La población en expansión del mundo presenta un desafío a través de su creciente demanda de productos de madera. Este requisito contribuye a un aumento en la producción y, en última instancia, a la utilización eficiente y de alta calidad de materiales básicos. La detección de defectos en elementos de madera, que son inevitables al trabajar con un material natural como la madera, es una de las dificultades asociadas con el problema mencionado. Incluso en la actualidad, las personas siguen identificando defectos de madera mediante la escrutinio visual de la superficie aserrada y marcando los defectos. Los escáneres industriales equipados con software basado en redes neuronales convolucionales (CNN) permiten la detección rápida de defectos y tienen el potencial de acelerar la producción y erradicar la subjetividad humana. Este artículo evalúa la idoneidad del software de reconocimiento de defectos en escáneres industriales frente al software diseñado específicamente para esta tarea dentro de un proyecto de investigación realizado con Adaptive Vision Studio, centrándose en técnicas de detección de características. La investigación reveló que el software instalado como parte del escáner industrial es más efectivo para analizar nudos (77.78% vs. 70.37%), albura (100% vs. 80%) y madera de ambrosía (60% vs. 20%), mientras que el software derivado del proyecto es más efectivo para analizar grietas (70% vs. 65%), corteza encarnada (42.86% vs. 28.57%) y radios de madera (81.82% vs. 27.27%).