Visión inteligente para la detección de defectos en la industria textil
La presente tesis doctoral, desarrollada en el marco del grupo de investigación Grupo de Inteligencia Computacional APlicada (GICAP) de la Universidad de Burgos (UBU), se centra en la aplicación de técnicas de Inteligencia Artificial (IA), concretamente Deep Learning (DL), al control de calidad en l...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad de Burgos (UBU) |
| Repositorio: | Repositorio Institucional de la Universidad de Burgos (RIUBU) |
| OAI Identifier: | oai:dnet:riubu_______::57ce62739da2952721efc8047596f05b |
| Acceso en línea: | https://hdl.handle.net/10259/11593 |
| Access Level: | acceso abierto |
| Palabra clave: | Visión inteligente Detección de defectos Industria textil Industria 4.0 Redes neuronales convolucionales Control de calidad Autoencoder Intelligent vision Defect detection Textile industry Convolutional neural networks Quality control Industry 4.0 Aprendizaje automático Machine learning 1203.04 Inteligencia Artificial 1203.06 Sistemas Automatizados de Control de Calidad |
| Sumario: | La presente tesis doctoral, desarrollada en el marco del grupo de investigación Grupo de Inteligencia Computacional APlicada (GICAP) de la Universidad de Burgos (UBU), se centra en la aplicación de técnicas de Inteligencia Artificial (IA), concretamente Deep Learning (DL), al control de calidad en la industria textil, con especial atención a la detección automática de defectos en tejidos Batavia y Sarga. Este trabajo se enmarca en la línea de investigación impulsada por el proyecto europeo Deep lEarning for automatiC tExtile iNspecTion (DECENT), en el que participan Investigación Asesoramiento y Desarrollo Textil (Inade), la UBU y el Digital Innovation Hub on Livestock, Environment, Agriculture & Forest (DIH-LEAF) dentro de la segunda convocatoria DIH-WORLD del programa Horizon 2020. Dicho proyecto impulsó la línea de investigación y proporcionó los recursos necesarios para el desarrollo del dataset, la experimentación y el modelado de la visión artificial. El objetivo general de esta tesis es desarrollar, analizar y evaluar la aplicación de técnicas de DL para la detección automatizada de defectos en tejidos, proporcionando un sistema más objetivo y consistente que la inspección manual, que sirva como base para futuras aplicaciones industriales. La metodología se diseñó para garantizar resultados realistas y robustos. Se comenzó con la adquisición de 2.755 imágenes de tejido Batavia y 1.548 de tejido Sarga, ambos en escala de grises (2048 x 696 píxeles), capturadas en condiciones reales de producción. Tras el preprocesamiento (conversión de 16 a 8 bits y segmentación en más de 47.000 patches), se aplicaron dos estrategias de modelado: 1. Estrategia Convolutional Neural Network (CNN) Pura: Evaluación de diversas arquitecturas CNN, incluyendo Visual Geometry Group (VGG) (VGG16 y VGG19), Inception (InceptionV3), Residual Network (ResNet) (ResNet50V2 y ResNet101), Extreme Inception (Xception), Densely Connected Convolutional Network (DenseNet) (DenseNet121) y EfficientNet (B0 y B3) para identificar el mejor desempeño por cada tipo de tejido. 2. Estrategia Híbrida Autoencoder (AE) + CNN: Propuesta metodológica en dos etapas: en la primera fase, un AE no supervisado identificó imágenes potencialmente anómalas, facilitando la labor de etiquetado de los expertos y optimizando la eficiencia del dataset. En la segunda fase, los modelos CNN se entrenaron con todo el dataset, aunque los resultados se presentan sobre el subconjunto de imágenes anómalas, mostrando un desempeño notable en la detección de defectos. Los resultados, presentados en las tres publicaciones que conforman el compendio de la tesis doctoral, validan la hipótesis planteada: el uso de técnicas de DL es viable y supera a la inspección manual, proporcionando un sistema más objetivo, repetible y escalable. El primer artículo describe la creación y publicación del dataset curado, constituyendo un benchmark abierto. El segundo analiza la eficacia de distintas arquitecturas CNN en la detección automática de defectos. El tercero profundiza en la metodología híbrida AE + CNN, alcanzando métricas Area Under the Receiver Operating Characteristic Curve (AU-ROC) de hasta 0,97 en la referencia Sarga 43105, lo que evidencia la robustez del enfoque incluso en muestras complejas. En conjunto, este trabajo impulsa la transferencia de conocimiento al sector industrial y sienta las bases para la implantación de sistemas de control de calidad más objetivos, rápidos y automatizados, contribuyendo así al avance de la industria textil hacia los estándares de la Industria 4.0. |
|---|