Los oleoductos juegan un papel vital en el transporte de materiales dentro de entornos industriales. Esta revisión sintetiza las tecnologías de detección para fugas de gas pequeñas en etapas tempranas de oleoductos en el sector industrial, con un enfoque en métodos basados en acústica, imágenes ópticas de gas (OGI) y enfoques de fusión multimodal. Abarca principios de detección, desafíos inherentes, estrategias de mitigación y el estado del arte (SOTA). Las pequeñas fugas se refieren a fugas de bajo flujo que provienen de defectos con aperturas a escalas de milímetros o submilímetros, lo que plantea dificultades significativas para la detección. La detección acústica aprovecha las señales de ondas acústicas generadas por las fugas de gas para el monitoreo sin contacto, ofreciendo ventajas como una respuesta rápida y una amplia cobertura. Sin embargo, su susceptibilidad a la interferencia del ruido ambiental a menudo provoca falsas alarmas. Esta limitación puede mitigarse a través del análisis tiempo-frecuencia, la fusión de múltiples sensores y algoritmos de aprendizaje profundo, mejorando efectivamente las señales de fuga, suprimiendo el ruido de fondo y, por lo tanto, mejorando la robustez y precisión de detección del sistema. OGI utiliza tecnología de imágenes infrarrojas para visualizar el gas de fuga y es aplicable a la detección de varios gases polares. Sus principales limitaciones incluyen baja resolución de imagen, bajo contraste e interferencia de fondos complejos. Las técnicas de mitigación implican la sustracción de fondo, la estimación del flujo óptico, redes neuronales convolucionales completas (FCNN) y transformadores de visión (ViTs), que mejoran el contraste de la imagen y extraen características multiescala para aumentar la precisión de detección. La tecnología de fusión multimodal integra datos de diversos sensores, como dispositivos acústicos y ópticos. Los desafíos clave radican en lograr la sincronización espaciotemporal entre múltiples sensores y fusionar efectivamente flujos de datos heterogéneos. Las metodologías actuales utilizan principalmente técnicas de fusión a nivel de decisión y fusión a nivel de características. La fusión a nivel de decisión ofrece alta flexibilidad y facilidad de implementación, pero carece de interacción entre características; es menos efectiva que la fusión a nivel de características cuando existen correlaciones entre características heterogéneas. La fusión a nivel de características amalgama datos de diferentes modalidades durante la fase de extracción de características, generando una representación cruzada unificada que resuelve efectivamente la heterogeneidad intermodal. En conclusión, postulamos que la fusión multimodal tiene un potencial significativo para mejorar aún más la precisión de detección más allá de las capacidades de las tecnologías de modalidad única existentes y está destinada a convertirse en un enfoque principal de la investigación futura en este dominio.