Using computer vision technology, specifically convolutional neural networks, a solution was proposed to perform the recognition of ripe peach fruits, as well as the identification of damaged fruits. The purpose is to obtain fruits with the appropriate level of quality for their commercialization. To achieve this purpose, images of peaches were obtained in an uncontrolled environment. Digital images were cropped until the area of interest was obtained. Three data sets were configured: the first, for ripe and unripe peaches; the second, also of ripe and unripe peaches but only focused on a textural area, and the third, of healthy and damaged peaches. A convolutional neural network was applied, which was programmed in the Python language, the Keras and TensorFlow libraries. During the tests, a precision of 95.31 % was obtained when choosing between mature and immature. While when classifying healthy and damaged peaches, 92.18 % accuracy was obtained. Finally, when classifying the three categories (damaged, immature and mature), 83.33 % precision was obtained. The previous results indicate that with artificial intelligence embedded in a physical device, the classification of the peach fruit can be done. A partir de la tecnología de visión artificial, específicamente de redes neuronales convolucionales, se propuso una solución para realizar el reconocimiento de frutos de durazno maduros, así como la identificación de frutos dañados. La finalidad es obtener frutos con el nivel de calidad adecuado para su comercialización. Para lograr este propósito, se obtuvieron imágenes de duraznos en un ambiente no controlado. Se recortaron las imágenes digitales hasta obtener el área de interés. Se configuraron tres conjuntos de datos: el primero, de duraznos maduros e inmaduros; el segundo, también de duraznos maduros e inmaduros pero con enfoque en un área textural, y el tercero, de duraznos sanos y dañados. Se aplicó una red neuronal convolucional, que fue programada en el lenguaje Python, las librerías de Keras y TensorFlow. Durante las pruebas se obtuvo una precisión de 95.31 % a la hora de elegir entre maduros y no maduros. Mientras que al clasificar los duraznos sanos y dañados se obtuvo 92.18 % de precisión. Por último, al clasificar las tres categorías (dañados, inmaduros y maduros), se obtuvo 83.33 % de precisión. Los resultados anteriores indican que con inteligencia artificial embebida en un dispositivo físico se puede hacer la clasificación del fruto del durazno.