Los sistemas de aeronaves no tripuladas (UAS) basados en imágenes se utilizan en una variedad de aplicaciones geodésicas. El mapeo preciso de la superficie del terreno en 3D requiere puntos de control en el suelo (GCP) para escalado y georreferenciación (indirecta). En el software de análisis de imágenes (por ejemplo, Agisoft Metashape), las imágenes se pueden generar a una nube de puntos 3D utilizando Estructura a partir del Movimiento (SfM). En general, el diseño convencional de GCP para vuelos de UAS es un patrón de tablero de ajedrez, que se proporciona en el software y se utiliza para la detección automática de marcadores en cada imagen. Al cambiar el patrón, se requeriría trabajo manual al seleccionar el GCP individualmente a mano. Para aumentar el nivel de automatización en la evaluación, este artículo tiene como objetivo presentar un flujo de trabajo que detecta automáticamente un nuevo patrón de diseño de GCP basado en bordes en las imágenes, calcula sus puntos centrales y proporciona esta información al software SfM. Utilizando el flujo de trabajo propuesto basado en aprendizaje profundo (DL) y procesamiento de imágenes, la calidad del modelo 3D resultante puede equipararse al resultado con los puntos centrales de GCP seleccionados por un evaluador humano. En consecuencia, la carga de trabajo puede acelerarse con este enfoque.