La detección de grietas es esencial para observar la salud estructural y garantizar la seguridad estructural. El proceso de detección manual de grietas y otros daños es demorado y está sujeto a juicios sesgados de los encuestadores. El modelo propuesto Conv2D ResNet Exponential para la detección de calidad de paredes fue entrenado con 5000 imágenes de pared, incluyendo varias imperfecciones como grietas, agujeros, eflorescencias, manchas de humedad y descamaciones. El modelo fue entrenado con pesos iniciales para formar las capas entrenadas del modelo base e integrado con Xception, VGG19, DenseNet y modelos de red neuronal convolucional (CNN) ResNet para recuperar las características generales de alto nivel. Se implementó un enfoque de aprendizaje profundo basado en transferencia para crear una capa personalizada de modelos de CNN. El modelo base se combinó con capas personalizadas para estimar la calidad de la pared. Los modelos Xception, VGG19, DenseNet y ResNet se ajustaron con diferentes capas de activación como softplus, softsign, tanh, selu, elu y exponencial, junto con aprendizaje por transferencia. El rendimiento de Conv2D se evaluó utilizando medidas de pérdida del modelo, precisión, exactitud, recall y puntuación F. El modelo fue validado comparando los rendimientos de Xception, VGG19, DenseNet, ResNet y Conv2D ResNet Exponential. Los resultados experimentales muestran que el modelo Conv2D ResNet con una capa de activación exponencial lo supera con un valor de puntuación F de 0,9978 y potencialmente podría ser un sustituto viable para clasificar varios defectos de pared.