planteados, sino que también abre una vía concreta hacia la innovación sostenible en el uso de la inteligencia artificial para resolver problemas técnicos críticos en el país.

Reflexión final

Este proyecto nos permitió comprender de forma práctica el valor que tiene la inteligencia artificial cuando se combina con tecnologías geoespaciales para resolver problemas reales. Más allá del desarrollo técnico, uno de los mayores aprendizajes fue la importancia de trabajar con datos locales y adaptar las herramientas al contexto dominicano, en lugar de depender de soluciones genéricas que muchas veces resultan inaccesibles o incompatibles con nuestras condiciones.

La herramienta desarrollada demuestra que es posible implementar sistemas avanzados de monitoreo solar con recursos limitados, manteniendo altos niveles de precisión y utilidad operativa. Sin embargo, aún quedan desafíos por resolver: optimizar la detección en condiciones más complejas, automatizar el etiquetado de datos, y facilitar el despliegue del sistema a mayor escala en parques solares del país.

El camino recorrido sienta las bases para escalar este prototipo hacia una solución completa y transferible. Próximos pasos podrían incluir la colaboración con empresas del sector energético, la integración con plataformas móviles o en la nube, y la exploración de nuevas aplicaciones en agricultura, infraestructura o gestión ambiental.

Referencias:

[1] M. Gómez, J. and Restrepo, “Aplicación de vehículos aéreos no tripulados para inspección de paneles solares en Colombia,” Rev. Colomb. Tecnol. Av., vol. 4, no. 1, pp. 33–41, 2021.

[2] R. Malof, J.; Bradbury, K.; Collins, L.; Newell, “Automatic Detection of Solar Photovoltaic Arrays in High Resolution Aerial Imagery,” Appl. Energy, vol. 183, pp. 229–240, 2016.

[3] S. Yu, G.; Liu, L.; Shen, Y.; Zhang, “Solar panel detection using deep convolutional neural networks in satellite images,” Remote Sens., vol. 13, no. 2, pp. 222–238, 2021.

[4] L. S. Najibi, A.; Samangouei, P.; Chellappa, R.; Davis, “SSH: Single Stage Headless Face Detecto,” 2017.

[5] O. Community, “Solar farm mapping with ODM.”

[6] William S. Vincent, Django for Professionals: Production websites with Python & Django, 2nd ed. Vitor Services, 2021.

[7] D. Das R. Roy, M. Mishra, “Design and Development of a RESTful API using Django REST Framework,” Int. J. Comput. Appl., vol. 182, pp. 1–5, 2019.