El radar de penetración terrestre (GPR) se utiliza ampliamente para evaluar el deterioro de las losas de concreto de los puentes. Las encuestas de GPR generan grandes cantidades de datos en forma de imágenes B-scan, que muestran los trazos de las varillas como hipérbolas. Un análisis preciso de las exploraciones de GPR depende de la extracción efectiva de las ubicaciones y amplitudes de las varillas. Este documento presenta dos algoritmos automatizados de detección de varillas basados en técnicas de aprendizaje automático de redes neuronales convolucionales (CNN). Se proponen dos modelos: CNN-1 y CNN-2. CNN-1 fue entrenado con imágenes GPR en bruto para identificar hipérbolas, mientras que el modelo CNN-2 utilizó tanto imágenes GPR en bruto como migradas para un análisis mejorado. Los modelos fueron evaluados utilizando datos de GPR recolectados de tres puentes con diferentes tipos de recubrimiento. El rendimiento se evaluó a través de la comparación visual de los mapas de amplitud del puente generados con los datos de referencia, así como con métricas de precisión, recuperación y puntuación F1. Los resultados demuestran que CNN-2 supera a CNN-1 en términos de precisión y eficiencia para la detección de varillas.