En una planta de energía nuclear (NPP), las herramientas usadas son inspeccionadas visualmente para garantizar su integridad antes y después de su uso en el reactor nuclear. La inspección manual suele ser realizada por técnicos calificados y lleva una gran cantidad de tiempo (semanas hasta meses). En este trabajo, proponemos una inspección automatizada de herramientas que utiliza un modelo de clasificación para la detección de anomalías. El modelo de aprendizaje profundo clasifica las imágenes de tomografía computarizada (TC) como defectuosas (con componentes faltantes) o sin defectos. Además, el algoritmo propuesto permite el aprendizaje incremental (IL) utilizando una técnica de umbral propuesta para garantizar una alta confianza en la predicción mediante el entrenamiento en línea continuo del modelo de detección de anomalías en línea desplegado. El algoritmo propuesto se prueba con métodos de IL de última generación existentes, demostrando que ayuda al modelo a aprender rápidamente los patrones de anomalías. Además, mejora la confianza del modelo de clasificación preservando un rendimiento mínimo deseado.