La langosta americana es el marisco más valioso en la costa atlántica de Canadá, generando más de 800 millones de dólares canadienses en ingresos por exportaciones solo para New Brunswick. Sin embargo, la escasez de mano de obra afecta a la industria de la langosta, y las langostas deben ser procesadas rápidamente para mantener los estándares de seguridad alimentaria y aseguramiento de calidad. Este documento propone un enfoque de estimación de orientación de langostas utilizando un modelo de red neuronal convolucional, con el objetivo de guiar el brazo robótico FANUC LR Mate 200 iD para la manipulación de langostas. Para validar esta técnica, se evaluaron cuatro algoritmos de detección de objetos de última generación en un conjunto de imágenes de langostas americanas: YOLOv7, YOLOv7-tiny, YOLOV4 y YOLOv3. En comparación con otras versiones, YOLOv7 demostró un rendimiento superior con un puntaje F1 del 95.2%, una precisión media promedio (mAP) del 95.3%, una tasa de recuperación del 95.1% y 111 fotogramas por segundo (fps). Los modelos de detección de objetos se implementaron en el NVIDIA Jetson Xavier NX, con YOLOv7-tiny logrando la tasa de fps más alta de 25.6 en esta plataforma. Debido a su rendimiento excepcional, se seleccionó YOLOv7 para desarrollar la estimación de orientación de langostas. Este enfoque tiene el potencial de mejorar la eficiencia en el procesamiento de langostas y abordar los desafíos que enfrenta la industria, incluida la escasez de mano de obra y el cumplimiento de los estándares de seguridad alimentaria y calidad.