Durante el mantenimiento y gestión de paneles solares fotovoltaicos (PV), cómo resolver eficientemente las dificultades de mantenimiento se convierte en un desafío clave que restringe su rendimiento y vida útil. Apuntando al desafío de reconocimiento de múltiples defectos en el análisis de imágenes de paneles solares PV, este estudio propone de manera innovadora un nuevo algoritmo para la detección de defectos en paneles solares que incorpora la tecnología YOLOv7-GX. El algoritmo primero construye una arquitectura de red innovadora GhostSlimFPN al introducir las tecnologías GSConv y convolución separable en profundidad, optimizando la estructura tradicional de red del cuello. Luego, se diseña en este documento un módulo convolucional personalizado de 1 x 1 que incorpora el mecanismo de atención GAM (Mecanismo de Atención Global) para mejorar la estructura ELAN, con el objetivo de potenciar la percepción y capacidades de representación de la red mientras se controla la complejidad de la red. Además, se introduce en el estudio la función de pérdida XIOU para reemplazar la función de pérdida CIOU tradicional, lo que mejora efectivamente la robustez y eficiencia de convergencia del modelo. En la etapa de entrenamiento, el problema de desequilibrio de muestras se resuelve eficazmente implementando asignaciones de peso diferenciadas para diferentes imágenes y categorías, lo que promueve el equilibrio del proceso de entrenamiento. Los datos experimentales muestran que el modelo optimizado alcanza un valor de mAP más alto del 94.8%, que es un 6.4% mayor que la red YOLOv7 original, significativamente mejor que otros modelos existentes, y proporciona un sólido soporte teórico y técnico para futuras investigaciones y aplicaciones en el campo de la detección de defectos en paneles solares PV.