La creciente demanda de adquirir datos de producción en vivo de manera eficiente ha añadido más importancia a la monitorización y el informe automatizados dentro del sector de fabricación industrial. La selección de piezas en tiempo real que requiere intervención humana repetitiva para la entrada de datos puede no ser una solución viable para satisfacer las demandas de la automatización industrial moderna. El objetivo de este estudio es clasificar y reportar automáticamente las piezas de chapa metálica fabricadas. Los componentes metálicos están mecánicamente suspendidos en una línea de transporte con recubrimiento de pintura de esmalte en una planta de fabricación de electrodomésticos. En cualquier instante, las piezas pueden no estar en las coordenadas exactas dentro del área de interés deseada y las clases de objetos varían según los requisitos de producción cambiantes. Para mitigar estos desafíos, este estudio propone el uso de un modelo Mask R-CNN entrenado para detectar los objetos y su clase asociada. Las imágenes se adquieren en tiempo real utilizando una cámara de video ubicada junto a la línea de recubrimiento de esmalte, que se procesan posteriormente utilizando el algoritmo de detección de objetos para la entrada automatizada en el sistema de información de gestión de la planta. La mayor precisión promedio alcanzada por el modelo fue del 98.27% con una precisión general del 98.24% utilizando el marco propuesto. Los resultados superaron el estándar aceptable para la precisión promedio del 97.5% establecido por los ingenieros de calidad de producción de la planta.