Identificación de defectos en textiles utilizando algoritmos de inteligencia artificial
Loading...
Date
2025-03-20
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
Timely and accurate detection of defects in textile products is crucial to ensure quality, reduce costs and meet consumer demands. However, traditional visual inspection methods have limitations in terms of consistency, scalability and objectivity. This research evaluated the potential of several unsupervised anomaly detection algorithms based on artificial intelligence techniques to improve textile defect identification. The performances of Isolation Forest, Local Outlier Factor (LOF), Elliptic Envelope, One-Class SVM, DBSCAN and K-Means were implemented and compared. The results showed that the Isolation Forest model stood out for obtaining the best values in accuracy, precision and F1-score, indicating its ability to detect defects with few false positives and negatives. On the other hand, LOF had the highest sensitivity, while DBSCAN presented a relatively high specificity. The implementation of these AI algorithms in textile production environments could automate and optimize inspection processes, reducing costs and improving product quality. This research contributes to the field of artificial intelligence applied to manufacturing, demonstrating the potential of anomaly detection models to address specific challenges in the textile industry.
Resumen
La detección oportuna y precisa de defectos en productos textiles es crucial para garantizar la calidad, reducir costos y satisfacer las demandas de los consumidores. Sin embargo, los métodos tradicionales de inspección visual presentan limitaciones en cuanto a consistencia, escalabilidad y objetividad. Esta investigación evaluó el potencial de varios algoritmos de detección de anomalías no supervisados basados en técnicas de inteligencia artificial para mejorar la identificación de defectos en textiles. Se implementaron y compararon los desempeños de Isolation Forest, Local Outlier Factor (LOF), Elliptic Envelope, One-Class SVM, DBSCAN y K-Means. Los resultados mostraron que el modelo de Isolation Forest se destacó por obtener los mejores valores en accuracy, precisión y F1-score, indicando su capacidad para detectar defectos con pocos falsos positivos y negativos. Por otro lado, LOF tuvo la mayor sensibilidad, mientras que DBSCAN presentó una especificidad relativamente alta. La implementación de estos algoritmos de IA en entornos de producción textil podría automatizar y optimizar los procesos de inspección, reduciendo costos y mejorando la calidad de los productos. Esta investigación contribuye al campo de la inteligencia artificial aplicada a la manufactura, demostrando el potencial de los modelos de detección de anomalías para abordar desafíos específicos de la industria textil.
Keywords
Ingeniería Industrial, Anomalías, Inteligencia artificial
Citation
Código de tesis
TN; 592
Código de tesis
Grado Académico
Ingeniero Industrial