Hoy en día, a menudo se utilizan modelos específicos de redes neuronales convolucionales (CNN) asignados a tareas específicas. En este artículo, los autores exploraron tres modelos: MobileNet, EfficientNetB0 e InceptionV3 combinados. Los autores estaban interesados en investigar qué tan rápido se puede enseñar un modelo de inteligencia artificial con recursos informáticos limitados. Se investigaron tres tipos de bases de entrenamiento, comenzando con una base simple que verificaba cinco colores, luego reconociendo dos elementos ortogonales diferentes, seguido de imágenes más complejas de diferentes familias. Esta investigación tuvo como objetivo demostrar las capacidades de los modelos basados en parámetros de la base de entrenamiento como el número de imágenes y los tipos de épocas. Las arquitecturas propuestas por los autores en estos casos fueron elegidas en base a estudios de simulación realizados en una máquina virtual con parámetros de hardware limitados. Las propuestas presentan las ventajas y desventajas de los diferentes modelos basados en las bibliotecas TensorFlow y Keras en el entorno de Jupyter basado en el lenguaje de programación Python. Un modelo de inteligencia artificial con una combinación de MobileNet, propuesto por Siemens, y Efficient e Inception, seleccionados por los autores, permite realizar trabajos adicionales en la clasificación de imágenes, pero con recursos informáticos limitados para su implementación industrial en un controlador lógico programable (PLC). El estudio mostró una tasa de éxito del 90%, con un tiempo de aprendizaje de 180 s.