Los Sistemas Aéreos No Tripulados (UAS) se están volviendo más atractivos en diversas aplicaciones debido a su eficiencia en la realización de tareas con un tiempo de ejecución reducido, cubriendo una mayor área y disminuyendo los riesgos humanos en tareas peligrosas. En el contexto de Petróleo y Gas (O&G), el escenario es aún más atractivo para la aplicación de UAS en actividades de inspección debido a la gran extensión de estas instalaciones y los riesgos operacionales involucrados en los procesos. Muchos autores han propuesto soluciones para detectar fugas de gas en las estructuras de tuberías no enterradas en tierra. Sin embargo, solo unos pocos han abordado el problema de navegación y seguimiento para la navegación autónoma de UAS sobre estas estructuras. La mayoría de las soluciones propuestas se basan en estrategias tradicionales de visión por computadora para el seguimiento. Como desventaja, dependiendo de las condiciones de iluminación, la línea de trayectoria obtenida puede ser inexacta, lo que hace necesaria una estrategia para forzar al UAS a continuar en la trayectoria. Por lo tanto, esta investigación describe el potencial de un UAS autónomo basado en técnicas de procesamiento de imágenes y una estrategia de Red Neuronal Convolucional (CNN) para navegar adecuadamente en redes de tuberías no enterradas complejas, contribuyendo al procedimiento de monitoreo de las estructuras de la industria de Petróleo y Gas. Se utiliza una CNN para detectar la tubería, mientras que técnicas de procesamiento de imágenes como la detección de bordes de Canny y la Transformada de Hough se utilizan para detectar la referencia de la línea de tuberías, que es utilizada por un algoritmo de seguimiento de línea para guiar al UAS a lo largo de la tubería. El marco se evalúa mediante simulaciones de Software-in-The-Loop (SITL) con un controlador de vuelo PX4 realizadas con el Sistema Operativo Robot (ROS) junto con la plataforma Gazebo para simular el entorno operativo propuesto y verificar la funcionalidad del enfoque como prueba de concepto. También se realizaron pruebas reales. Los resultados mostraron que la solución es robusta y factible para implementar en esta tarea propuesta, logrando un 72% de precisión media promedio en la detección de diferentes tipos de tuberías y 0.0111 m de error cuadrático medio en el seguimiento de la trayectoria con un dron a 2 m de un tubo.