Visión inteligente para la detección de defectos en la industria textil

Abstract

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.