Las metodologías de visión por computadora que utilizan técnicas de aprendizaje automático generalmente constan de las siguientes fases: preprocesamiento, segmentación, extracción de características, selección de variables relevantes, clasificación y evaluación. En este trabajo se propone una metodología para el reconocimiento de objetos. La metodología se llama PSEV-BF (pre-segmentación y variables mejoradas para características de aves). PSEV-BF incluye dos nuevas fases en comparación con las metodologías tradicionales de visión por computadora, a saber: pre-segmentación y mejora de variables. La pre-segmentación se realiza utilizando la tercera versión de YOLO (you only look once), una arquitectura de red neuronal convolucional (CNN) diseñada para la detección de objetos. Además, se propone un algoritmo de recocido simulado (SA) para la selección y mejora de variables relevantes. Para probar PSEV-BF, se utilizó el repositorio de objetos comunes en Contexto (COCO) con imágenes que muestran entornos no controlados. Finalmente, se utiliza la métrica APIoU (precisión promedio intersección sobre unión) como punto de referencia de evaluación para comparar nuestra metodología con configuraciones estándar. Los resultados muestran que PSEV-BF tiene el mejor rendimiento en todas las pruebas.