Para abordar los problemas de baja tasa de cobertura y baja precisión de detección en la detección de defectos en la piel de aeronaves basada en UAV bajo condiciones complejas del mundo real, este documento propone un método que combina un enfoque de Planificación de Ruta de Cobertura Basada en Búsqueda en Amplitud (GB-CPP) con una arquitectura mejorada de YOLOv11 (INN-YOLO). GB-CPP genera rutas de vuelo casi óptimas y sin colisiones en la superficie 3D de la aeronave utilizando un mapa de cuadrícula discreto. INN-YOLO mejora la capacidad de detección al reconstruir el cuello con el BiFPN (Red de Pirámide de Características Bidireccional) para una mejor fusión de características, integrando el SimAM (Mecanismo de Atención Simple) con convolución para una extracción eficiente de pequeños objetivos, así como empleando RepVGG dentro de la capa C3k2 para mejorar el aprendizaje de características y la velocidad. El modelo se despliega en un Jetson Nano para inferencia en tiempo real en el borde. Los resultados muestran que GB-CPP logra un 100% de cobertura de superficie con una tasa de redundancia que no supera el 6.74%. INN-YOLO fue validado experimentalmente en tres conjuntos de datos públicos (10,937 imágenes) y un conjunto de datos autocolleccionado (1559 imágenes), logrando puntuaciones mAP@0.5 de 42.30%, 84.10%, 56.40% y 80.30%, representando mejoras del 10.70%, 2.50%, 3.20% y 6.70% sobre los modelos base, respectivamente. El marco propuesto de GB-CPP e INN-YOLO permite una detección de defectos en la piel de aeronaves basada en UAV eficiente, de alta precisión y en tiempo real.