Debido a las excelentes características de reconocimiento de imágenes de las redes neuronales convolucionales (CNN), han ganado una atención significativa entre los investigadores para tareas de diagnóstico de defectos basadas en el procesamiento de imágenes. El uso de modelos de CNN profundos para el diagnóstico de defectos en rodamientos de elementos rodantes (REB) puede ser computacionalmente costoso y, por lo tanto, puede no ser adecuado para algunas aplicaciones donde existen limitaciones de hardware y recursos. Sin embargo, en lugar de utilizar modelos de CNN como clasificadores de imágenes de extremo a extremo, también se pueden usar para extraer características profundas de las imágenes y esas características pueden ser utilizadas como entrada para modelos de aprendizaje automático (ML) para tareas de diagnóstico de defectos. Además de extraer características profundas utilizando modelos de CNN, también hay otros métodos para la extracción de características de imágenes de características de vibración, como la extracción de características hechas a mano utilizando el histograma de gradientes orientados (HOG) y descriptores de patrones binarios locales (LBP). Estas características también pueden ser utilizadas como entrada para modelos clásicos de ML para tareas de clasificación de imágenes. En este estudio, se llevó a cabo una comparación de rendimiento entre todas estas técnicas de diagnóstico de defectos basadas en el procesamiento de imágenes en términos de precisión en la detección de fallos y gasto computacional. Además, basándose en la comparación detallada, se propone un método híbrido de conjunto que involucra fusión a nivel de decisión, que es mucho menos costoso computacionalmente en comparación con los modelos de CNN al utilizarlos como clasificadores de extremo a extremo. El rendimiento de todos estos modelos también se compara en el caso de disponibilidad mínima de datos de entrenamiento y para el diagnóstico en condiciones de operación ligeramente diferentes para determinar su capacidad de generalización y su habilidad para diagnosticar correctamente a pesar de la disponibilidad mínima de datos de entrenamiento. El rendimiento del método híbrido de conjunto propuesto se mantuvo sobresaliente para el diagnóstico de defectos de los REB a pesar de la mínima disponibilidad de datos de entrenamiento, así como de la ligera variación en las condiciones de operación.