Las cintas transportadoras en sitios mineros son propensas a grietas, lo que conduce a una degradación dramática del rendimiento general del sistema y al colapso de la operación. La detección de grietas utilizando tecnología de detección por identificación de radiofrecuencia (RFID) se ha propuesto recientemente para proporcionar sistemas de monitoreo de salud robustos y de bajo costo para las cintas transportadoras. La técnica de aprendizaje automático (ML) es una de las soluciones más prometedoras para la detección de grietas y su implementación exitosa dentro del paradigma de IoT. Este documento presenta un modelo de monitoreo de salud estructural de cintas transportadoras utilizando ML y conectividad de Internet de las cosas (IoT). El modelo se prueba exhaustivamente y la clasificación se realiza en base a datos simulados obtenidos de un sensor de identificación por radiofrecuencia de ultra alta frecuencia (UHF). Aquí, el sensor se coloca en una correa y los datos se obtienen en diferentes orientaciones de grietas verticales, horizontales y diagonales, para diferentes anchos de grietas de 0,5 a 5 mm en 10 ubicaciones diferentes en el sensor. El modelo de ML se prueba con diferentes características de entrada y algoritmos de entrenamiento, y sus rendimientos se comparan y analizan para identificar la característica de entrada y el algoritmo de entrenamiento superior. Este método produce una alta precisión en la determinación del ancho, orientación y ubicación de la grieta. Los hallazgos muestran que el sistema de detección propuesto basado en modelado de ML podría detectar grietas con una precisión del 100%. El sistema propuesto también puede distinguir entre grietas verticales, horizontales y diagonales con una precisión del 83,9%, y tiene una tasa de identificación significativa del 84,4% de precisión para detectar un ancho de grieta tan estrecho como 0,5 mm. Además, el modelo puede predecir la región de la grieta con una precisión del 95,5%. En general, los resultados muestran que el modelo propuesto es muy robusto y puede realizar el monitoreo de salud de las cintas transportadoras con alta precisión para una variedad de parámetros y escenarios de clasificación. El método tiene una gran importancia industrial en las minas de carbón.