Identificar la ubicación taladrada de los barrenos es crucial para lograr resultados óptimos en voladuras. Esta investigación propone una metodología integrada novedosa para controlar la precisión de la perforación en minas a cielo abierto. Este enfoque se desarrolla combinando imágenes de drones aéreos con técnicas de aprendizaje automático. El estudio investiga la viabilidad de la fotogrametría combinada con técnicas de aprendizaje automático, en particular Máquinas de Vector Soporte (SVM) y Redes Neuronales Convolucionales (CNN), para detectar automáticamente barrenos en representaciones fotogramétricas de patrones de voladura. Para verificar la hipótesis de que el aprendizaje automático puede detectar barrenos en imágenes tan efectivamente como los humanos, se obtuvieron diversos conjuntos de datos (imágenes de drones) de diferentes sitios mineros en Nevada, EE. UU. Las imágenes se procesaron para crear un mapeo fotogramétrico de los patrones de perforación. En este proceso, se extrajeron y aumentaron miles de parches de las representaciones fotogramétricas. Estos parches se utilizaron luego para entrenar y probar diferentes arquitecturas de CNN optimizadas para localizar barrenos. Después de alcanzar un nivel aceptable de precisión durante el proceso de entrenamiento, el modelo se probó utilizando un conjunto de datos completamente desconocido (conjunto de pruebas). El alto recuerdo, precisión y porcentaje de barrenos detectados demuestran que la combinación de SVM, CNN y fotogrametría (PHG) es una metodología efectiva para detectar barrenos en mapas fotogramétricos.