La corrosión, un proceso que ocurre de forma natural y que lleva al deterioro de materiales metálicos, requiere una detección diligente para el control de calidad y la preservación de objetos basados en metal, especialmente en contextos industriales. Las técnicas tradicionales para la identificación de corrosión, que incluyen pruebas ultrasónicas, pruebas radiográficas y fugas de flujo magnético, requieren el uso de equipos costosos y voluminosos en el lugar para una adquisición de datos efectiva. Una alternativa inexplorada consiste en emplear sistemas de cámaras convencionales ligeras y métodos de visión por computadora de última generación para su identificación. En este trabajo, proponemos un sistema completo para la identificación y mapeo de corrosión semi-automatizado en entornos industriales. Aprovechamos los avances recientes en métodos basados en nubes de puntos tridimensionales (3D) para la localización y el mapeo, con técnicas de segmentación semántica basadas en visión mediante aprendizaje profundo, con el fin de construir mapas semántico-geométricos de entornos industriales. A diferencia de los sistemas de identificación de corrosión anteriores disponibles en la literatura, que son intrusivos (por ejemplo, pruebas electroquímicas) o basados en equipos costosos (por ejemplo, sensores ultrasónicos), nuestro sistema diseñado basado en visión multimodal es de bajo costo, portátil y semi-autónomo, y permite la recolección de grandes conjuntos de datos por personal no capacitado. Un conjunto de experimentos realizados en entornos de prueba relevantes demostró cuantitativamente la alta precisión del sistema de mapeo y localización 3D empleado, utilizando un dispositivo de detección y medición de luz (LiDAR), con menos de m y m de errores de posición absolutos y relativos promedio. Además, se demostró que nuestro modelo de segmentación semántica basado en datos logra precisión en la detección de corrosión cuando se entrena con nuestro conjunto de datos anotados manualmente a nivel de píxel.