Tradicionalmente, el monitoreo de condiciones de aerogeneradores se ha realizado manualmente por equipos de cuerda certificados. Este método de inspección puede ser peligroso para el personal involucrado, y el tiempo de inactividad resultante puede ser costoso. La inspección de aerogeneradores se puede realizar utilizando drones autónomos para lograr un menor tiempo de inactividad, costos y riesgos para la salud. Para habilitar la autonomía, el campo de la planificación de rutas de drones puede ser asistido por esta investigación, a saber, el aprendizaje automático que detecta aerogeneradores presentes en imágenes RGB aéreas tomadas por el dron antes de realizar la maniobra para la inspección de turbinas. Para esta tarea, se evalúa la efectividad de dos arquitecturas de aprendizaje profundo en este documento, tanto sin como con un algoritmo propuesto de preprocesamiento de imágenes de mejora de contraste difuso (FCE). Los esfuerzos se centran en dos variantes de redes neuronales convolucionales (CNN): VGG19 y Xception. También se incluye un enfoque más tradicional que involucra máquinas de soporte vectorial (SVM) para contrastar un enfoque de aprendizaje automático con nuestras redes de aprendizaje profundo. Los autores crearon un nuevo conjunto de datos de 4500 imágenes RGB de tamaño para entrenar y evaluar el rendimiento de estas redes en la detección de aerogeneradores. El conjunto de datos se captura en un entorno que imita el de un parque eólico y consiste en dos clases de imágenes: con y sin un aerogenerador a pequeña escala (12V Primus Air Max) ensamblado en la Universidad del Valle de Utah. Las imágenes se utilizaron para describir en detalle el análisis y la implementación de los algoritmos VGG19, Xception y SVM utilizando diferentes tecnologías de optimización, entrenamiento de modelos y ajuste de hiperparámetros. Las performances de estos tres algoritmos se comparan en profundidad junto con aquellos aumentados utilizando la técnica de preprocesamiento de imágenes FCE propuesta.