Este proyecto de grado aborda la detección de daños superficiales en las palas de aerogeneradores. Comienza con un resumen del marco teórico que abarca conceptos básicos sobre el aprendizaje automático, la noción de redes neuronales y específicamente convolucionales, junto con los componentes más importantes de su arquitectura. A su vez, se cubren nociones esenciales relacionadas con la detección de objetos, medidas de desempeño, funciones de costo, optimizadores y un análisis de los modelos utilizados para este proyecto. Posteriormente, se realiza un análisis de la literatura que detalla los métodos empleados por estudios similares y sus resultados correspondientes. Primero se identifica el propósito y protocolo a utilizar. Luego se proporciona un listado de los artículos encontrados y su nivel de relevancia con el proyecto en cuestión. Finalmente, se analizan los artículos y se proporciona en este informe un resumen de la información encontrada relacionada con los conjuntos de datos utilizados, clasificación de los daños, preprocesamiento de los datos, modelos, métricas y resultados obtenidos. También se contribuye con una tabla de la información más relevante encontrada para cada uno de los artículos. Luego se describe en una nueva sección las experimentaciones llevadas a cabo con diversos modelos de aprendizaje automático, incluyendo técnicas de aumento de datos y ajuste de hiperparámetros. Se comienza detallando la plataforma de ejecución y los conjuntos de datos utilizados. Luego se separan las experimentaciones en tres fases que dependen del conjunto de datos, el modelo a entrenar y las experimentaciones a realizar. La primera es una comparación de todos los modelos a evaluar, la segunda una comparación de los dos mejores de la fase anterior y la tercera la optimización del modelo YOLOv8n concluido como mejor.