El procesamiento de imágenes aéreas tomadas por drones es una tarea desafiante debido a su alta resolución y la presencia de objetos pequeños. La escala de los objetos varía diversamente dependiendo de la posición del dron, lo que puede resultar en pérdida de información o mayor dificultad para detectar objetos pequeños. Para abordar este problema, las imágenes se recortan aleatoriamente o se dividen en pequeños fragmentos antes del entrenamiento y la inferencia. Este artículo propone un marco de detección de defectos que aprovecha las ventajas de la inferencia asistida por fragmentos para daños pequeños y medianos en la superficie de las palas de turbinas eólicas. Este marco permite la comparación de diferentes estrategias de fragmentación, incluida una estrategia de división de fragmentos convencional y una más reciente de hiper-inferencia asistida por fragmentos, en varias líneas base de redes neuronales profundas de última generación para la detección de defectos superficiales en imágenes de palas de turbinas eólicas. Nuestros experimentos proporcionan resultados empíricos extensos, destacando los beneficios de utilizar la estrategia asistida por fragmentos y las mejoras significativas logradas por estas redes en un conjunto de datos de imágenes de drones de ultra alta resolución.