La fuga con humo suele ir acompañada de peligros de incendio y explosión. Detectar el humo ayuda a ganar tiempo para la gestión de crisis. Este estudio tiene como objetivo abordar este problema mediante el establecimiento de un sistema de detección de humo en video, basado en una red neuronal convolucional (CNN), con la ayuda de la síntesis de humo, la autoanotación y un mecanismo de atención al fusionar información de histograma de imagen en escala de grises. Además, el estudio incorpora el entrenamiento adversarial de dominio de redes neuronales (DANN) para investigar el efecto de los cambios de dominio al adaptar el modelo de detección de humo de una máquina de moldeo por inyección a otra en el sitio. Logra la función de confusión de dominio sin necesidad de etiquetado, así como la extracción automática de características de dominio y el entrenamiento adversarial automático, utilizando datos del dominio objetivo. En comparación con la confusión de dominio profunda (DDC), DANN ingenuo y la red de separación de dominio (DSN), el método propuesto logra las tasas de precisión más altas de 93.17% y 91.35% en ambos escenarios. Además, el experimento emplea la incrustación de vecinos estocásticos distribuidos en t (t-SNE) para facilitar el entrenamiento rápido y la detección de humo entre máquinas aprovechando las características de adaptación de dominio.