A detecção de trincas representa um desafio comum no monitoramento de saúde de estruturas (SHM - de Structural Health Monitoring). Frequentemente conduzido manualmente, esse processo é suscetível a erros. A utilização de imagens oferece vantagens significativas, eliminando a necessidade de contato direto com a estrutura e proporcionando uma cobertura mais abrangente. Além disso, as técnicas de aprendizado de máquina têm demonstrado eficácia na classificação de imagens, identificando a presença ou ausência de danos. O presente trabalho implementa uma pipeline de aprendizado de máquina composta por pré-processamento, extração de características utilizando Análise das Componentes Principais, criação dos modelos Máquina de Vetor Suporte, Árvore de Decisão e K-ésimo Vizinho Mais Próximo, otimização de hiperparâmetros e análise dos resultados, na tarefa de classificação de imagens de concreto com trincas e sem trincas. A melhor performance obtida neste trabalho foi utilizando o modelo SVM obtendo uma acurácia de 98,18%, precisão de 98,70% recall de 97,60% e F1-Score de 98,15%.