La detección de defectos en alimentos es crucial para la automatización de la producción y procesamiento de alimentos. La detección de defectos en la superficie de las papas sigue siendo un desafío debido a la forma irregular de los individuos de papa y a los diversos tipos de defectos. Este documento emplea modelos de redes neuronales convolucionales profundas (DCNN) para la detección de defectos en la superficie de las papas. En particular, aplicamos aprendizaje por transferencia al ajustar un modelo base a través de tres modelos de DCNN: SSD Inception V2, RFCN ResNet101 y Faster RCNN ResNet101, en un conjunto de datos desarrollado internamente, logrando una precisión del 92.5%, 95.6% y 98.7%, respectivamente. RFCN ResNet101 presentó el mejor rendimiento general en velocidad de detección y precisión. Fue seleccionado como el modelo final para pruebas fuera de muestra, demostrando aún más la capacidad del modelo para generalizar.