Describimos un método de segmentación capilar en tiempo real basado en una red completamente convolucional con la estructura básica de un codificador-decodificador. En una de las técnicas tradicionales de visión por computadora para la segmentación capilar, las metodologías de cambio de media y de cuenca sufren de inexactitud y ejecución lenta debido al procesamiento de imágenes complejo de múltiples pasos. También es difícil ejecutar el proceso en tiempo real a menos que se aplique una técnica de optimización a la partición. Para resolver este problema, explotamos Mobile-Unet utilizando el modelo de segmentación U-Net, que incorpora las técnicas de optimización de MobileNetV2. En experimentos, la precisión de la segmentación capilar fue evaluada por diferentes géneros y razas, y la precisión promedio fue del 89.9%. Al comparar la precisión y la velocidad de ejecución de nuestro modelo con las de otros modelos en estudios relacionados, confirmamos que el modelo propuesto logró el mismo o mejor rendimiento. Por lo tanto, los resultados de la segmentación capilar pueden obtener información capilar (estilo, color, longitud), lo cual tiene un impacto significativo en la interacción humano-robot con las personas.