Este informe trata sobre la termografía lock-in con redes neuronales convolucionales (CNN), que puede implementar la identificación inteligente de defectos en compuestos sándwich de panal de aviación (HSC). Primero, se fabricaron especímenes de HSC con defectos de delaminación subsuperficial y se estimularon con lámparas halógenas según una modulación sinusoidal, y los defectos se inspeccionaron de manera confiable utilizando termografía lock-in. Las imágenes de amplitud y fase (comúnmente conocidas como imágenes de características) se obtuvieron utilizando un algoritmo de correlación lock-in digital. Además, estas imágenes de características se transformaron en conjuntos de datos de formalismo de imagen en escala de grises o en color, que se preprocesaron de diversas maneras, incluyendo mejora de contraste, segmentación por umbral y aumento de datos en mosaico. Finalmente, se combinó la estructura de pirámide de características de cuatro capas y un transformador, y se introdujo en el popular modelo CNN YOLOv5, formando un modelo CNN YOLOLT para realizar la identificación de defectos. La precisión promedio (AP) en la identificación de defectos de HSC en entornos complejos (que contienen ruido y otros objetos) alcanzó el 93.2% y logró una velocidad de reconocimiento promedio de 0.6 s/imágen.