2026-05-12T02:02:31Zhttps://riubu.ubu.es/oai/requestoai:riubu.ubu.es:10259/115932026-05-11T07:10:39Zcom_10259_2699col_10259_2713
Urda Muñoz, Daniel
Arroyo Puente, Ángel
Gil Arroyo, Beatriz
Universidad de Burgos. Departamento de Digitalización
2026-05-08T08:08:38Z
2026-05-08T08:08:38Z
2025
2026-03-13
https://hdl.handle.net/10259/11593
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.
This doctoral thesis, developed within the research group GICAP at the UBU,
focuses on the application of IA techniques, specifically DL, for quality control in the
textile industry, with a particular emphasis on the automated detection of defects in
Batavia and Sarga fabrics. This work is framed within the research line promoted
by the European project DECENT, in which Inade (Textile Research, Advice and
Development), UBU, and DIH-LEAF participate, under the second DIH-WORLD call
of the Horizon 2020 program. This project promoted the research line and provided
the necessary resources for dataset development, experimentation, and computer vision
modeling.
The general objective of this thesis is to develop, analyze, and evaluate the application
of DL techniques for the automated detection of defects in fabrics, providing
a more objective and consistent system than manual inspection, which can serve as a
basis for future industrial applications.
The methodology was designed to ensure realistic and robust results were obtained.
The study began with the acquisition of 2,755 Batavia fabric images and 1,548 Sarga
fabric images, both in grayscale (2048 × 696 pixels), captured under real production
conditions. After preprocessing (conversion from 16 to 8 bits and segmentation into
over 47,000 patches), two modeling strategies were applied:
Pure CNN Strategy: Evaluation of various CNN architectures, including VGG
(VGG16 and VGG19), Inception (InceptionV3), ResNet (ResNet50V2 and ResNet101),
Xception, DenseNet (DenseNet121), and EfficientNet (B0 and B3) to identify the best
performance for each type of fabric.
Hybrid Autoencoder (AE) + CNN Strategy: Two-stage methodological proposal: in
the first phase, an unsupervised AE identified potentially anomalous images, facilitating
expert labeling and optimizing dataset efficiency. In the second phase, the CNN models
were trained with the entire dataset, although the results were reported on a subset of
anomalous images, showing remarkable performance in defect detection.
The results, presented across the three publications that comprise the thesis compendium,
validate the proposed hypothesis: the use of DL techniques is feasible and
outperforms manual inspection, providing a more objective, repeatable, and scalable
system. The first article describes the creation and publication of a curated dataset,
establishing an open benchmark. The second analyzes the effectiveness of different
CNN architectures for automated defect detection. The third focuses on the hybrid AE
+ CNN methodology, achieving AU-ROC metrics of up to 0.97 on the Sarga 43105 reference, demonstrating the robustness of the approach even for complex samples.
Overall, this study promotes knowledge transfer to the industrial sector and lays
the foundation for the implementation of more objective, fast, and automated quality
control systems, thus contributing to the advancement of the textile industry towards
Industry 4.0 standards.
Doctorado en Ingeniería y Tecnologías Industrial, Informática y Civil
application/pdf
spa
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
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
Industria textil
Machine learning
Textile industry
1203.04 Inteligencia Artificial
1203.06 Sistemas Automatizados de Control de Calidad
Visión inteligente para la detección de defectos en la industria textil
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion