La automatización en la industria puede mejorar la eficiencia de producción y la seguridad humana al realizar tareas complejas y peligrosas. Este documento presentó un marco de sistema ciberfísico inteligente que incorpora técnicas de procesamiento de imágenes y aprendizaje profundo para facilitar operaciones en tiempo real. Una red neuronal convolucional (CNN) es una de las técnicas de aprendizaje profundo más utilizadas para el procesamiento de imágenes y el análisis de detección de objetos. Este documento utilizó una variante de una CNN conocida como faster R-CNN (R representa las propuestas de región) para mejorar la eficiencia en la detección de objetos y el análisis de control en tiempo real. La acción de control relacionada con el objeto detectado se intercambia con el sistema de actuación dentro del sistema ciberfísico utilizando un protocolo de intercambio de datos en tiempo real (RTDE). Demostramos el marco CPS inteligente propuesto para realizar operaciones de recogida y colocación basadas en la detección de objetos en tiempo real, ya que son una de las operaciones más realizadas en el control de calidad y los sistemas industriales. El CPS consiste en un sistema de cámara que se utiliza para la detección de objetos, y los resultados se transmiten a un robot universal (UR5), que luego recoge el objeto y lo coloca en la ubicación correcta. La latencia en la comunicación es un factor importante que puede afectar la calidad de las operaciones en tiempo real. Este documento discutió un enfoque bayesiano para la cuantificación de la incertidumbre de la latencia a través del enfoque de muestreo-re-muestreo, que puede utilizarse posteriormente para diseñar un marco de comunicación confiable para operaciones en tiempo real.