El reconocimiento de texturas es una tarea fundamental en visión por computadora, crucial para aplicaciones en ciencias de materiales, medicina y agricultura. Aprovechando los avances en Redes Neuronales Profundas (DNNs), los investigadores buscan métodos robustos para discernir patrones intrincados en imágenes. En el contexto del floreciente Internet Táctil (TI), los algoritmos eficientes de reconocimiento de texturas son esenciales para aplicaciones en tiempo real. Este artículo presenta un método llamado Red de Convolución Binaria Local con Normalización Intra-clase (LBCNIN) para el reconocimiento de texturas. Incorporando características de la última capa del esqueleto, LBCNIN emplea una capa de Convolución Binaria Local (LBC) no entrenable, inspirada en Patrones Binarios Locales (LBP), sin ajustar finamente el esqueleto. El vector de características codificado se introduce en una Máquina de Vectores de Soporte (SVM) lineal para la clasificación, sirviendo como el único componente entrenable. En el contexto de TI, la disponibilidad de imágenes desde múltiples vistas, como en la segmentación semántica de objetos 3D, permite más datos por objeto. En consecuencia, LBCNIN procesa lotes donde cada lote contiene imágenes de la misma clase de material, con la normalización de lotes empleada como un método de normalización intra-clase, con el objetivo de producir mejores resultados que las imágenes individuales. Evaluaciones exhaustivas a través de benchmarks de texturas demuestran la capacidad de LBCNIN para lograr resultados muy buenos bajo diferentes restricciones de recursos, atribuidos a la variabilidad en las arquitecturas del esqueleto.