El presente trabajo propone una metodología para la clasificación automática de caligrafías en cordones de soldadura tipo MIG-FCAW mediante el uso de visión por computadora y redes neuronales convolucionales. A través del diseño e implementación de la red neuronal Convolucional WeldingNet, se desarrolló un sistema capaz de identificar patrones geométricos característicos (zigzag, lineal, circular y cuadrado), manufacturados en una celda de soldadura robótica. La propuesta busca atender las necesidades tanto de la industria como de talleres de bajo presupuesto y laboratorios escolares, eliminando la dependencia de sensores especializados o sistemas de retroalimentación costosos. La metodología abarca desde la fabricación de cordones de prueba y adquisición de imágenes hasta su preprocesamiento, clasificación y validación automatizada. El preprocesamiento incluyó conversión a escala de grises, ecualización de histograma y redimensionamiento a 140x224 píxeles. Posteriormente, se entrenó la red WeldingNet utilizando un conjunto balanceado de 708 imágenes (177 por cada clase de caligrafía), con una distribución del 60% para entrenamiento, 20% para validación y 20% para prueba. La red alcanzó una precisión superior al 95% en el conjunto de validación, manteniéndose estable a lo largo de 30 épocas, lo cual indica una buena capacidad de generalización sin sobreajuste. Además, se desarrolló una interfaz gráfica intuitiva en MATLAB que permite al usuario seleccionar imágenes individuales o carpetas completas para su clasificación, facilitando el uso práctico del sistema en escenarios reales de producción o entrenamiento. Aunque el presente trabajo se enfoca en la clasificación de la geometría del cordón, la estructura planteada permite su futura ampliación hacia la estimación de parámetros del proceso, como voltaje, corriente o velocidad de alimentación, a partir de las características visuales capturadas.