Debido a la escasez de mano de obra causada por la disminución de la tasa de natalidad y el envejecimiento de la población, la robótica es una de las soluciones para reemplazar a los humanos y superar este problema urgente. Este documento presenta un algoritmo de detección de objetos basado en aprendizaje profundo para robots de reciclaje de platos vacíos que reciclan automáticamente platos en restaurantes, comedores, etc. En detalle, se propone un modelo de detección de objetos ligero, YOLO-GD (Ghost Net y convolución Depthwise), para detectar platos en imágenes como tazas, palillos, cuencos, toallas, etc., y se diseña un cálculo de punto de captura basado en procesamiento de imágenes para extraer las coordenadas del punto de captura de los platos de diferentes tipos. Las coordenadas se utilizan para reciclar los platos objetivo controlando el brazo robótico. Jetson Nano está equipado en el robot como un módulo informático, y el modelo YOLO-GD también se cuantiza mediante TensorRT para mejorar el rendimiento. Los resultados experimentales demuestran que el modelo YOLO-GD es solo 1/5 del tamaño del modelo de última generación YOLOv4, y el YOLO-GD alcanza un 97.38%, un 3.41% más que YOLOv4. Después de la cuantización, el modelo YOLO-GD reduce el tiempo de inferencia por imagen de 207.92 ms a 32.75 ms, y el rendimiento es del 97.42%, que es ligeramente superior al modelo sin cuantización. A través del método de procesamiento de imágenes propuesto, se extraen de manera efectiva los puntos de captura de varios tipos de platos. Se realizan las funciones de reciclaje de platos vacíos y se llevará a un desarrollo adicional hacia su uso práctico.