La detección de grietas en módulos fotovoltaicos (PV) solares es crucial para un rendimiento óptimo y una fiabilidad a largo plazo. El desarrollo de redes neuronales convolucionales (CNN) ha mejorado significativamente la detección de grietas, ofreciendo una mayor precisión y eficiencia en comparación con los métodos tradicionales. Este artículo presenta una revisión exhaustiva y un análisis comparativo de enfoques basados en CNN para la detección de grietas en módulos solares PV. La revisión discute varias arquitecturas de CNN, incluyendo redes diseñadas a medida y modelos preentrenados, así como técnicas de aumento de datos y métodos de aprendizaje en conjunto. Además, se abordan los desafíos relacionados con el tamaño limitado de los conjuntos de datos, la generalización entre diferentes paneles solares, la interpretabilidad de los modelos de CNN y la detección en tiempo real. La revisión también identifica oportunidades para futuras investigaciones, como la necesidad de conjuntos de datos más grandes y diversos, la interpretabilidad de los modelos y la velocidad computacional optimizada. En general, este artículo sirve como un recurso valioso para investigadores y profesionales interesados en utilizar CNN para la detección de grietas en módulos solares PV.