La transición hacia la energía renovable, particularmente la energía eólica, está avanzando rápidamente a nivel global, siendo el sureste de Europa y Croacia, en particular, los que experimentan un notable aumento en la construcción de turbinas eólicas. La exposición frecuente de las palas de las turbinas eólicas a factores estresantes ambientales y fuerzas operativas requiere inspecciones regulares para identificar defectos, como erosión, grietas y daños por rayos, con el fin de minimizar los costos de mantenimiento y el tiempo de inactividad operativo. Este estudio tiene como objetivo desarrollar un modelo de aprendizaje automático utilizando redes neuronales convolucionales para simplificar el proceso de detección de defectos en las palas de las turbinas eólicas, mejorando la eficiencia y precisión de las inspecciones realizadas por drones. El modelo aprovecha el aprendizaje por transferencia en la arquitectura YOLOv7 y se entrena en un conjunto de datos de 231 imágenes con 246 defectos anotados en ocho categorías, logrando una precisión media promedio de 0.76 en un umbral de intersección sobre la unión de 0.5. Esta investigación no solo presenta un marco robusto para la detección automatizada de defectos, sino que también propone un enfoque metodológico para futuros estudios en aprendizaje profundo para inspecciones estructurales, destacando beneficios económicos significativos y mejoras en la calidad y velocidad de las inspecciones.