Los objetos extraños (FOD) representan riesgos críticos para las aeronaves durante el despegue y el aterrizaje, lo que resulta en pérdidas de miles de millones de dólares anualmente debido a daños en la infraestructura y retrasos en los vuelos. Los avances en tecnologías de inspección automatizada han permitido el uso de Sistemas Aéreos No Tripulados (UAS) combinados con Inteligencia Artificial (IA) para la identificación rápida de FOD. Si bien investigaciones anteriores han evaluado extensamente sensores ópticos como la imagen RGB y el radar, se ha investigado poco sobre el potencial de la imagen térmica para mejorar la visibilidad de FOD en condiciones ambientales desafiantes. Este estudio propone DualFOD, un marco de detección de doble modalidad que integra un detector RGB basado en YOLO12 supervisado con un pipeline de extracción de anomalías térmicas no supervisado para identificar escombros en las superficies de las pistas. Un algoritmo de fusión a nivel de decisión combina las detecciones de ambas ramas utilizando coincidencia de proximidad espacial para producir un inventario unificado de FOD. La rama RGB logra una precisión de 0.954 y un mAP@0.5 de 0.890 en el conjunto de prueba reservado. La validación cruzada en el Cobb County Sport Aviation Complex demuestra que la detección térmica recupera escombros que se perdieron con RGB a mayores altitudes, con la salida fusionada superando consistentemente a cualquiera de las ramas de modalidad única. Esta investigación contribuye a un monitoreo autónomo escalable de FOD que mejora la seguridad operativa en entornos de aviación.