En este estudio, presentamos una metodología innovadora para la detección de violaciones del uso del casco entre motociclistas, integrando el algoritmo de detección de objetos YOLOv8 con redes generativas adversariales convolucionales profundas (DCGANs). El objetivo de esta investigación es mejorar la precisión de las técnicas existentes de detección de violaciones del casco, que suelen depender de inspecciones manuales y ser propensas a inexactitudes. La metodología propuesta implica el entrenamiento del modelo en un extenso conjunto de datos que incluye imágenes auténticas y sintéticas, y demuestra una alta precisión en la identificación de violaciones del casco, incluidos escenarios con múltiples motociclistas. La ampliación de datos, junto con imágenes sintéticas producidas por DCGANs, se utiliza para aumentar el volumen de datos de entrenamiento, centrándose especialmente en clases desequilibradas, facilitando así una mejor generalización del modelo a circunstancias del mundo real. El modelo YOLOv8 independiente mostró una puntuación F1 de 0,91 para todas las clases con un nivel de confianza del 0,617, mientras que el modelo DCGANs + YOLOv8 demostró una puntuación F1 de 0,96 para todas las clases con un nivel de confianza reducido de 0,334. Estos hallazgos resaltan el potencial de las DCGANs para mejorar la precisión en la detección de violaciones de normas de cascos, fomentando así prácticas más seguras en motociclismo.