La presencia de acumulación de agua en las superficies de las aeronaves constituye un peligro considerable tanto para el rendimiento como para la seguridad, lo que requiere protocolos de inspección y mantenimiento vigilantes. En este estudio, presentamos un innovador modelo de segmentación semántica, basado en principios de aprendizaje profundo, para la identificación y delimitación precisa de áreas de acumulación de agua en imágenes infrarrojas de los exteriores de aeronaves. Nuestro modelo propuesto aprovecha las robustas características de ResNet, que sirve como la arquitectura fundamental para U-Net, aumentando así la capacidad del modelo para una caracterización integral de características. La incorporación de mecanismos de atención de canal, mecanismos de atención espacial y convolución separable por profundidad refina aún más la estructura de la red, contribuyendo a un mejor rendimiento de segmentación. A través de experimentos rigurosos, nuestro modelo supera los puntos de referencia existentes, logrando una reducción notable del 22.44% en el esfuerzo computacional y una reducción sustancial del 38.89% en el conteo de parámetros. El rendimiento excepcional del modelo es particularmente notable, registrando un 92.67% de intersección media sobre unión y un 97.97% de precisión media de píxeles. La característica distintiva de nuestra innovación radica en la eficacia del modelo en la detección y segmentación precisa de áreas de acumulación de agua en la piel de las aeronaves. Más allá de esto, nuestro enfoque tiene potencial para abordar desafíos análogos en la aviación y dominios relacionados. La enumeración de resultados cuantitativos específicos subraya la superior eficacia de nuestro modelo, convirtiéndolo en una solución convincente para tareas de detección y segmentación precisas. Las reducciones demostradas en el esfuerzo computacional y el conteo de parámetros subrayan la eficiencia del modelo, fortaleciendo su relevancia en contextos más amplios.