Pencitraan Electroluminescence (EL) adalah teknik untuk memperoleh gambar modul fotovoltaik (PV) dan memeriksa cacat permukaannya. Analisis EL gambar telah dilakukan secara manual dengan inspeksi visual gambar oleh para ahli. Prosedur manual ini membosankan, memakan waktu, subyektif, dan membutuhkan kedalaman pengetahuan ahli. Dalam karya ini, sistem klasifikasi hybrid dan otomatis sepenuhnya digunakan dikembangkan untuk mendeteksi berbagai jenis cacat pada gambar EL. Sistem menggabungkan representasi fitur mendalam yang diekstraksi dari dua model pembelajaran mendalam yang berbeda (Inception-V3 dan ResNet50) untuk membentuk vektor fitur yang lebih diskriminatif. Ini vektor fitur kemudian dimasukkan ke dalam lapisan pengklasifikasi untuk menugaskannya ke salah satu yang berbeda jenis cacat. Kumpulan data sel surya berskala besar dan menantang yang terdiri dari 2.624 EL gambar digunakan untuk menilai kinerja sistem yang diusulkan di kedua tugas klasifikasi biner (fungsional vs cacat) dan klasifikasi multi-kelas (fungsional, ringan, sedang, dan berat). Sistem yang diusulkan telah berhasil mendeteksi jenis cacat yang benar dengan waktu kurang dari 1 detik per gambar dengan tingkat akurasi sebesar 98,15% dan 95,83% pada tugas klasifikasi biner dan multiklasifikasi, masing-masing.