Las empresas eléctricas enfrentan obstáculos de control de flujo e inventario, como la fiabilidad, los gastos y las tareas que consumen mucho tiempo. Las Redes Neuronales Convolucionales (CNN) combinadas con enfoques de visión computacional pueden procesar la clasificación de imágenes en aplicaciones de gestión de almacenes para abordar este problema. Este estudio utiliza imágenes sintéticas y reales aplicadas a CNN para tratar la clasificación de artículos de inventario. Los resultados se comparan para buscar las redes neuronales que mejor se adapten a esta aplicación. La metodología consiste en ajustar varias CNN en conjuntos de datos sintéticos y reales de Rojo-Verde-Azul (RBG) y Rojo-Verde-Azul-Profundidad (RGB-D), utilizando la mejor arquitectura de cada dominio en un enfoque de conjunto combinado. El enfoque de conjunto combinado propuesto aún no se había explorado en tal aplicación, utilizando datos RGB y RGB-D, de dominios sintéticos y reales. El uso de un conjunto de datos sintético mejoró la precisión, la exactitud, el recall y el f1-score en comparación con los modelos entrenados solo en el dominio real. Además, el uso de una combinación de tuberías DenseNet y Resnet para imágenes en color y de profundidad demostró superar los indicadores de rendimiento de precisión, exactitud y f1-score en comparación con las CNN individuales, logrando una medida de precisión del 95.23%. La tarea de clasificación es un verdadero problema de ingeniería logística manejado por visión computacional e inteligencia artificial, haciendo pleno uso de imágenes RGB y RGB-D de dominios sintéticos y reales, aplicadas en un enfoque de tuberías de CNN combinadas.