Dado que las turbinas eólicas están expuestas a entornos de trabajo difíciles y condiciones climáticas variables, el monitoreo de la condición de las palas de las turbinas eólicas es crítico para prevenir tiempos de inactividad no programados y pérdidas. Reconociendo que las redes neuronales convolucionales comunes son difíciles de usar en dispositivos embebidos, se propone una red neuronal convolucional ligera para palas de turbinas eólicas (WTBMobileNet) basada en espectrogramas, que reduce el cálculo y el tamaño con una alta precisión. En comparación con los modelos de referencia, WTBMobileNet sin aumento de datos tiene una precisión del 97.05%, un parámetro de 0.315 millones y un cálculo de 0.423 giga operaciones de punto flotante (GFLOPs), que es 9.4 veces más pequeño y 2.7 veces menos cálculo que el modelo de mejor rendimiento con solo una disminución del 1.68% en precisión. Luego, se analiza el impacto de la diferencia en el aumento de datos. WTBMobileNet con aumento tiene una precisión del 98.1%, y la precisión de cada categoría está por encima del 95%. Además, la interpretabilidad y transparencia de WTBMobileNet se demuestran a través de la mapeo de activación de clases para un despliegue confiable. Finalmente, se explora WTBMobileNet en la clasificación de imágenes de drones y detección de objetos en espectrogramas, cuya precisión y mAP@[0.5, 0.95] son del 89.55% y 70.7%, respectivamente. Esto demuestra que WTBMobileNet no solo tiene un buen rendimiento en la clasificación de espectrogramas, sino que también tiene un buen potencial de aplicación en la clasificación de imágenes de drones y detección de objetos en espectrogramas.