El enfoque de este trabajo es diseñar un detector de anomalías de fugas de petróleo profundamente cuantizado que pueden ocurrir en la unión entre el eje de alta velocidad de la turbina eólica y el soporte externo del generador de energía. Proponemos una arquitectura de red de estado de eco superficial binario basada en bloques (BBS-ESN) perteneciente a la categoría de computación de depósitos (RC) y, creemos, también extiende el dominio de las máquinas de aprendizaje extremo (ELM). Además, BBS-ESN realiza un entrenamiento en línea basado en bloques binarios utilizando una complejidad computacional fija y mínima para lograr un bajo consumo de energía y desplegabilidad en un microcontrolador de estantería (MCU). Esto se ha logrado mediante la binarización de las imágenes y la cuantización de 1 bit de los pesos y activaciones de la red. Se ha utilizado la representación en 3D para generar un nuevo conjunto de datos disponible públicamente de imágenes fotorrealistas similares a las que potencialmente podrían ser adquiridas por sensores de imagen en el campo mientras se monitorea la unión, sin y con fugas de petróleo. Se ha llevado a cabo una experimentación extensa utilizando un MCU STM32H743ZI2 funcionando a 480 MHz y los resultados obtenidos muestran una identificación precisa de anomalías, con un costo computacional reducido por imagen y ocupación de memoria. Basándonos en los resultados obtenidos, concluimos que BBS-ESN es factible en MCUs de 32 bits de estantería. Además, la solución también es escalable en el número de cámaras de imagen a desplegar y para lograr detecciones precisas y rápidas de fugas de petróleo desde diferentes puntos de vista.