Los procesos de búsqueda y recuperación de piezas de repuesto son de suma importancia en la fabricación y las cadenas de suministro. El reconocimiento de imágenes utilizando propiedades de imágenes 2D y 3D juega un papel importante en el éxito de dichos procesos, ya que facilita la identificación de los tipos y componentes asociados con las piezas de repuesto, un paso que es crucial para su éxito. En este artículo, se propone y construye un novedoso modelo de reconocimiento de objetos basado en Deep Learning, utilizando una arquitectura de red neuronal convolucional con capas convolucionales apiladas para extraer y aprender características de las piezas de repuesto de manera eficiente, con el objetivo de mejorar la efectividad del proceso de reconocimiento de imágenes de piezas de repuesto. El modelo propuesto se evalúa utilizando conjuntos de datos de piezas de repuesto industriales, y su rendimiento se compara con diferentes modelos de transferencia de aprendizaje utilizando precisión, exactitud, recuperación y puntuación F1. El modelo propuesto demostró eficiencia en el reconocimiento de piezas de repuesto y logró la mayor precisión en comparación con los modelos de reconocimiento de imágenes de última generación.