Si bien la energía solar tiene gran importancia como fuente de energía limpia y sostenible, los paneles fotovoltaicos sirven como el eje central de este proceso de conversión de energía. Sin embargo, los defectos en estos paneles pueden afectar negativamente la producción de energía, lo que hace necesaria la detección rápida y efectiva de dichas fallas. Este estudio explora el potencial de utilizar imágenes de módulos solares infrarrojos para la detección de defectos en paneles fotovoltaicos a través del aprendizaje profundo, lo que representa un paso crucial hacia la mejora de la eficiencia y sostenibilidad de los sistemas de energía solar. Un conjunto de datos que comprende 20,000 imágenes, derivadas de módulos solares infrarrojos, se utilizó en este estudio, compuesto por 12 clases: celda, celda múltiple, agrietamiento, diodo, diodo múltiple, punto caliente, punto caliente múltiple, sin anomalías, módulo fuera de línea, sombreado, suciedad y vegetación. La metodología empleó el modelo Efficientb0 ejemplar. Del modelo ejemplar, se seleccionaron 17,000 características utilizando el selector de características NCA. Posteriormente, se realizó una clasificación utilizando un clasificador SVM. El método propuesto aplicado a un conjunto de datos que consta de 12 clases ha dado resultados exitosos en términos de precisión, puntuación F1, precisión y métricas de sensibilidad. Estos resultados indican valores promedio de precisión del 93.93%, puntuación F1 del 89.82%, precisión del 91.50% y sensibilidad del 88.28%, respectivamente. El método propuesto en este estudio clasifica con precisión los defectos en paneles fotovoltaicos basados en imágenes de módulos solares infrarrojos.