El despegue, especialmente en materiales plásticos, se refiere a la separación que ocurre en la interfaz dentro de una estructura unida compuesta por dos o más capas poliméricas. Debido a la gran heterogeneidad de los materiales y las configuraciones de capas, a menudo se requiere una experiencia altamente especializada para detectar la presencia y el alcance de tales defectos. Este estudio presenta un enfoque novedoso que aprovecha las técnicas de aprendizaje por transferencia para mejorar la detección de defectos de despegue en diferentes tipos de superficies utilizando PICUS, un dispositivo de diagnóstico acústico desarrollado en la Universidad Roma Tre para la evaluación de defectos en pinturas murales patrimoniales. Nuestro método aprovecha un modelo de aprendizaje profundo preentrenado, adaptándolo a nuevas condiciones de material. Diseñamos un objeto de prueba plano incrustado con cavidades subsuperficiales controladas para simular la presencia de defectos de adhesión y aire entre las capas. Esto fue evaluado rigurosamente utilizando pruebas no destructivas con PICUS, complementadas por inteligencia artificial (IA). Una red neuronal convolucional (CNN), inicialmente entrenada en este modelo, fue luego ajustada mediante aprendizaje por transferencia en un segundo objeto de prueba con geometría y características de material distintas. Esta adaptación estratégica a las propiedades físicas y acústicas variables condujo a una mejora significativa en la precisión de clasificación de la clase de defectos, del 88% al 95%, demostrando la efectividad del aprendizaje por transferencia para la detección robusta de defectos en aplicaciones de diagnóstico desafiantes.