La clasificación precisa de objetos y la estimación de posición son una parte crucial de la ejecución de operaciones autónomas de recogida y colocación por un robot y se pueden realizar utilizando sensores RGB-D que están cada vez más disponibles para su uso en aplicaciones industriales. En este artículo, presentamos un nuevo marco unificado para la detección y clasificación de objetos utilizando una combinación de procesamiento de nubes de puntos y técnicas de aprendizaje profundo. El modelo propuesto utiliza dos flujos que reconocen objetos en datos RGB y de profundidad por separado y combina ambos en etapas posteriores para clasificar los objetos. La evaluación experimental del modelo propuesto, incluida la precisión de clasificación en comparación con trabajos anteriores, demuestra su efectividad y eficiencia, haciendo que el modelo sea adecuado para aplicaciones en tiempo real. En particular, los experimentos realizados en el conjunto de datos de objetos RGB-D de Washington muestran que el marco propuesto tiene un 97.5% y un 95% menos de parámetros en comparación con las redes neuronales multimodales de última generación Fus-CNN, CNN Features y VGG3D, respectivamente, con un costo de aproximadamente un 5% de disminución en la precisión de clasificación. Además, la inferencia del marco propuesto toma un 66.11%, un 32.65% y un 28.77% menos de tiempo en GPU y un 86.91%, un 51.12% y un 50.15% menos de tiempo en CPU en comparación con VGG3D, Fus-CNN y CNN Features. La aplicabilidad potencial del marco desarrollado para la clasificación de objetos y la estimación de posición se demostró en un montaje experimental de manipulación robótica que realiza un escenario simplificado de recogida y colocación de objetos. En aproximadamente el 95% de las pruebas, el sistema pudo posicionar con precisión el robot sobre los objetos de interés detectados en modo automático, asegurando una ejecución cíclica estable sin retrasos de tiempo.