La detección de grietas en cabezales de cilindro tradicionalmente se basa en la inspección manual, que consume mucho tiempo y es susceptible a errores humanos. Como alternativa, se ha explorado la detección automática de objetos utilizando visión por computadora y modelos de aprendizaje automático. Sin embargo, estos métodos a menudo enfrentan desafíos debido a la falta de datos de entrenamiento suficientemente anotados, la diversidad limitada de imágenes y el tamaño inherentemente pequeño de las grietas. Abordando estas limitaciones, este artículo presenta un nuevo método automatizado de detección de grietas que mejora la disponibilidad de datos a través de una técnica de generación de datos sintéticos. A diferencia de las prácticas generales de aumento de datos, nuestro método implica copiar grietas de un lugar a otro, guiado tanto por decisiones de ingeniería aleatorias como informadas sobre las posibles formaciones de grietas debido a cargas termomecánicas cíclicas. El aspecto innovador de nuestro enfoque radica en la integración del conocimiento específico del dominio de la ingeniería en el proceso de generación sintética, lo que mejora sustancialmente la precisión de la detección. Evaluamos la efectividad de nuestro método utilizando dos métricas: la puntuación F2, que enfatiza el recall para priorizar la detección de todas las grietas potenciales, y la precisión media promedio (MAP), una medida estándar en la detección de objetos. Los resultados experimentales demuestran que, sin conocimientos de ingeniería, nuestro método aumenta la puntuación F2 de 0.40 a 0.65, mientras mantiene un MAP estable. Incorporar un conocimiento detallado de ingeniería mejora aún más la puntuación F2 a 0.70 y mejora el MAP a 0.57, representando aumentos del 63% y 43%, respectivamente. Estos resultados confirman que nuestro enfoque no solo mitiga las limitaciones del aumento de datos tradicional, sino que también avanza significativamente en la fiabilidad y precisión de la detección de grietas en entornos industriales.