A medida que aumenta el uso de la generación de energía solar, se ha vuelto esencial predecir la generación de energía con precisión. Entre los diversos factores que afectan la generación de energía solar, la suciedad en la superficie del panel reduce drásticamente la generación de energía solar. Por lo tanto, identificar con precisión el área de suciedad en la superficie del panel ayuda a predecir la generación de energía solar. Sin embargo, la mayoría de los estudios existentes clasifican la presencia o ausencia de suciedad en el panel o el tipo de suciedad. Además, los conjuntos de datos actuales utilizados para entrenar estos modelos, como el conjunto de datos de Imágenes de Suciedad en Paneles Solares (SPSI), tienen limitaciones, incluida la falta de diversidad en los tipos de paneles y un pequeño número de formas de suciedad únicas. Para abordar estos problemas, proponemos tres técnicas novedosas de aumento de datos: Naïve, Realista y Translúcido, que generan diversas imágenes de paneles solares con varios patrones de suciedad. Utilizando los métodos Pix2Pix y Copiar-Pegar, creamos tres conjuntos de datos correspondientes para abordar los desequilibrios en el conjunto de datos SPSI existente. Entrenamos el modelo DeepLabV3+ para la localización de suciedad utilizando tanto el conjunto de datos SPSI original como nuestros conjuntos de datos aumentados. Las evaluaciones experimentales en paneles solares del mundo real instalados en la Universidad Nacional de Chungbuk demostraron que los modelos entrenados con nuestros conjuntos de datos propuestos superan significativamente a aquellos entrenados con datos de SPSI, con mejoras en el Índice de Jaccard del 3,3%, 2,4% y 14,6% para los conjuntos de datos Naïve, Realista y Translúcido, respectivamente. Estos resultados resaltan la efectividad de nuestras técnicas de aumento de datos para mejorar la localización de suciedad en paneles solares.