Los puentes son componentes cruciales de las redes de infraestructura que facilitan la conectividad y el desarrollo nacional. Según el Inventario Nacional de Puentes (NBI) y la Administración Federal de Carreteras (FHWA), el costo de reparar los puentes de EE. UU. se estimó recientemente en aproximadamente USD 164 mil millones. Tradicionalmente, las inspecciones de puentes se realizan de forma manual, lo que plantea varios desafíos en términos de seguridad, eficiencia y accesibilidad. Para abordar estos problemas, este estudio de investigación presenta un método que utiliza Sistemas Aéreos No Tripulados (UASs) para ayudar a automatizar el proceso de inspección. Esta metodología emplea UASs para capturar imágenes visuales de un tablero de puente de concreto, que luego se analizan utilizando técnicas avanzadas de aprendizaje automático de Redes Neuronales Convolucionales (CNNs) y Transformadores de Visión (ViTs) para detectar daños y desprendimientos. Se utiliza un estudio de caso en el Puente de Concreto de Beyer Road en Michigan para demostrar la metodología desarrollada. Los resultados muestran que el modelo ViT supera al CNN en la detección de daños en el tablero del puente, con una precisión del 97%, en comparación con el 92% del CNN. Además, el modelo ViT mostró una precisión del 96% y una recuperación del 97%, mientras que el modelo CNN logró una precisión del 93% y una recuperación del 61%. Esta tecnología no solo mejora el mantenimiento de puentes, sino que también reduce significativamente los riesgos asociados con los métodos de inspección tradicionales.