Deep learning para el control de calidad en tejidos

• Beatriz Gil-Arroyo ^[1] ; Marco Melgarejo ^[2] ; Abraham Casas ^[2] ; Alejandro López ^[2] ; Juan Marcos Sanz ^[3] ; Daniel Urda ^[1]
  1. [1] Universidad de Burgos

     Universidad de Burgos

     Burgos, España

     
  2. [2] Centro Tecnológico de Componentes-CTC, Parque Científico y Tecnológico de Cantabria (PCTCAN), Santander, España
  3. [3] Textil Santanderina. Cabezón de la Sal, España

  Mostrar afiliaciones +
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 100, Nº 6 (Noviembre - Diciembre 2025), 2025, págs. 545-551
• Idioma: español
• DOI: 10.52152/D11517
• Títulos paralelos:
  • Deep learning for quality control in woven fabrics
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    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

  • English

    Automated defect detection in fabrics is a key challenge in quality control within the textile industry. This study proposes a deep learning-based methodology to identify defects in Batavia and Sarga fabrics. In the first stage, an autoencoder was used to filter anomalous images, enabling the creation of a dataset with sufficient defective cases, which are otherwise difficult to obtain in textile production.

    Subsequently, convolutional neural networks (DenseNet121, EfficientNetB0/B3, Xception, and VGG) were trained using data augmentation techniques and stratified cross-validation. For Batavia fabrics, DenseNet121 achieved an AU-ROC of 0.88 and an AU-PR of 0.93, demonstrating high detection capability. For Sarga fabrics, three different references (42402, 45433, and 43105) were considered, showing more variable performance across models and datasets. Nonetheless, models such as ResNet101 and Xception achieved competitive results. The results indicate that the combination of an autoencoder and CNN facilitates the generation of balanced datasets and enables consistent defect detection, although performance depends on the type of fabric and the specific reference, suggesting that model selection should be adapted to the characteristics of each case.