En muchas industrias, los manómetros se monitorean manualmente, lo que plantea problemas, especialmente en grandes instalaciones donde los manómetros a menudo se colocan en lugares de difícil acceso o peligrosos. Este trabajo propone una solución basada en un microcontrolador (ESP32-CAM) y una cámara (OV2640 con un lente de 65 grados de FOV) para capturar una imagen del manómetro y enviarla a una computadora local donde se procesa, y los resultados se presentan en un panel de control accesible a través de la web. Esto se logró aplicando primero una Red Neuronal Convolucional (CNN) para detectar el manómetro con el modelo CenterNet HourGlass104. Después de localizar el dial, se segmenta utilizando la transformación de Hough en círculo, seguida de una transformación polar para determinar el ángulo de la aguja utilizando la proyección de píxeles. Al final, se determina el valor indicado utilizando el método del ángulo. El conjunto de datos utilizado estaba compuesto por 204 imágenes de manómetros divididas en conjuntos de entrenamiento y prueba utilizando una proporción de 70:30. Debido al pequeño tamaño del conjunto de datos, se aplicaron un conjunto diverso de aumentaciones de datos para obtener una alta precisión y un modelo de detección de manómetros bien generalizado. Además, los resultados experimentales demostraron una robustez y precisión adecuadas para entornos industriales, logrando un error relativo promedio del 0.95%.