El Internet Industrial de las Cosas (IoT) puede monitorear la producción en tiempo real al recopilar el estado de las piezas en la línea de producción con cámaras. Es fácil tener áreas brillantes y oscuras en la misma imagen debido a las superficies lisas de las piezas mecánicas y la fuente de luz inestable, lo que afecta el rendimiento de la segmentación semántica. Este artículo propone un método de aprendizaje conjunto para eliminar la influencia de la iluminación en la segmentación semántica. La segmentación semántica de imágenes y la descomposición de imágenes se entrenan conjuntamente en el mismo modelo, y la imagen de reflectancia se utiliza para guiar la tarea de segmentación semántica sin el componente de iluminación. Además, este artículo adopta un núcleo de convolución mejorado para mejorar la precisión de píxeles y la fusión de BN para mejorar la velocidad de inferencia, optimizando el modelo para satisfacer las necesidades de detección en tiempo real. En los experimentos, se recopiló un conjunto de datos de piezas reales de engranajes de cámaras de IoT industrial. Los resultados experimentales muestran que el enfoque de aprendizaje conjunto propuesto supera a los métodos de vanguardia en la tarea de detección de partes mecánicas de borde, con aproximadamente un 4% de mejora en la precisión de píxeles.