Este documento presenta la implementación de un sistema de visión para un robot colaborativo equipado con una cámara web y un algoritmo de control basado en Python para tareas automatizadas de clasificación de objetos. El sistema de visión tiene como objetivo detectar, clasificar y manipular objetos dentro del espacio de trabajo del robot utilizando solo imágenes de cámara 2D. El sistema de visión fue integrado con el cobot Universal Robots UR5 y diseñado para la clasificación de objetos basada en el reconocimiento de formas. La pila de software incluye OpenCV para el procesamiento de imágenes, NumPy para operaciones numéricas y scikit-learn para modelos de perceptrón multicapa (MLP). El documento describe el proceso de calibración, que incluye la corrección de distorsión de lentes y la calibración de cámara a robot en una configuración de mano a ojo para establecer la relación espacial entre la cámara y el cobot. La localización de objetos se basó en un plano virtual alineado con el espacio de trabajo del robot. La clasificación de objetos se llevó a cabo utilizando similitud de contornos con momentos de Hu, descriptores basados en SIFT con coincidencia FLANN y modelos neuronales basados en MLP entrenados con imágenes preprocesadas. Las evaluaciones de rendimiento abarcaron métricas de precisión para los métodos de identificación utilizados (clasificador MLP, similitud de contornos y coincidencia de descriptores de características) y la efectividad del sistema de visión en el control del cobot para tareas de clasificación. La evaluación se centró en la precisión de clasificación y la efectividad de clasificación, utilizando métricas de sensibilidad, especificidad, precisión, exactitud y puntuación F1. Los resultados mostraron que los métodos basados en redes neuronales superaron a los métodos tradicionales en todas las categorías, ofreciendo al mismo tiempo una implementación más sencilla.