La inspección con boroscopio es un proceso intensivo en mano de obra utilizado para encontrar defectos en motores de aeronaves que contienen áreas no visibles durante una inspección visual general. El resultado del proceso depende en gran medida del juicio de los profesionales de mantenimiento que lo realizan. Esta investigación desarrolla un nuevo marco de aprendizaje profundo para la inspección automatizada con boroscopio. En el marco, se desarrolla una arquitectura U-Net personalizada para detectar los defectos en las palas del compresor de alta presión. Dado que se introduce desenfoque por movimiento en algunas imágenes mientras las palas giran durante la inspección, se aplica un método híbrido de desenfoque por movimiento para el afilado y la eliminación de ruido de imágenes, basado en técnicas clásicas de visión por computadora en combinación con un modelo GAN personalizado. El marco también aborda el desequilibrio de datos, el pequeño tamaño de los defectos y los problemas de disponibilidad de datos, en parte probando diferentes funciones de pérdida y generando imágenes sintéticas utilizando un modelo de red generativa adversarial (GAN) personalizado, respectivamente. Los resultados obtenidos de la implementación del marco de aprendizaje profundo logran precisiones y recuperaciones superiores al 90%. El modelo híbrido para el desenfoque por movimiento resulta en una mejora de 10 veces en la calidad de la imagen. Sin embargo, el marco solo logra un éxito modesto con funciones de pérdida particulares para tamaños de defectos muy pequeños. El estudio futuro se centrará en la detección de defectos muy pequeños y ampliará el marco de aprendizaje profundo a la inspección general con boroscopio.