Los motores de inducción son una de las máquinas más utilizadas porque proporcionan la fuerza de tracción necesaria para muchas aplicaciones industriales. Su fácil operación, instalación, mantenimiento y fiabilidad los hacen preferidos sobre otros motores eléctricos. Fallos mecánicos y eléctricos, al igual que con otras máquinas, pueden aparecer en cualquier etapa de su vida útil, destacando la falla de cortocircuito entre devanados del estator (ITSC). Por lo tanto, su detección es necesaria para extender y salvar la vida útil, evitando una avería y procesos de mantenimiento no programados, así como, en las peores circunstancias, una pérdida total de la máquina. No obstante, el desafío radica en detectar este tipo de falla, lo que ha facilitado los procesos de análisis y diagnóstico. Tal es el caso de las redes neuronales convolucionales (CNN), que facilitan el desarrollo de metodologías para el reconocimiento de patrones en varias áreas del conocimiento. Desafortunadamente, estas técnicas requieren una gran cantidad de datos para un proceso de entrenamiento adecuado, lo cual no siempre está disponible. En este sentido, este artículo presenta una nueva metodología para la detección de fallas incipientes de ITSC empleando una función de distribución acumulativa (CDF) modificada de la señal de corriente del estator. Luego, estas se convierten en imágenes y se alimentan a un modelo de CNN rápido y compacto, entrenado con un pequeño conjunto de datos, alcanzando hasta un 99.16% de precisión para siete condiciones (0, 5, 10, 15, 20, 30 y 40 devanados en cortocircuito) y cuatro condiciones de carga mecánica.