Este documento compara el rendimiento de los modelos de Aprendizaje Profundo (DL) y de coincidencia de múltiples plantillas (MTM) para detectar pequeños defectos. Los modelos de DL extraen características distintivas de los objetos, pero requieren un gran conjunto de datos de imágenes. En contraste, técnicas alternativas de visión por computadora como MTM necesitan un conjunto de datos relativamente pequeño. La falta de grandes conjuntos de datos para defectos en superficies metálicas pequeñas ha inhibido la adopción de la automatización en la detección de pequeños defectos en entornos de remanufactura. Esto motivó este estudio preliminar para comparar enfoques basados en plantillas, como MTM, con enfoques basados en características, como los modelos de DL, para la detección de pequeños defectos en un conjunto de datos inicial de laboratorio y de la industria de remanufactura. Este estudio utilizó You Only Look Once v5 (YOLOv5) como el modelo de DL y comparó su rendimiento con el modelo MTM para la detección de pequeñas grietas. Los hallazgos de nuestra investigación preliminar son los siguientes: (i) YOLOv5 demostró un rendimiento superior al de MTM en la detección de pequeñas grietas; (ii) una variante extra grande de YOLOv5 superó a una variante de tamaño pequeño; (iii) el tamaño y la variedad de objetos de los datos son cruciales para lograr pesos preentrenados robustos para su uso en aprendizaje por transferencia; y (iv) una resolución de imagen mejorada contribuye a una detección precisa de objetos.