El desarrollo actual de una solución de brazo robótico para la industria manufacturera requiere realizar operaciones de recogida y colocación de piezas de trabajo de diferentes tamaños, formas y colores en diferentes etapas de los procesos de fabricación. Su objetivo es reducir o eliminar el error humano y la intervención humana para ahorrar costos de mano de obra y mejorar la seguridad en el lugar de trabajo. El aprendizaje automático se ha vuelto cada vez más prominente para el reconocimiento de objetos en estas aplicaciones de recogida y colocación con la ayuda de dispositivos de imagen y avances en el hardware de procesamiento de imágenes. Una de las tareas clave en el reconocimiento de objetos es la extracción de características y la clasificación de objetos basada en modelos de redes neuronales convolucionales (CNN), que son generalmente intensivos en computación. En este trabajo, se desarrolla un sistema inteligente de detección y recogida de objetos basado en MobileNet e integrado en un brazo robótico educativo de seis ejes, que requiere menos recursos computacionales. Se realiza una prueba experimental en un brazo robótico de seis ejes llamado Niryo One para entrenar el modelo e identificar tres objetos con diferentes formas y colores. Se muestra mediante la matriz de confusión que el modelo MobileNet logra una precisión del 91%, una mejora dramática en comparación con el 65% del modelo secuencial original de Niryo One. El estudio estadístico también muestra que MobileNet puede lograr una mayor precisión con una distribución más agrupada de la precisión.