Es de identificar a partir de observações as características necessárias para detectar a localização do defeito na imagem e classificá-lo quanto ao seu formato. o conjunto de dados de imagens de shearografia para essa tarefa foi criado a partir de defeitos artificiais que emularam falhas de adesão entre placas metálicas e a primeira camada de compósitos de fibra de vidro por meio de almofadas de politetrafluoretileno de diferentes formatos preenchidas com ar. um modelo de detecção de objetos base foi treinado utilizando o detector retinanet com uma residual neural network - 50 (resnet-50) como backbone. esse modelo alcançou uma média de precisões médias de 0,772, onde a melhor precisão média esteve relacionada a detecção de defeitos quadrados, com 0,901, e a pior relacionada a defeitos semicirculares, com 0,681. de forma suplementar, foi desenvolvido um método não-supervisionado para classificar a imagem de uma franja em útil ou não e adicioná-la ao conjunto de dados como exemplo positivo ou negativo, respectivamente. esse método, chamado de automatic useful fringe pattern classification (auto-ufp), busca poupar o trabalho oneroso que é feito comumente de forma manual. ao comparar o conjunto de dados criado automaticamente e aquele criado de forma manual, o f-score obtido foi de 0,901, o que mostra alta similaridade entre essas duas abordagens. o modelo treinado com esse conjunto de dados obtido automaticamente obteve 0,06% de perda na média das precisões médias em relação ao resultado do modelo-base. ainda, ocorreu a convergência muito mais rápida quando o detector foi treinado com o dataset automático, o que aponta que o auto-ufp é também uma forma de preprocessamento de imagens que mantém apenas padrões de franja com características mais úteis ao detector. esses resultados confirmam a capacidade do uso de aprendizado profundo em conjunto com a shearografia e são um primeiro passo em direção a automação desse ensaio não destrutivo e abrindo espaço para novos desenvolvimentos.