Los ojos humanos generalmente realizan la inspección de defectos de productos en líneas de producción industrial en Indonesia; lo que resulta en una baja eficiencia y un alto margen de error debido al cansancio visual. Los sistemas automatizados de evaluación de calidad para la producción en masa pueden utilizar el aprendizaje profundo conectado a cámaras para una detección de defectos más eficiente. Sin embargo, emplear el aprendizaje profundo en múltiples cámaras de alta velocidad de cuadro (HFRC) requiere de mucha computación y disminuye el rendimiento del aprendizaje profundo, especialmente en la inspección en tiempo real de objetos en movimiento. Este documento propone optimizar los recursos computacionales para la evaluación de calidad en tiempo real de productos en objetos cilíndricos en movimiento utilizando el aprendizaje profundo con múltiples sensores HFRC. Se compararon y probaron dos marcos de aplicación integrados con varios modelos de aprendizaje profundo para producir aplicaciones robustas y poderosas para evaluar la calidad de los resultados de producción en objetos giratorios. Basándose en los resultados del experimento utilizando tres sensores HFRC, una aplicación web con el marco de trabajo tensorflow.js superó a las aplicaciones de escritorio en computación. Además, MobileNet v1 ofrece el mejor rendimiento en comparación con otros modelos. Este resultado revela una oportunidad para una aplicación web como un marco ligero para la evaluación de calidad utilizando múltiples sensores HFRC y aprendizaje profundo.