Este documento desarrolla un algoritmo híbrido del sistema de inferencia difuso basado en red adaptativa (ANFIS) y regiones con red neuronal convolucional (R-CNN) para reconocimiento y manipulación de objetos basados en visión estéreo. La cámara estéreo en una configuración ojo a mano captura primero la imagen del objeto objetivo. Luego, se estiman la forma, características y centroide del objeto. Los píxeles similares se segmentan mediante el método de segmentación de imágenes y las regiones similares se fusionan a través de una búsqueda selectiva. La calibración ojo a mano se basa en ANFIS para reducir la carga computacional. Un brazo robótico de seis grados de libertad (6-DOF) con un agarre realizará experimentos para demostrar la efectividad del sistema propuesto.