El rápido crecimiento en el uso de la energía eólica ha llevado a desafíos significativos en la inspección y mantenimiento de las palas de los aerogeneradores, especialmente a medida que los tamaños de los aerogeneradores aumentan drásticamente y los entornos operativos se vuelven duros e impredecibles. Las palas de los aerogeneradores, siendo los componentes más costosos y propensos a fallos, afectan directamente la estabilidad operativa y la eficiencia energética. Por lo tanto, la inspección eficiente y precisa de estas palas es esencial para garantizar la sostenibilidad y fiabilidad de la producción de energía eólica. Para superar las limitaciones de los métodos de inspección existentes, que sufren de baja precisión de detección e ineficiencia, este documento propone un novedoso algoritmo de planificación de trayectoria de cobertura completa (CCPP) para robots trepadores que operan en las palas de los aerogeneradores. El algoritmo propuesto se dirige específicamente a regiones altamente complejas con variaciones significativas de curvatura, utilizando datos de nubes de puntos 3D para extraer información de altura para la construcción de un mapa de cuadrícula 2.5D. Al desarrollar un modelo de consumo de energía adaptado basado en diversos modos de movimiento del robot, el algoritmo se integra con una red neuronal bioinspirada (BINN) para garantizar una eficiencia energética óptima. A través de simulaciones extensas, demostramos que nuestro enfoque supera a los algoritmos BINN tradicionales, logrando una eficiencia significativamente superior y un menor consumo de energía. Finalmente, los experimentos realizados tanto en un prototipo de robot como en una plataforma de palas de aerogeneradores validan la practicidad y efectividad del algoritmo, mostrando su potencial para aplicaciones en el mundo real en la inspección de aerogeneradores a gran escala.