La radiografía industrial es un método de ensayo no destructivo (END) fundamental que garantiza la calidad y la seguridad en una amplia gama de sectores industriales. Sin embargo, los enfoques convencionales basados en humanos son propensos a desafíos en la precisión y eficiencia de la detección de defectos, principalmente debido a la alta demanda de inspección de las industrias manufactureras con un alto rendimiento de producción. Para resolver este desafío, se han desarrollado numerosas alternativas basadas en computadoras, incluyendo el Reconocimiento Automático de Defectos (RAD) utilizando algoritmos de aprendizaje profundo. En el núcleo del entrenamiento, estos algoritmos requieren grandes volúmenes de datos que deben ser representativos de casos del mundo real. Sin embargo, la disponibilidad de datos de radiografía digital de rayos X para investigación abierta está limitada por términos contractuales de no divulgación en la industria. Este estudio presenta un proceso capaz de modelar imágenes sintéticas basadas en información estadística adquirida de la distribución de intensidad de rayos X de imágenes de radiografía digital reales. A través de un análisis meticuloso de la distribución de intensidad en imágenes digitales de rayos X, se extraen los patrones estadísticos únicos asociados con las condiciones de exposición utilizadas durante la adquisición de imágenes, el tipo de componente, las variaciones de grosor, la divergencia del haz, el efecto del talón del ánodo, etc. Las imágenes sintéticas realizadas se utilizaron para entrenar modelos de aprendizaje profundo, obteniendo un rendimiento impresionante del modelo con una intersección media sobre unión (IoU) de 0.93 y un coeficiente de dice medio de 0.96 en imágenes de radiografía digital de rayos X reales no vistas. Esta metodología es escalable y adaptable, lo que la hace adecuada para diversas aplicaciones industriales.