# Imágenes térmicas para paneles solares: cómo SESPNet detecta > Un análisis detallado de SESPNet, una red de mejora semántica y percepción de escala que alcanza un 92,1 % de mAP a 62,4 FPS para detectar incluso los puntos calientes más pequeños en ![Imágenes térmicas para paneles solares: cómo SESPNet detecta](https://cdn.ooitech.com/static/upload/image/20260710/9c54660bb42822317e3f00006ca6ac72.webp) - ** 2025-09-10 - ** 277 Vistas - ** [Blog](./Blog.html) ## Imágenes térmicas para paneles solares: cómo SESPNet detecta **Respuesta rápida:** La termografía muestra dónde está caliente un módulo solar; no te dice por qué. Este artículo analiza lo que la temperatura revela realmente: un punto caliente es un síntoma de corriente forzada a través de una trayectoria resistiva, y el calor ataca después el encapsulante, el backsheet, el vidrio y las interconexiones en ese orden. SESPNet es el enfoque de diagnóstico utilizado aquí para conectar la firma térmica con su causa eléctrica en lugar de tratar la imagen como la respuesta. Interpretar correctamente un escaneo térmico cambia la acción correctiva: un punto caliente a nivel de célula apunta a una célula agrietada o sombreada, uno a nivel de string a un diodo de bypass que ha fallado abierto. El valor práctico está en leer el patrón antes de que el daño se vuelva permanente, porque la degradación del encapsulante y el carbonizado del backsheet no son recuperables una vez que comienzan. Fabricación de módulos fotovoltaicos · por Jerry, Ooitech ## Introducción del producto La termografía te dice dónde está el punto caliente. Para saber lo que la temperatura que revela le cuesta realmente al módulo con el tiempo, consulta [puntos calientes de paneles solares, por qué importa la temperatura y qué daña el calor](https://www.ooitech.com/why-do-bc-solar-cells-offer-better-shading-tolerance-and-lower-hot-spot-temperature.html). Una planta solar puede albergar desde decenas de miles hasta varios millones de módulos. Día tras día están expuestos al calor, el viento, la arena, la lluvia y la nieve, así que no sorprende que acumulen todo tipo de dolencias. La más común, y también la más peligrosa, es el punto caliente. Un punto caliente no es más que una pequeña zona de un módulo que se calienta de forma anormal. En el mejor de los casos, reduce tu producción de energía. En el peor, quema el [backsheet](https://www.ooitech.com/Photovoltaic-Backsheet-The-Critical-Protective-Layer-for-Solar-Modules.html) y provoca un incendio, poniendo en riesgo toda la planta. El problema es que los módulos están apiñados borde con borde. Enviar cuadrillas a revisarlos uno por uno con un instrumento de mano es lento y deja cosas sin detectar. Por eso, la combinación de termografía infrarroja y aprendizaje profundo ha pasado al primer plano. Apunta una cámara infrarroja a un módulo, captura su distribución de temperatura como un mapa de calor y deja que una red neuronal entrenada lea ese mapa por ti y marque dónde está caliente y cuánto. Suena sencillo. Pero conseguir que funcione de verdad sobre el terreno es otra historia. Las imágenes infrarrojas traen tres defectos inherentes que hacen tropezar a los algoritmos comunes: baja resolución, tamaños de defecto muy dispares y fondos desordenados. Un nuevo método llamado SESPNet (Semantic Enhancement and Scale Perception Network) ataca directamente esos tres defectos. Sus cifras son sólidas: 92,1 % de precisión media promedio, 62,4 fotogramas por segundo, y es lo bastante pequeño para ejecutarse en tiempo real en un dispositivo embebido del tamaño de la palma de la mano. Este artículo desglosa cómo extrae cada punto caliente de una apagada imagen infrarroja en escala de grises. Primero, por qué importan los puntos calientes. Un módulo fotovoltaico está formado por muchas células conectadas en serie. Si una célula pierde producción por sombreado, una microfisura o suciedad, deja de aportar corriente y empieza a actuar como una resistencia, convirtiendo la corriente de las demás células en calor y disipándola dentro de sí misma. Esa única célula se convierte en la fuente de calor de todo el string, funcionando decenas de grados más caliente que sus vecinas. Los casos leves arrastran la producción del string. Los graves cocinan el [encapsulante](https://www.ooitech.com/EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) con el tiempo, queman el backsheet e incluso pueden inflamarse. Encontrar los puntos calientes a tiempo y tratarlos con rapidez es una tarea que las operaciones fotovoltaicas no pueden evitar. *Figura 1: Módulos colectores solares montados en una azotea, expuestos a la intemperie durante años, donde los picos de temperatura localizados forman puntos calientes.* *Figura 2: El flujo de trabajo de cinco pasos de la detección térmica infrarroja de defectos en módulos fotovoltaicos, desde la captura de la temperatura hasta la localización del panel defectuoso.* ## Parámetros técnicos ### Por qué el infrarrojo es imprescindible para la detección de puntos calientes Para entender este algoritmo, empieza por lo básico: por qué una cámara de luz visible no sirve para los fallos fotovoltaicos ocultos y por qué el infrarrojo es la única vía. La imagen de luz visible no es más que fotografía corriente. Alta resolución, gran detalle, buena para detectar grietas, arañazos y suciedad en la superficie, ese tipo de cosas que puedes ver. Pero tiene un límite fatal. Solo lee la apariencia, no la temperatura. Una microfisura o una soldadura fría dentro de un módulo a menudo no cambia su aspecto al principio, pero bloquea la corriente en ese punto y lo calienta. Las cámaras de luz visible son impotentes frente a estos fallos térmicos, y de noche o con poca luz son inútiles. El infrarrojo toma otro camino. Cualquier objeto por encima del cero absoluto irradia infrarrojo, y cuanto más caliente está, más fuerte es la radiación. Una cámara infrarroja captura esa radiación y plasma la distribución invisible de temperatura directamente en un mapa de calor en color o escala de grises. No necesita luz externa, así que funciona de día o de noche. Dónde está caliente un módulo y cuánto se muestra con claridad. Para defectos impulsados por el calor, como puntos calientes y líneas de rejilla rotas, el infrarrojo es la solución natural. Por eso el infrarrojo se ha convertido en una forma clave de elevar tanto la precisión como la velocidad de la detección de defectos en plantas fotovoltaicas. Un dron con cámara infrarroja puede barrer todo un conjunto en unos minutos, decenas de veces más rápido que una cuadrilla manual. Pero esa capacidad de ver el calor tiene un precio: la calidad de imagen es muy inferior a la de la luz visible. El viejo método manual obliga a los trabajadores a llevar instrumentos y medir panel por panel. Es lento y depende en gran medida de la experiencia. Con módulos apiñados y contados por miles, leerlos uno a uno es agotador, propenso a errores y casi imposible de noche. La combinación de dron e infrarrojo exprime al máximo el paso de captura, pero si sigues leyendo esos miles de imágenes a mano, el cuello de botella simplemente se traslada de medir a mirar. Para cerrar el ciclo necesitas un algoritmo que lea las imágenes. Esa es la señal para el aprendizaje profundo. *Figura 3: Un mapa de calor infrarrojo típico. Cuanto más caliente está la zona, más cálido es su color, y la región sobrecalentada destaca a simple vista. Esta es la materia prima para la detección de puntos calientes.* *Figura 4: El reparto de tareas entre la imagen de luz visible y la infrarroja. Para los fallos térmicos, el infrarrojo es la solución natural.* ### Tres huesos duros en la detección de defectos por infrarrojos El infrarrojo puede ver el calor, pero plantea a los algoritmos de detección tres problemas difíciles. Estos tres son exactamente la razón por la que muchos algoritmos comerciales fallan en el trabajo fotovoltaico con infrarrojos. Uno: bajo contraste. Las imágenes infrarrojas son apagadas y grises en general. La diferencia de escala de grises entre el defecto y el fondo ya es pequeña de por sí, y el ruido de imagen encima de eso permite que los defectos queden engullidos por el fondo. El algoritmo no puede captar las características clave, así que la precisión se resiente. Dos: escala de defecto muy variable. Dentro de una sola imagen infrarroja, los tamaños de los puntos calientes pueden diferir decenas de veces. Algunos son todo un string derivado brillando en una gran zona; otros son solo una célula que se calienta ligeramente en una esquina. Un campo receptivo fijo, el rango que la red puede ver con claridad en una sola pasada, tiende a perder uno por el otro frente a tal dispersión: aciertas el objetivo grande y pierdes el pequeño, o al revés. Tres: la información de objetivos pequeños se pierde. Este es el más complicado. Las redes neuronales reducen la resolución capa por capa, encogiendo la imagen para extraer el significado de alto nivel. Pero los pequeños puntos calientes que al principio solo ocupaban decenas de píxeles se suavizan a medida que se encogen, hasta que casi no queda nada cuando se toma una decisión, y el reconocimiento sufre un gran golpe. Si se juntan los tres, queda claro: la detección de defectos infrarrojos en PV es difícil porque hay que luchar al mismo tiempo contra "no se ve claro, los tamaños están por todas partes, se pierden con facilidad". Las tres mejoras principales de SESPNet atacan cada una a uno de estos huesos: una refuerza la semántica para suprimir el fondo, otra construye una pirámide para manejar los tamaños, y otra protege los canales para recuperar los objetivos pequeños. ¿Por qué no tomar simplemente un detector comercial? La detección de objetos ha avanzado rápido y se divide en dos rutas. Una es de dos etapas: primero se preseleccionan regiones candidatas y luego se juzga cada una con cuidado; alta precisión pero lenta. La otra es de una etapa: una sola mirada da tanto la ubicación como la clase; rápida y adecuada para tiempo real. La serie YOLO es el buque insignia de una etapa. Pero estos algoritmos generales se entrenan con imágenes visibles ordinarias y, al aplicarlos a fotogramas infrarrojos PV de bajo contraste y escalas muy dispares, tienen dificultades. Las mejoras de SESPNet cubren esas tres brechas, hechas a medida para defectos infrarrojos. *Figura 5: Los tres huesos difíciles de la detección de defectos infrarrojos: bajo contraste, múltiples escalas y objetivos pequeños.* *Figura 6: Un dron multirrotor que lleva una cámara, volando sobre el conjunto para capturar imágenes infrarrojas en masa, barriendo en minutos lo que a un equipo le llevaría medio día cubrir.* ## Ventajas técnicas ### Movimiento uno: mejora semántica, sacar los defectos flotantes del fondo SESPNet se basa en YOLOv10 como modelo base. YOLOv10 es uno de los detectores en tiempo real más populares de hoy, publicado por un equipo de Tsinghua en mayo de 2024, diseñado para ser rápido, preciso y fácil de desplegar. SESPNet realiza tres operaciones sobre él, y la primera incorpora un Módulo de Mejora de Información Semántica, SIEM, en la columna vertebral. Lo que resuelve es el problema del bajo contraste. El pobre contraste en las imágenes de defectos infrarrojos permite que el ruido de fondo interfiera con las características que extrae el modelo, perjudicando la precisión. SIEM funciona de dos maneras a la vez. Una rama de atención global capta el significado general de toda la imagen, determinando qué es fondo y qué podría estar ocultando un defecto, de modo que se reduce la interferencia del desorden. Una rama de atención local se centra en el detalle y la textura del propio defecto, agudizando su expresión de características. Cada rama observa lo suyo, y luego lo global y lo local se ponderan y se fusionan. Piense en ello como entrecerrar los ojos para distinguir el contorno de todo el techo y descartar el desorden, y luego acercarse para mirar fijamente la única zona sospechosa. Lo cercano y lo lejano combinados, y el defecto se eleva fuera del fondo apagado. Las características fusionadas conservan el detalle del defecto mientras suprimen la interferencia de fondo, por lo que la expresión de características es claramente más fuerte. El beneficio se muestra claramente en el estudio de ablación posterior: añadir solo SIEM y la precisión media aumenta en las tres clases de objetivos, con ganancias reales en la resistencia a fondos complejos. La columna vertebral es la parte del modelo que primero toca la imagen y extrae las características base. Poner SIEM aquí significa limpiar en la fuente: antes de que se transmita nada, las características del defecto ya están reforzadas y el ruido de fondo ya está suprimido. Con una fuente limpia, el manejo posterior de escalas y la localización de objetivos no se desviarán por el desorden. Por eso está en la columna vertebral y en ningún otro lugar. Tratar la contaminación a tiempo. *Figura 7: La estructura de doble rama del módulo de mejora semántica SIEM. La rama global lee el panorama general para suprimir el fondo, la rama local observa el detalle para reforzar el defecto, y luego las dos se ponderan y se fusionan.* *Figura 8: Un conjunto PV en un tejado. El denso campo de módulos es exactamente la escena desordenada que alimenta la interferencia a un algoritmo de detección.* ### Movimiento dos: agrupación piramidal, puntos calientes grandes y pequeños ambos enfocados El segundo cambio sustituye el módulo original de agrupación piramidal espacial de YOLOv10 por un Módulo de Agrupación Piramidal con Atención Espacial, SAPPM. Ataca el problema de las escalas variables. "Agrupación piramidal" puede leerse como escanear el mismo mapa de características con varias ventanas de diferentes tamaños a la vez. Las ventanas pequeñas ven el detalle fino, bueno para puntos calientes pequeños; las ventanas grandes ven amplio, bueno para puntos calientes grandes. El estudio ejecuta varias ventanas de agrupación de pequeña a grande en paralelo, de modo que si un defecto llena varias filas o es solo una mota del tamaño de una palma, la ventana correcta lo capta. Además, SAPPM añade una capa de atención espacial. Asigna diferentes pesos a las características de las distintas ventanas, de modo que la información de escala verdaderamente clave se mantiene al frente y en el centro mientras lo irrelevante se atenúa, y luego une estas características multiescala en un mapa de características más completo. En resumen, la primera parte se encarga de "ver todos los tamaños", la segunda de "resaltar lo que debe verse". Juntas impulsan notablemente el sentido del modelo para objetivos multiescala. Esto alivia directamente el viejo problema de perder uno por atender otro. Una red de campo receptivo fijo pierde el objetivo pequeño mientras atiende el grande; con SAPPM en su lugar, los puntos calientes grandes y pequeños pueden verse claramente en la misma pasada, sin importar cuán amplia sea la diferencia de tamaño. *Figura 9: Un esquema de la agrupación piramidal de características multiescala SAPPM, escaneando en paralelo con ventanas de diferentes tamaños y luego uniéndolas con ponderación de atención espacial.* *Figura 10: Una toma aérea de una planta. Los drones capturan a diferentes alturas, haciendo que el mismo defecto aparezca en escalas aún más variadas en la imagen.* ### Movimiento tres: atención de canales, pescar de vuelta los objetivos pequeños casi perdidos El tercer cambio recae en la red de cuello, construyendo un mecanismo de atención de canales multiescala, MCI. Cura el problema más complicado, la pérdida de información de objetivos pequeños. Primero, una palabra sobre los canales. Cuando una red procesa una imagen, divide las características en muchos canales paralelos, cada uno describiendo la imagen desde un ángulo diferente. Las características de objetivos pequeños ya son débiles, dispersas entre estos canales, y si cada canal se ocupa solo de sí mismo sin intercambio, esa preciosa pizca de información se ahoga fácilmente en el traspaso capa por capa. El enfoque de MCI es construir interacción entre canales, dejándolos hablar entre sí. Dondequiera que un canal aún conserve un rastro del objetivo pequeño, la cooperación entre canales lo amplifica y lo preserva. Esto refuerza aún más la extracción de información de características a pequeña escala, y esos pequeños puntos calientes que estaban a punto de desvanecerse en el submuestreo se pescan de vuelta. Dónde se sitúan estos tres movimientos en la red también es deliberado. SIEM limpia las características en la fuente de la columna vertebral, SAPPM resume la información multiescala en la cola de la columna vertebral, y MCI hace el pulido final en el cuello que enlaza la columna vertebral con la cabeza de detección. Frente, medio, atrás, juntos cubren toda la cadena de extraer, resumir y emitir características, y cada paso recibe un remedio específico para un punto débil de los defectos infrarrojos. Los tres movimientos tienen roles claros: SIEM se encarga del contraste, SAPPM se encarga de la escala, MCI se encarga de los objetivos pequeños. No luchan solos, sino que se pasan el testigo: primero sacan el defecto del fondo, luego cubren todos los tamaños y después atrapan el objetivo pequeño que más probable es que se escape. Con esta combinación, los tres huesos más duros de la detección de defectos infrarrojos se desarman uno a uno. *Figura 11: Puntos calientes infrarrojos clasificados por escala en Grande, Medio y Mini. La diferencia de tamaño es enorme, y los puntos calientes más pequeños son los más fáciles de pasar por alto.* *Figura 12: Un objetivo tenue captado por la cámara infrarroja. Cuanto más pequeño y tenue es el objetivo, más fácil es que se difumine en el procesamiento.* ## Aplicación del producto ### La tarjeta de puntuación: 92,1 % de precisión, 62 fotogramas por segundo El efecto de los tres movimientos se reduce a los datos. Los investigadores construyeron su propio conjunto de datos de defectos infrarrojos de módulos fotovoltaicos, etiquetando los puntos calientes según el tamaño en píxeles que ocupan en la imagen en tres clases: más de 64x64 píxeles es Grande, entre 32x32 y 64x64 es Medio, menos de 32x32 es Mini. Si la detección es buena hay que leerla clase por clase, escala por escala. La precisión se apoya en dos métricas. Una es el recall, R, que responde a "de los defectos que deberían encontrarse, cuántos se recuperaron". La otra es la precisión media promedio, PmA, un promedio de la precisión de detección entre clases, la puntuación total que más le importa a un detector. Añade la velocidad de detección, medida en fotogramas procesados por segundo, y esos tres números juntos cuentan la historia completa de un algoritmo. Empecemos por la ablación módulo por módulo. Con el YOLOv10 de serie como línea base, su precisión media promedio es del 89,8 %. Añade solo SIEM, hasta el 90,4 %; solo SAPPM, 90,5 %; solo MCI, 90,7 %. Cada movimiento ayuda. Apila los tres, el SESPNet completo, y la precisión media promedio salta al 92,1 %. Lo más destacado son los objetivos pequeños: la precisión Mini de la línea base es solo del 86,7 %, y con los tres sube al 90,3 %, nada menos que 3,6 puntos, lo que demuestra el trabajo de MCI en recuperar objetivos pequeños. *Figura 13: La ablación módulo por módulo. Con los tres módulos apilados, la precisión de objetivos pequeños más difícil sube del 86,7 % al 90,3 %.* *Figura 14: Una planta montada sobre suelo de gran tamaño sin fin. Sus miles y miles de módulos son exactamente lo que este algoritmo tiene que revisar uno a uno.* ### Cara a cara: nueve algoritmos en un mismo escenario Compararse consigo mismo no es suficiente. El estudio pone a SESPNet en el mismo escenario que otros ocho algoritmos convencionales, los entrena con el mismo conjunto de datos y mide precisión y velocidad en paralelo. El resultado habla por sí solo. Los algoritmos clásicos de dos etapas como Faster R-CNN y Cascade R-CNN tienen una extracción de características limitada y funcionan lento, quedándose en un 86 % a 88 % de precisión media promedio, no aptos para escenas que exigen un alto rendimiento en tiempo real. SSD es el más rápido, pero su precisión es solo del 74,3 %, claramente baja. La serie YOLO está en general más equilibrada: desde el 88,1 % de YOLOv7, pasando por YOLOX, YOLOv8, YOLOv10 y YOLOv11, la precisión sube al rango del 89 % al 90 % con velocidades de alrededor de cincuenta a sesenta fotogramas por segundo. SESPNet empuja esa curva aún más hacia la esquina superior derecha: 92,1 % de precisión media promedio, unos 2 puntos por encima del segundo clasificado, y 62,4 fotogramas por segundo, justo al ritmo de los veloces YOLO. No sacrifica velocidad para elevar la precisión; mantiene el puesto superior derecho de rápido y preciso que otros no alcanzan. Ese es su mayor valor. En una escena con cantidades masivas de módulos donde se juzga mientras se patrulla, cada pizca de lentitud es un costo. **R = TP ÷ ( TP + FN ) · P = TP ÷ ( TP + FP )** Esas dos líneas son las definiciones base de las métricas de precisión. R (recall) mide la proporción de defectos reales recuperados, P (precisión) mide cuántos de los defectos reportados son reales, y PmA es la puntuación total calculada entre clases y entre niveles de precisión. La lógica no es compleja: perder lo menos posible (alto recall) y dar la menor cantidad posible de falsas alarmas (alta precisión), mantener ambos extremos bajo control, y se tiene un detector fiable. *Figura 15: La comparación de precisión y velocidad de nueve algoritmos. SESPNet ocupa la esquina superior derecha con 92,1 % de precisión y 62,4 FPS.* *Figura 16: Una prueba en el mundo real en una plataforma embebida. El SESPNet más preciso se mantiene estable a 12,6 FPS.* ### Comprimido en una caja del tamaño de la palma de la mano y aún en tiempo real Funcionar bien en el laboratorio no significa que sea utilizable en el campo. Las plantas fotovoltaicas están en su mayoría en plena naturaleza, donde el equipo de inspección tiene recursos de cómputo y energía limitados. Si el algoritmo puede caber en una pequeña caja de bajo consumo y funcionar en tiempo real es el último obstáculo para el despliegue real. Los investigadores lo portaron a una plataforma embebida llamada Jetson Nano para verificarlo. Su procesador es un chip ARM de cuatro núcleos emparejado con una GPU de gama de entrada de 128 núcleos, muy por debajo de la estación de trabajo de laboratorio con su tarjeta dedicada tanto en cómputo como en energía. SESPNet se desplegó a la misma escala de entrada y luego compitió contra los otros algoritmos en esta pequeña placa. El resultado vuelve a demostrar su equilibrio. Los algoritmos clásicos de dos etapas muestran su verdadera cara en el entorno embebido: Faster R-CNN cae a 1,9 fotogramas por segundo, apenas tiempo real; Cascade R-CNN solo 3,7. La serie YOLO generalmente baja a alrededor de once o doce fotogramas, mientras que SESPNet mantiene 12,6 fotogramas por segundo conservando la máxima precisión del 92,1 %, justo al lado de los YOLO ligeros, incluso un poco por delante. Con el cómputo recortado a fondo, se mantiene preciso y estable, mostrando lo bien que el diseño se adapta a escenas con recursos limitados. Esto significa que un dron o un inspector portátil equipado con este algoritmo no tendrá que enviar imágenes a la nube para procesarlas lentamente. En el lugar, en tiempo real, puede decir qué panel tiene un punto caliente. Tanto la eficiencia de inspección como la velocidad de respuesta suben otro escalón. El valor de juzgar sobre la marcha es más que ahorrar un viaje de ida y vuelta. Poner el cómputo en el borde significa que la inspección aún puede funcionar en plantas remotas con mala señal; detecta un punto caliente sospechoso y puedes marcarlo en el lugar y volver a volar para confirmarlo de inmediato, sin esperar a que los datos regresen y a la revisión manual antes de una segunda salida. Para plantas grandes medidas en cientos de megavatios con módulos contados por millones, esta capacidad en tiempo real en el sitio decide directamente si una inspección completa toma horas o días. ### Cierre: Ya no hay dónde esconderse para cada panel que se sobrecalienta Mirando atrás, lo ingenioso de SESPNet no está en apilar alguna estructura elaborada, sino en tratar los síntomas correctos. El contraste infrarrojo es bajo, así que la mejora semántica suprime el fondo. La escala de los defectos es un desastre, así que el agrupamiento piramidal cubre todos los tamaños. Los objetivos pequeños se pierden fácilmente, así que la atención por canales los recupera. Tres movimientos, cada uno a su tarea, y pasándose el testigo. Lo más raro es que no engordó el modelo en aras de la precisión. Muchos algoritmos persiguen una alta precisión a ciegas, terminan inflados, ralentizan la velocidad y ni siquiera caben en un dispositivo embebido. SESPNet mantiene su velocidad mientras supera en precisión, y resistió la prueba de un recorte drástico de cómputo. Ese equilibrio entre preciso, rápido y ligero es exactamente la cualidad que el campo más valora. Que una tecnología sea buena o no depende de si puede hacer trabajo real en una planta real. 92.1% de precisión media promedio, 62.4 fotogramas por segundo, y lo bastante pequeño para funcionar en tiempo real en una caja del tamaño de la palma de la mano. Esos tres números juntos esbozan una herramienta que puede realmente bajar a la planta y ponerse a trabajar. Convierte una imagen infrarroja gris apagada, antes difícil incluso para el ojo humano, en un informe de salud donde los defectos no tienen dónde esconderse. Cuando un dron que lleva un algoritmo como este sobrevuela campo tras campo de matrices azules, cada panel que se sobrecalienta silenciosamente queda señalado y atendido en el primer momento. Los puntos calientes ocultos se vuelven visibles, y los riesgos aparentemente diminutos se sofocan. Lo que se sostiene es exactamente una planta que convierte la luz solar en energía, de forma prolongada, segura y a plena carga. ### Ooitech cree: las uniones de recombinación de nanocristales de In₂O₃ con ingeniería de superficie combinadas con la ingeniería de HSM en volumen/interfaz han llevado los módulos tándem totalmente de perovskita de gran área a una eficiencia certificada del 26,2 %, acercando decisivamente esta tecnología a la comercialización. Lo que más nos llama la atención aquí es cómo la detección y la fabricación son dos caras de la misma moneda de fiabilidad. Un punto caliente señalado en el campo a menudo se remonta a una microfisura o una soldadura fría nacida en la línea, por lo que la soldadura del stringer, la alineación del layup y el control de laminación importan tanto en una línea de producción de módulos. Si esos pasos se hacen bien, se alimentan menos puntos calientes al campo desde el principio. Si quieres ver cómo se construye y ajusta una línea de módulos real, nuestros recorridos por la fábrica en el canal de YouTube de Ooitech ([www.youtube.com/ooitech](http://www.youtube.com/ooitech)) merecen un vistazo y una suscripción. --- ##### Etiquetas : ![](/template/ooitech/assets/img/shape/06.png) ![](https://cdn.ooitech.com/runtime/image/w800_h700_fitblur_v2_w800_h700_fitblur_v2_1757399770541443.webp) ### Solicitar presupuesto Todas las cargas son seguras y confidenciales. ## Ofrecemos experiencia en la que puede confiar nuestro servicio Equipos directamente de fábrica. ![](/template/ooitech/assets/img/icon/money-2.svg) ### Ventajas rentables Ofrecemos un valor excepcional, maximizando los resultados mientras optimizamos los presupuestos para los clientes. ![](/template/ooitech/assets/img/icon/staff.svg) ### Nuestro equipo con experiencia Nuestros profesionales cualificados se especializan en soluciones innovadoras y estrategias personalizadas. ![](/template/ooitech/assets/img/icon/certified.svg) ### Más de 15 años de experiencia en el sector Una profunda experiencia garantiza resultados fiables, adaptados a las tendencias y probados para el éxito. ![](https://cdn.ooitech.com/static/upload/image/20250910/1757477357667605.webp ) ![](https://cdn.ooitech.com/static/upload/image/20250910/1757477724911512.webp) ![](/template/ooitech/assets/img/shape/06.png) ## Kristal Jennifer Testimonios Los testimonios de los clientes elogian nuestra profunda comprensión de sus desafíos, lo que conduce a soluciones innovadoras y un sólido ROI. Las colaboraciones a largo plazo —algunas de más de una década— demuestran su confianza y satisfacción. Sus historias de éxito nos impulsan a superar continuamente las expectativas. [sobre nosotros **](#quote-form) ![](/template/ooitech/assets/img/icon/quote.svg) gracias por el soporte profesional de ooitech's y el servicio postventa puntual. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1776426122864564.webp) ### Diarra de África ![](/template/ooitech/assets/img/icon/quote.svg) gracias por el apoyo profesional de ooitech y el servicio posventa puntual. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1784509010217979.webp) ### Saber más ![](/template/ooitech/assets/img/icon/quote.svg) Gracias a Ooitech por proporcionar el equipo de producción totalmente automatizado: su instalación y servicio posventa han sido excelentes. ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041720921238.webp) ### Gracias a Ooitech por proporcionar equipos experimentales de celdas solares BC altamente adecuados. ![](/template/ooitech/assets/img/icon/quote.svg) Un hombre con un gran corazón. Muchas gracias por su visita, Sr. Wu. Muchas gracias por los servicios prestados en la instalación de equipos y la formación de mis estudiantes. La persona más amable y profesional en su campo ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026041716444445.webp) ### Instituto Politécnico de Jizzakh ![](/template/ooitech/assets/img/icon/quote.svg) Muchas gracias de nuevo por la enorme ayuda para mejorar y reparar la fábrica y también por enseñar a los trabajadores cómo usar las máquinas ![](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1757479675272137.webp) ### Mark BIPV Filipinas ## Nuestros últimos productos ![Probador de seguridad fotovoltaica CHT9980A: 8kV, resolución de 0.001kV](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_2026032763823477.jpg) - [** Rachael](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html) - [** 83849](./cht9980a-cht9981a-pv-safety-comprehensive-tester-solar-panel-hipot-insulation-ground-continuity-tester.html) ### Probador de seguridad fotovoltaica CHT9980A: 8kV, resolución de 0.001kV El probador integral de seguridad fotovoltaica CHT9980A/CHT9981A es un instrumento de alto rendimiento 3 en 1 que integra resistencia a la tensión de CC y resistencia de aislamiento ![AM050FH MBB Tabber Stringer: 6800 tiras/h, ±0.05mm](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774262936967131.webp) - [** ooitech](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html) - [** 56873](./am050fh-mbb-pv-cell-soldering-stringer-fully-automatic-solar-cell-tabber-stringer-machine-ooitech.html) ### AM050FH MBB Tabber Stringer: 6800 tiras/h, ±0.05mm Tabber stringer automático para células solares: AM050FH suelda células multi-busbar con corte por láser por mitad y en 1/3 en una sola plataforma, para líneas MBB y de medio corte. ![Máquina de corte de células solares de doble láser SC-20D](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1773917787610971.webp) - [** ooitech](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html) - [** 51209](./SC-20D-Full-Automatic-Solar-Cell-Laser-Cutting-Machine-High-Precision-Wafer-Scribing-Equipment.html) ### Máquina de corte de células solares de doble láser SC-20D SC-20D es la versión avanzada de SC-20A, diseñada especialmente para la producción de células solares shingled, con cabezales láser duales y dos láseres trabajando ![Máquina de soldadura de caja de conexiones KS-01C: Ciclo de 16s](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774492507915923.webp) - [** Rachael](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html) - [** 92407](./junction-box-welding-machine-ks-01c-automatic-solar-panel-junction-box-soldering-equipment-ooitech.html) ### Máquina de soldadura de caja de conexiones KS-01C: Ciclo de 16s La máquina de soldadura de caja de conexiones Ooitech KS-01C cuenta con soldadura automática de estaño por barra caliente y soldadura de alta frecuencia con precisión de posicionamiento CCD de ±0.1mm. ![Soldadora de celdas de contacto posterior SL-1000: 600 celdas/h](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774263750726273.webp) - [** Rachael](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html) - [** 45516](./sunpower-back-contact-cell-welding-machine-sl-1000-ibc-back-contact-solar-cell-stringer.html) ### Soldadora de celdas de contacto posterior SL-1000: 600 celdas/h La máquina de soldadura de celdas de contacto posterior SUNPOWER SL-1000 de Ooitech cuenta con soldadura electromagnética, posicionamiento con robot CCD+SCARA y carga dual de celdas ![Película encapsulante de EVA: más de 80 N/cm de adherencia al vidrio](https://cdn.ooitech.com/runtime/image/w800_h600_fitblur_v2_1774518543829873.webp) - [** ooitech](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) - [** 89443](./EVA-POE-EPE-Encapsulant-Film-for-Solar-Panel-Manufacturing-Complete-Technical-Guide.html) ### Película encapsulante de EVA: más de 80 N/cm de adherencia al vidrio Película encapsulante de EVA para módulos solares, además de opciones de POE y EPE: anti-PID, resistente a los rayos UV y compatible con líneas TOPCon y PERC, en su espesor.