La evaluación automatizada de fisuras en estructuras de hormigón representa una necesidad creciente en la ingeniería civil. La identificación temprana de estas patologías es fundamental para garantizar la seguridad y durabilidad de las estructuras. Los métodos tradicionales, basados en inspecciones visuales, suelen ser costosos, subjetivos y poco eficientes. Esta investigación propone un enfoque basado en aprendizaje profundo para abordar estas limitaciones, evaluando el desempeño de dos arquitecturas de redes neuronales convolucionales (CNN) en la detección de fisuras. Los modelos VGG16 y ResNet50 fueron entrenados y validados utilizando una base de datos original de 8,000 imágenes. Las métricas de rendimiento mostraron que ResNet50 alcanzó 90.80% de exactitud, 86.93% de precisión y 90.62% de sensibilidad, mientras que VGG16 obtuvo 88.95% de exactitud, 96.75% de precisión y 84.42% de sensibilidad. Estos resultados destacan el potencial de las CNN como herramientas para fortalecer el monitoreo estructural, promoviendo sistemas de inspección más ágiles, objetivos y adaptables.
