RT info:eu-repo/semantics/doctoralThesis
T1 Visión inteligente para la detección de defectos en la industria textil
A1 Gil Arroyo, Beatriz
A2 Universidad de Burgos. Departamento de Digitalización
K1 Visión inteligente
K1 Detección de defectos
K1 Industria textil
K1 Industria 4.0
K1 Redes neuronales convolucionales
K1 Autoencoder
K1 Control de calidad
K1 Intelligent vision
K1 Defect detection
K1 Textile industry
K1 Convolutional neural networks
K1 Quality control
K1 Industry 4.0
K1 Aprendizaje automático
K1 Industria textil
K1 Machine learning
K1 Textile industry
K1 1203.04 Inteligencia Artificial
K1 1203.06 Sistemas Automatizados de Control de Calidad
AB La presente tesis doctoral, desarrollada en el marco del grupo de investigación Grupode Inteligencia Computacional APlicada (GICAP) de la Universidad de Burgos(UBU), se centra en la aplicación de técnicas de Inteligencia Artificial (IA), concretamenteDeep Learning (DL), al control de calidad en la industria textil, con especialatención a la detección automática de defectos en tejidos Batavia y Sarga. Este trabajose enmarca en la línea de investigación impulsada por el proyecto europeo Deep lEarningfor automatiC tExtile iNspecTion (DECENT), en el que participan InvestigaciónAsesoramiento y Desarrollo Textil (Inade), la UBU y el Digital Innovation Hub onLivestock, Environment, Agriculture & Forest (DIH-LEAF) dentro de la segunda convocatoriaDIH-WORLD del programa Horizon 2020. Dicho proyecto impulsó la líneade investigación y proporcionó los recursos necesarios para el desarrollo del dataset, laexperimentación y el modelado de la visión artificial.El objetivo general de esta tesis es desarrollar, analizar y evaluar la aplicaciónde técnicas de DL para la detección automatizada de defectos en tejidos,proporcionando un sistema más objetivo y consistente que la inspección manual, quesirva como base para futuras aplicaciones industriales.La metodología se diseñó para garantizar resultados realistas y robustos. Se comenzócon la adquisición de 2.755 imágenes de tejido Batavia y 1.548 de tejido Sarga, ambosen 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 47.000patches), se aplicaron dos estrategias de modelado:1. Estrategia Convolutional Neural Network (CNN) Pura: Evaluación dediversas arquitecturas CNN, incluyendo Visual Geometry Group (VGG) (VGG16y VGG19), Inception (InceptionV3), Residual Network (ResNet) (ResNet50V2 yResNet101), Extreme Inception (Xception), Densely Connected ConvolutionalNetwork (DenseNet) (DenseNet121) y EfficientNet (B0 y B3) para identificar elmejor desempeño por cada tipo de tejido.2. Estrategia Híbrida Autoencoder (AE) + CNN: Propuesta metodológicaen dos etapas: en la primera fase, un AE no supervisado identificó imágenespotencialmente anómalas, facilitando la labor de etiquetado de los expertos yoptimizando la eficiencia del dataset. En la segunda fase, los modelos CNN seentrenaron con todo el dataset, aunque los resultados se presentan sobre el subconjuntode imágenes anómalas, mostrando un desempeño notable en la detección de defectos.Los resultados, presentados en las tres publicaciones que conforman el compendiode la tesis doctoral, validan la hipótesis planteada: el uso de técnicas de DL es viabley supera a la inspección manual, proporcionando un sistema más objetivo, repetibley escalable. El primer artículo describe la creación y publicación del dataset curado,constituyendo un benchmark abierto. El segundo analiza la eficacia de distintas arquitecturasCNN en la detección automática de defectos. El tercero profundiza en lametodología híbrida AE + CNN, alcanzando métricas Area Under the Receiver OperatingCharacteristic Curve (AU-ROC) de hasta 0,97 en la referencia Sarga 43105, loque evidencia la robustez del enfoque incluso en muestras complejas.En conjunto, este trabajo impulsa la transferencia de conocimiento al sectorindustrial y sienta las bases para la implantación de sistemas de control de calidad másobjetivos, rápidos y automatizados, contribuyendo así al avance de la industria textilhacia los estándares de la Industria 4.0.
YR 2025
FD 2025
LK https://hdl.handle.net/10259/11593
UL https://hdl.handle.net/10259/11593
LA spa
DS Repositorio Institucional de la Universidad de Burgos
RD 11-may-2026