La detección e identificación precisa de estados de colisión en entornos de robots industriales es una tarea crítica y desafiante. Los métodos basados en aprendizaje profundo se han aplicado ampliamente a la detección de colisiones; sin embargo, estos métodos dependen principalmente de modelos dinámicos y configuraciones de umbrales dinámicos, que están sujetos a errores de modelado y latencia en el ajuste de umbrales. Para abordar este problema, proponemos MomentumNet-CD, un nuevo método de detección de colisiones para robots industriales que aprovecha las redes neuronales de retropropagación (BP). MomentumNet-CD extrae características del estado de colisión a través de un observador de momento y construye un modelo de observación utilizando la distancia de Mahalanobis. Estas características son luego procesadas por una red neuronal BP de tres capas optimizada para una identificación precisa de colisiones. La red se entrena utilizando un algoritmo modificado de Levenberg-Marquardt al introducir términos de regularización y salidas de probabilidad continua. Además, desarrollamos un sistema de adquisición integral basado en la tarjeta de adquisición de datos Q8-USB y el entorno de control en tiempo real QUARC 2.7. El sistema integra componentes de hardware clave, incluyendo un controlador servo MR-J2S-70A, un sensor de fuerza/torque (F/T) de seis dimensiones ATI, y un transmisor de aislamiento ISO-U2-P1-F8, y el módulo de software correspondiente se desarrolla a través de MATLAB/Simulink R2022b, lo que logra la adquisición en tiempo real de alta frecuencia de estados críticos de las articulaciones del robot. Los resultados experimentales muestran que el método MomentumNet-CD logra una precisión general del 93.65% bajo cinco condiciones de velocidad diferentes, y la demora de detección es de solo 12.16 ms. En comparación con los métodos existentes, el método muestra ventajas obvias en términos de precisión y velocidad de respuesta en la detección de colisiones.