Este estudio revisa métodos avanzados para la detección y caracterización de la corrosión en tuberías utilizando termografía, con un enfoque en abordar las limitaciones planteadas por conjuntos de datos pequeños. La termografía captura distribuciones de temperatura en la superficie de las tuberías para identificar defectos subsuperficiales. Se discuten los desafíos del procesamiento de datos secuenciales, el rendimiento de las redes neuronales, la extracción de características y el tamaño del conjunto de datos, con soluciones propuestas como algoritmos avanzados, técnicas de selección de características y aumento de datos. Dada la brecha significativa en la literatura actual, existe la necesidad de conjuntos de datos más grandes y diversos para entrenar modelos de aprendizaje automático más robustos y precisos. Un estudio de caso que combina datos experimentales con simulaciones del Método de Elementos Finitos (FEM) demuestra que aumentar los conjuntos de datos con datos sintéticos mejora significativamente la precisión en la detección de defectos. Estos hallazgos resaltan el potencial de integrar la termografía con el aprendizaje automático para mejorar la detección de defectos, proporcionando ideas para investigaciones futuras y aplicaciones prácticas.