La rápida evolución hacia la automatización industrial ha ampliado el uso de aplicaciones industriales, como la manipulación de brazos robóticos y la recolección de objetos. El rendimiento de estas aplicaciones depende de la detección de objetos y la estimación de pose a través de datos visuales. De hecho, la claridad de esos datos influye significativamente en la precisión de la detección de objetos y la estimación de pose. Sin embargo, la mayoría de los datos visuales correspondientes a superficies metálicas o brillantes tienden a tener reflejos especulares que reducen la precisión. Por lo tanto, este trabajo tiene como objetivo mejorar el rendimiento de las tareas de recolección de objetos industriales al reducir los efectos de los reflejos especulares. Este trabajo propone un modelo de red neuronal basado en aprendizaje profundo (DL) para mejorar la precisión de la detección de objetos y la estimación de pose al eliminar inteligentemente los reflejos especulares. El trabajo propuesto implementa un generador de datos sintéticos para entrenar y probar el modelo. El avance conceptual de este trabajo es su capacidad para eliminar reflejos especulares de escenarios con múltiples objetos. Con el uso del método propuesto, pudimos reducir la tasa de fallos en la detección de objetos al 7%, que es mucho menor en comparación con imágenes especulares (27%), U-Net (20%) y el modelo básico (11%). Por lo tanto, se puede afirmar que las mejoras en el rendimiento obtenidas son influencias positivas de los contextos basados en DL propuestos, como la recolección de objetos.