Es crucial detectar con precisión los defectos inducidos por la humedad en el aislamiento de tuberías de acero para combatir la corrosión bajo el aislamiento (CUI). Este estudio mejora las capacidades de la termografía infrarroja (IRT) al integrarla con modelos de aprendizaje automático de alto rendimiento reconocidos por su efectividad en tareas de segmentación de imágenes. Se desarrolló una metodología novedosa para enriquecer el entrenamiento de aprendizaje automático, incorporando conjuntos de datos sintéticos generados a través de simulaciones del método de elementos finitos (FEM) con datos experimentales. Se evaluó el rendimiento de cuatro modelos avanzados: UNet, UNet++, DeepLabV3+ y FPN. Estos modelos demostraron mejoras significativas en las capacidades de detección de defectos, con mejoras notables observadas en FPN, que mostró un aumento medio de la intersección sobre la unión (IoU) de 0,78 a 0,94, una reducción en la pérdida de 0,19 a 0,06 y un aumento en la puntuación F1 de 0,92 a 0,96 cuando se entrenaron con conjuntos de datos híbridos en comparación con aquellos entrenados únicamente con datos reales. Los resultados destacan los beneficios de integrar datos sintéticos y experimentales, superando eficazmente los desafíos de tamaños de conjunto de datos limitados y mejorando significativamente la precisión y capacidades de generalización de los modelos en la identificación de defectos. Este enfoque marca un avance significativo en el mantenimiento e inspección industrial, ofreciendo una solución precisa, confiable y escalable para gestionar los riesgos asociados con el CUI.