La creciente adopción de modelos de Detección de Objetos (OD) basados en Aprendizaje Profundo (DL) en la fabricación inteligente ha abierto nuevas avenidas para optimizar los procesos de producción. Las industrias tradicionales que enfrentan restricciones de capacidad requieren métodos no invasivos para un análisis en profundidad de las operaciones con el fin de optimizar procesos y aumentar los ingresos. En este estudio, proponemos un nuevo marco para el análisis de restricciones de capacidad que identifica cuellos de botella en las instalaciones de producción y realiza estudios de tiempo de ciclo utilizando un pipeline de extremo a extremo. Este pipeline emplea un modelo de OD basado en Redes Neuronales Convolucionales (CNN) para identificar con precisión los objetos potenciales en el piso de producción, seguido de un rastreador basado en CNN para monitorear su ciclo de vida en cada estación de trabajo. Los metadatos extraídos se procesan a través del marco propuesto. Nuestro análisis de una instalación de fabricación del mundo real durante seis meses reveló que la estación de cuello de botella operaba con solo un 73.1% de productividad, cayendo a menos del 40% en ciertos días; además, el tiempo de procesamiento de cada artículo aumentó en un 53% durante ciertas semanas debido a escasez crítica de mano de obra y materiales. Estos hallazgos destacan oportunidades significativas para la optimización de procesos y mejoras en la eficiencia. El pipeline propuesto puede extenderse a otras instalaciones de producción donde se utiliza mano de obra manual para ensamblar piezas, y puede ser utilizado para analizar y gestionar la mano de obra y los materiales a lo largo del tiempo, así como para realizar auditorías y mejorar los rendimientos generales, transformando potencialmente la gestión de capacidad en entornos de fabricación inteligente.