Visão computacional é uma área da inteligência artificial que tem grande impacto em vários setores da sociedade. A capacidade da máquina de enxergar objetos de interesse em uma imagem e produzir uma resposta de classificação ou detecção de elementos é de suma importância no contexto de automação. As técnicas de visão computacional permitem, por meio de etapas de tratamento de imagem e do uso de classificadores, oferecer respostas a diversos problemas que se apresentam. O objetivo deste trabalho é analisar a capacidade de resposta de um classificador em específico, o K-nearest neighbors (KNN), para um problema de classificação de um grupo e analisar seu desempenho por meio de parâmetros de taxa de acerto e precisão. Primeiramente, foram criados quatro grupos de peças em um software de desenho em três dimensões (3D) e cortadas numa máquina de corte a laser, depois foram tiradas fotos de cada uma das peças individualmente. Posteriormente, fazendo uso das bibliotecas Open Source Computer Vision Library (OpenCV), pudemos realizar o processamento das imagens como mudança do padrão red-green-blue (RGB) para tons de cinza, binarização, correção de ruídos e obtenção de momentos invariantes; já utilizando a biblioteca Scikit-Learn, pudemos realizar o treinamento do classificador e os testes. Pôde-se concluir que o classificador, nos testes 1 e 2, foi capaz de classificar de forma adequada as classes das peças tendo recall e precisão acima de 65 e 80%, enquanto no teste 3 há um recall de 42% e precisão de 55%, mostrando que, com mais classes analisadas, o classificador diminui sua eficiência.