Acumulando interés tanto en la academia como en la industria, la parte de aseguramiento de la calidad en la fabricación aditiva de metales (AM) está logrando un reconocimiento incremental debido a sus ventajas distintas sobre los métodos de fabricación convencionales. En este artículo, presentamos un enfoque de red neuronal convolucional, YOLOv8, hacia la inspección de calidad de imágenes metalográficas robustas. Las imágenes metalográficas contienen información clave relacionada con las propiedades del metal, como la resistencia estructural, la ductilidad, la tenacidad y los defectos, que se utilizan para seleccionar materiales adecuados para múltiples ejecuciones de ingeniería. Por lo tanto, al comprender las microestructuras, se pueden obtener conocimientos sobre el comportamiento de un componente metálico y realizar evaluaciones predictivas de fallos bajo condiciones específicas. La segmentación de imágenes basada en aprendizaje profundo es una técnica robusta para la detección de defectos microestructurales como grietas, inclusiones y porosidad por gas. Por lo tanto, mejoramos el YOLOv8 con mecanismos de convolución dilatada para adquirir una caracterización automática de defectos de microestructura. Más específicamente, por primera vez, se propuso el algoritmo YOLOv8 en el conjunto de datos de metalografía de la fabricación aditiva de aceros (Metal DAM) para identificar defectos como grietas y porosidad como un enfoque novedoso. Se utilizaron un total de 414 imágenes de ingenieros de ArcelorMittal como base de datos de acceso abierto. Los resultados experimentales demostraron que el modelo YOLOv8 detectó e identificó con éxito grietas y porosidad en el conjunto de datos de AM metálico, logrando una precisión de detección de defectos mejorada de hasta el 96% en solo 0.5 h en comparación con los procesos anteriores de reconocimiento automático de defectos.