La aplicación de imágenes de ultra-alta resolución espacial de pequeños sistemas aéreos no tripulados (sUAS) puede proporcionar información valiosa sobre el estado de la infraestructura construida tras desastres naturales. Este estudio emplea tres métodos para mejorar el valor de las imágenes de sUAS: (1) repetir la ubicación de las estaciones de imagen a lo largo del tiempo utilizando un enfoque de imagen bi-temporal llamado imagen de estación repetida (RSI) (comparado aquí con la imagen tradicional (no RSI)), (2) co-registro de pares de imágenes bi-temporales, y (3) detección de daños utilizando Mask R-CNN, un algoritmo de red neuronal convolucional (CNN) aplicado a pares de imágenes co-registradas. Las características de la infraestructura incluyeron carreteras, edificios y puentes, con grietas simuladas que representan daños. Se evaluaron las precisiones de la navegación de la plataforma y la ubicación de la estación de cámara, el co-registro de imágenes y la detección de daños resultante de Mask R-CNN para pares de imágenes, derivadas con adquisición RSI y no RSI. En todos los casos, el enfoque RSI produjo las mayores precisiones, con una precisión de navegación de sUAS repetida dentro de 0.16 m de error absoluto medio (MAE) horizontal y vertical, una precisión de co-registro de imágenes de 2.2 píxeles MAE, y una precisión de detección de daños del 83.7% de media de intersección sobre unión.