En este artículo, se aplica un modelo de descripción de datos completamente convolucional (FCDD) para la detección de defectos y su visualización concurrente en productos y materiales industriales. Los autores proponen una aplicación de MATLAB que permite a los usuarios diseñar, entrenar y probar de manera eficiente y amigable varios tipos de modelos de redes neuronales (NN) para la detección de defectos. Los modelos soportados por la aplicación incluyen los siguientes diseños originales: red neuronal convolucional (CNN), CNN basada en aprendizaje por transferencia, máquina de soporte vectorial (SVM) basada en NN, autoencoder convolucional (CAE), autoencoder variacional (VAE), red completamente convolucional (FCN) (como U-Net) y YOLO. Sin embargo, FCDD aún no está soportado. Este artículo incluye el desarrollo de software de la aplicación MATLAB R2024b, que se amplía para poder construir modelos FCDD. En particular, se propone un método sistemático de determinación de umbrales para obtener el mejor rendimiento en la detección de defectos a partir de modelos FCDD. Además, a través de tres tipos diferentes de experimentos de detección de defectos, se evalúa cuantitativa y cualitativamente la utilidad y efectividad de los modelos FCDD en términos de detección de defectos y su visualización concurrente, comparándolos con modelos convencionales de CNN basados en aprendizaje por transferencia.