La detección temprana de fallas en palas de aerogeneradores es un desafío técnico de creciente importancia, directamente vinculado a la eficiencia en la generación de energía eólica y, por ende, a la calidad del suministro eléctrico nacional. En este contexto, ha cobrado fuerza el uso de técnicas de aprendizaje automático aplicadas al análisis de imágenes capturadas por drones como alternativa a las inspecciones manuales, que suelen ser costosas, lentas y riesgosas. Este trabajo se enmarca en el proyecto de investigación aplicada SUperAVISPAS (2025), desarrollado en la Facultad de Ingeniería y financiado por la Agencia Nacional de Investigación e Innovación (ANII) (Agencia Nacional de Investigación e Innovación (ANII) (2024)), con el objetivo de diseñar soluciones tecnológicas adaptadas al entorno nacional. Para ello, se construyó un dataset propio a partir de miles de imágenes reales de aerogeneradores, que fueron anotadas para identificar distintos tipos de fallas. Sobre este dataset se entrenaron y evaluaron modelos de aprendizaje profundo basados en la arquitectura YOLOv8, explorando distintas variantes del modelo y técnicas de aumentación, mejora progresiva de los datos y análisis a nivel de imagen. El modelo final alcanzó un desempeño destacado sobre el conjunto de test, con un mAP@50 (bounding boxes) de 0.8348, lo que demuestra la efectividad del enfoque propuesto para la detección de fallas. Además, se evaluaron otras métricas a nivel de imagen, las cuales también respaldaron la capacidad del modelo para identificar correctamente las im´agenes con fallas. Finalmente, se diseñaron trayectorias de vuelo simuladas para UAVs con el objetivo de capturar imágenes con características visuales similares a las del dataset, asegurando así la compatibilidad con el modelo entrenado. Los resultados indican que el sistema propuesto representa una alternativa precisa, eficiente y viable para asistir en tareas de mantenimiento en parques eólicos del contexto nacional.

Early detection of defects in wind turbine blades is an increasingly important technical challenge, closely related to the efficiency of wind power generation and, consequently, to the quality of the national electricity supply. In this context, the use of machine learning techniques applied to drone-captured image analysis has emerged as a promising alternative to manual inspections, which are often costly, slow, and risky. This work is part of the applied research project SUperAVISPAS (2025), developed at the Facultad de Ingeniería and funded by the Agencia Nacional de Investigación e Innovación (ANII) Agencia Nacional de Investigación e Innovación (ANII) (2024), with the goal of designing technological solutions adapted to the national context. To this end, a custom dataset was built from thousands of real wind turbine images, manually annotated to identify different types of defects. Deep learning models based on the YOLOv8 architecture were trained and evaluated on this dataset, exploring different model variants, data augmentation techniques, progressive data improvements, and image-level analysis. The final model achieved a mAP@50 (bounding boxes) of 0.8348 on the test set, demonstrating the effectiveness of the proposed approach for defect detection. Additional image-level metrics further supported the model’s ability to correctly identify defective images. Finally, simulated UAV flight paths were designed to capture images with visual characteristics similar to those in the dataset, ensuring compatibility with the trained model. The results suggest that the proposed system is a precise, efficient, and viable alternative to support maintenance tasks in wind farms within the national context.