En el campo de la aviación, el mantenimiento y las inspecciones de los motores son vitalmente importantes para garantizar la funcionalidad segura de las aeronaves sin fallos. Hay valor en explorar sistemas automatizados de detección de defectos que puedan ayudar en este proceso. Los esfuerzos existentes se han dirigido principalmente a la inteligencia artificial, específicamente a las redes neuronales. Sin embargo, ese enfoque depende críticamente de grandes conjuntos de datos, lo que puede ser problemático de obtener. Para casos más especializados donde los datos son escasos, las técnicas de procesamiento de imágenes tienen potencial, pero esto está poco representado en la literatura. Este estudio buscó desarrollar métodos (a) para detectar automáticamente defectos en los bordes de las palas del motor (muescas, abolladuras y desgarros) y (b) para apoyar la toma de decisiones del inspector al proporcionar una acción de mantenimiento recomendada basada en el manual del motor. Para un tamaño de muestra pequeña de 60 palas, el sistema combinado pudo detectar y localizar los defectos con una precisión del 83%. Cuantificó características morfológicas del tamaño y la ubicación del defecto. Las tasas de falsos positivos y falsos negativos fueron del 46% y 17% respectivamente, basadas en la verdad de terreno. El trabajo muestra que los enfoques de procesamiento de imágenes tienen un valor potencial como método para detectar defectos en conjuntos de datos pequeños. El trabajo también identifica qué perspectivas de visualización son más favorables para la detección automatizada, a saber, aquellas que son perpendiculares a la superficie de la pala.