Las Redes Neuronales Convolucionales combinadas con drones autónomos son cada vez más vistas como facilitadoras de la automatización parcial del proceso de inspección visual del mantenimiento de aeronaves. Este concepto innovador puede tener un impacto significativo en las operaciones de las aeronaves. Aunque ayuda a los ingenieros de mantenimiento de aeronaves a detectar y clasificar una amplia gama de defectos, el tiempo dedicado a la inspección puede reducirse significativamente. Ejemplos de defectos que pueden ser detectados automáticamente incluyen abolladuras en las aeronaves, defectos de pintura, grietas y agujeros, y daños por rayos. Además, este concepto también podría aumentar la precisión de la detección de daños y reducir el número de incidentes de inspección de aeronaves relacionados con factores humanos como la fatiga y la presión del tiempo. En nuestro trabajo anterior, aplicamos una arquitectura reciente de Red Neuronal Convolucional conocida como MASK R-CNN para detectar abolladuras en aeronaves. Se eligió MASK-RCNN porque permite la detección de múltiples objetos en una imagen mientras genera simultáneamente una máscara de segmentación para cada instancia. Los puntajes obtenidos anteriormente fueron del 62.67% y 59.35%, respectivamente. Este artículo amplía el trabajo previo aplicando diferentes técnicas para mejorar y evaluar experimentalmente el rendimiento de la predicción. Los enfoques utilizados incluyen (1) Balancear el conjunto de datos original añadiendo imágenes sin abolladuras; (2) Aumentar la homogeneidad de los datos enfocándose solo en imágenes de alas; (3) Explorar el potencial de tres técnicas de aumento para mejorar el rendimiento del modelo, a saber, volteo, rotación y desenfoque; y (4) utilizar un pre-clasificador en combinación con MASK R-CNN. Los resultados muestran que un enfoque híbrido que combina MASK R-CNN y técnicas de aumento conduce a un rendimiento mejorado con un puntaje del 67.50% y un puntaje del 66.37%.