Este estudio presenta el desarrollo y validación de un sistema basado en IA para detectar sonidos de motosierras, integrado en un UAV de ala fija VTOL. El sistema emplea una red neuronal convolucional entrenada en espectrogramas log-mel derivados de cuatro clases de sonido: motosierra, música, taladro eléctrico y voces humanas. La validación inicial se realizó a través de pruebas en tierra. La adquisición de datos acústicos se optimiza durante el vuelo de crucero, cuando los motores montados en las alas se apagan y el motor trasero opera al 40-60% de su capacidad, reduciendo significativamente la interferencia del ruido. Para abordar el ruido residual del motor, se desarrolló un módulo de preprocesamiento utilizando grabaciones de referencia obtenidas en una cámara anecoica. Se probaron dos configuraciones para capturar el perfil acústico del motor cambiando la orientación del UAV en relación con el micrófono fijo. El sistema embebido procesa el audio entrante en tiempo real, lo que permite una clasificación de baja latencia sin transmisión de datos. Los experimentos de campo confirmaron la alta precisión y robustez del modelo bajo diversas condiciones de vuelo y ambientales. Los resultados validan la viabilidad de la detección de eventos acústicos en tiempo real a bordo utilizando aprendizaje profundo basado en espectrogramas en plataformas UAV, y apoyan su aplicabilidad para tareas de monitoreo aéreo escalables.