REVISTA DE INGENIERIA DYNA

Palabras clave:

Defect detection, Textile, Industry 4.0, Deep Learning, Convolutional neural networks, Image analysis, Autoencoder, data augmentation, stratified cross-validation, AU-ROC, AU-PR.

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

La detección automatizada de defectos en los tejidos es un reto clave en el control de calidad dentro de la industria textil. Este estudio propone una metodología basada en el deep learning para identificar defectos en los tejidos Batavia y Sarga. En la primera etapa, se utilizó un autoencoder para filtrar imágenes anómalas, lo que permitió crear un conjunto de datos con suficientes casos defectuosos, que de otro modo serían difíciles de obtener en la producción textil. Posteriormente, se entrenaron redes neuronales convolucionales (DenseNet121, EfficientNetB0/B3, Xception y VGG) utilizando técnicas de aumento de datos y validación cruzada estratificada. Para los tejidos Batavia, DenseNet121 alcanzó AU-ROC de 0,88 y AU-PR de 0,93, lo que demuestra una alta capacidad de detección. Para los tejidos Sarga, se consideraron tres referencias diferentes (42402, 45433 y 43105), que mostraron un rendimiento más variable entre los modelos y los conjuntos de datos. No obstante, modelos como ResNet101 y Xception lograron resultados competitivos. Los resultados indican que la combinación de autoencoder y CNN facilita la generación de conjuntos de datos equilibrados y permite una detección de defectos consistente, aunque el rendimiento depende del tipo de tejido y de la referencia específica, lo que sugiere que la selección del modelo debe adaptarse a las características de cada caso. Palabras clave: Detección de defectos, Textil, Industria 4.0, Deep Learning, Redes neuronales convolucionales, Análisis de imágenes, Autoencoder.