La detección precisa del estado de agarre es fundamental para la operación hábil de los robots. Los robots deben utilizar múltiples modalidades para percibir información externa, similar a los humanos. El método de fusión directa de la visión y la percepción táctil puede no proporcionar características visual-táctiles efectivas para la red de detección del estado de agarre del objetivo. Para abordar este problema, presentamos un modelo de fusión visual-táctil novedoso (es decir, RFCT) y proporcionamos un método de producto tensorial dimensional incremental para detectar estados de agarre de objetivos de baja rigidez. Investigamos si los mecanismos de atención de bloques convolucionales (CBAM) pueden mejorar las representaciones de características al atender selectivamente a señales visuales y táctiles relevantes mientras suprimen información menos importante y eliminan información redundante para la fusión inicial. Realizamos 2250 experimentos de agarre utilizando 15 objetivos de baja rigidez. Utilizamos 12 objetivos para entrenamiento y tres para pruebas. Al ser evaluado en objetivos no entrenados, nuestro modelo RFCT logró una precisión del 82.89%, una tasa de recuperación del 82.07% y un puntaje F1 del 81.65%. Comparamos el rendimiento del modelo RFCT con varias combinaciones de modelos Resnet50 + LSTM y C3D comúnmente utilizados en la detección del estado de agarre. Los resultados experimentales muestran que nuestro modelo RFCT supera significativamente a estos modelos. Nuestro método propuesto proporciona una detección precisa del estado de agarre y tiene el potencial de brindar un soporte sólido para las operaciones de agarre de robots en aplicaciones del mundo real.