En la evaluación de calidad (QE) del campo de producción industrial, la termografía infrarroja (IRT) es una de las técnicas más cruciales utilizadas para evaluar materiales compuestos debido a las propiedades de bajo costo, inspección rápida de superficies grandes y seguridad. La aplicación de redes neuronales profundas tiende a ser una dirección prominente en las Pruebas No Destructivas (NDT) de IRT. Durante el entrenamiento de la red neuronal, el talón de Aquiles es la necesidad de una gran base de datos. La recolección de grandes cantidades de datos de entrenamiento es una tarea costosa. En las NDT con aprendizaje profundo, los datos sintéticos que contribuyen al entrenamiento en termografía infrarroja permanecen relativamente inexplorados. En este documento, los datos sintéticos de los Modelos de Elementos Finitos estándar se combinan con datos experimentales para construir repositorios con Redes Neuronales Convolucionales basadas en Máscaras de Región (Mask-RCNN) para fortalecer la red neuronal, aprendiendo las características esenciales de los objetos de interés y logrando la segmentación automática de defectos. Estos resultados indican la posibilidad de adaptar datos sintéticos económicos fusionándolos con una cierta cantidad de la base de datos experimental para entrenar las redes neuronales y lograr un rendimiento convincente a partir de una colección limitada de datos experimentales anotados de un experimento práctico de termografía del mundo real.