© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
IDENTIFICACIÓN DE ERRORES EN ROPA USANDO IA
RECOGNITION OF ERRORS IN CLOTHES USING IA
C. Leonardo Iván Guzmán Zamudio1,
C. Daniel García Paniagua2,
C. Cesar Domínguez Mosqueda3,
M.C Jeziel Vázquez Nava4,
Dr. José Eli Eduardo González Durán 5
RESUMEN
La industria textil como cualquier otra industria no está exenta de fallas, una de las fallas en la confección
de prendas surge en el patrón de la misma, error en el color entre otros, la mayoría de las empresas
actualmente dependen de personal para detectar estos errores y retirar la prenda para su manejo, por lo
que en este trabajo se presenta el uso de la inteligencia artificial para la detección de errores en las
prendas por medio de la biblioteca de aprendizaje automático Tensorflow desarrollado por la compañía
Google, LLC con la cual por medio de una cámara y una Raspberry Pi logrando detectar defectos en
prendas textiles, entrenando una red neuronal para ciertos tipos de defectos, además gracias a la
portabilidad que ofrece la Raspberry Pi el prototipo se puede incluir dentro de algún proceso de
confección textil y así poder ayudar a identificar en etapas tempranas lo defectos.
ABSTRACT
Like any other industry, the textile industry is not exempt from failures. For example, one of the failures
in the manufacture of garments arises in its pattern and error in color; among others, most companies
currently depend on personnel to detect these errors and remove the garment for handling, so in this
work, the use of artificial intelligence is proposed for the detection of errors in garments through the
Tensor Flow machine learning library developed by the company Google, LLC, with which using a
camera and a Raspberry Pi it is possible to detect defects in fabric and textile garments, also thanks to
the portability offered by the Raspberry Pi the prototype can be included within some textile
manufacturing process and thus be able to help identify in early stages flaws it.
Palabras clave: Tensorflow, Inteligencia Artificial, Raspberry Pi
Key words: Tensorflow, Artificial Intelligence, Raspberry Pi.
INTRODUCCIÓN
La región sur del bajío del estado de Guanajuato alberga a los municipios de Moroleón y Uriangato,
los cuales se caracterizan por ser una de las zonas textiles más importantes del país. Muchas pequeñas
y medianas empresas del giro textil (fábricas de tejido, maquilas de ropa, fábricas de suéter, etc.) se
encuentran ubicadas en la zona generando año tras año una gran atracción de ingresos económicos
provenientes de todo el país para el estado de Guanajuato.
La ropa fabricada por esta zona suele caracterizarse por la relación entre precio y calidad. Este último
aspecto es uno de los pilares del producto y un aspecto a cuidar para los fabricantes, pues se traduce
en la imagen y como es percibida una marca antes el público objetivo. Sacar al mercado una prenda
1
C. Leonardo Iván Guzmán Zamudio es estudiante de la carrera de Ingeniería en Sistemas Computacionales del TecNM
en el sur de Guanajuato s18120189@alumnos.itsur.edu.mx
2
C. Daniel García Paniagua es estudiante de la carrera de Ingeniería en Sistemas Computacionales del TecNM en el sur
de Guanajuato s18120171@alumnos.itsur.edu.mx
3
C. Cesar Domínguez Mosqueda es estudiante de la carrera de Ingeniería en Sistemas Computacionales del TecNM en el
sur de Guanajuato s18120169@alumnos.itsur.edu.mx
4
M.C. Jeziel Vázquez Nava es profesor-investigador de la carrera de Ingeniería en Sistemas Computacionales del TecNM
en el sur de Guanajuato j.vazquez@itsur.edu.mx
5
Dr. José Eli Eduardo González Durán es coordinador de la carrera de Ingeniería electrónica del TecNM en el sur de
Guanajuato electronica@itsur.edu.mx
21
© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
con severos defectos en la calidad, implicaría pérdidas económicas que ninguna empresa, fabrica o
taller puede permitirse.
Dentro del proceso de confección textil muchas fábricas, empresas o talleres incluyen dentro de lo
que hacen un control de calidad, designando a empleados a revisar minuciosamente sus productos.
Pero como en todo proceso humano se pueden cometer errores y en este caso se puede pasar por alto
algún defecto. Es por ello por lo que se recurre a la tecnología, en este caso específico a la rama de la
inteligencia artificial y el aprendizaje automático para que de esta manera se puedan identificar los
defectos en los textiles reduciendo en su mayoría el margen de error, esperando que este sea
prácticamente nulo garantizando la detección de los errores en momentos claves y que implicarían el
salvaguardar las inversiones de las empresas, fábricas o talleres textiles de la región.
Con el desarrollo de la inteligencia artificial se han desarrollado varias aplicaciones, entre estas
aplicaciones destacan aquellas donde se utilizan para clasificación de imágenes y reconocimiento de
personas, objetos así como la voz, estos desarrollos han tenido un gran éxito en áreas como seguridad,
entretenimiento personal, uno de los ejemplos que evidencia el uso de esta tecnología es la red social
Facebook, esta red puede distinguir un rostro con un 98% de precisión tan solo un par de imágenes
etiquetadas dentro del perfil del usuario. Una de las metodologías que prevalecen para esta tecnología
es el aprendizaje profundo el cual está dentro de la inteligencia artificial.
En [1] presentan un caso de estudio para la clasificación de imágenes basado en el aprendizaje
profundo utilizando la librería Tensorflow para reconocer cierto tipo de flores como rosas, margaritas
y diente de león. En [2] presentan otro estudio para clasificar flores, pero además de las mencionadas
en (1) agregan tulipanes y girasoles teniendo como resultado una clasificación con alrededor de
99.626 % de margaritas. En [3] utilizan la tecnología de Tensorflow para reconocer que tan liso es el
camino para los vehículos. En [4] proponen el uso de la inteligencia artificial para la clasificación de
ropa en categorías como pantalón, camisa, falda entre otros.
En este trabajo se entrenó una red neuronal con imágenes de prendas con errores y sin errores para
poder identificar cuando una prenda presente algunos de los errores para los cuales fue entrenada y
así poder separarla de las prendas que no presentan estos defectos, utilizando la librería Tensorflow,
el entrenamiento se llevó a cabo con cientos de imágenes y se implementó en una tarjeta Raspberry
Pi 4 con una cámara, teniendo resultados experimentales.
METODOLOGÍA
En Figura 6 se muestra el procedimiento utilizado para la clasificación y detección de errores en
prendas, primero se necesita la instalación de paquetes para el entrenamiento y clasificación de la red
neuronal, estos incluyen la librería Tensorflow como la fuente de software abierto y python como
lenguaje de programación, así como el software labelimg para etiquetar las imágenes, después se
procedió a la colección y digitalización de imágenes con defectos encontrados en las prendas de ropa
mediante el fotografiado de las zonas afectadas, las prendas fueron proporcionadas por un fabricante
local del municipio.
Para crear la inteligencia artificial competente en la detección de defectos en las prendas de ropa, se
entrenó un modelo de base de datos para hacer esto se tuvo que realizar un “etiquetado” de los
defectos digitalizados.
22
© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
Figura 6 Diagrama de bloques usado para la clasificación de imágenes.
Para el entrenamiento de la red neuronal se utilizaron 200 imágenes, todas de la misma resolución y
con la misma extensión jpeg, es importante mencionar que mientras mejor es la calidad de la imagen
más tiempo tarda el entrenamiento de la red, y se deben de disponer de al menos 100 imágenes para
poder llevar el entrenamiento.
En la clasificación de las imágenes se entrenó la red para que detectara errores en el patrón del cuello
(desgaste) y perforaciones en la tela, en la Tabla 1, se muestra el número de imágenes de acuerdo a
los errores entrenados.
Tabla 1. Imágenes utilizadas para el entrenamiento de la red neuronal
Tipo de error
Numero de imágenes
Desgaste en Cuello
100
Perforaciones en la tela
100
TOTAL DE IMÁGENES UTILIZADAS
200
En la Figura 7 se muestra el proceso de entrenamiento de la red neuronal, la cual consta de múltiples
capas ocultas. Las entradas fueron imágenes de la misma resolución. El proceso de convolución es
configurado con MobileNet el cual produce una red neuronal convolucional eficiente. La red neuronal
se entrena hasta que reconoce las imágenes etiquetadas, en este trabajo fueron 200 imágenes y se
categorizaron dentro de dos categorías.
Figura 7 Red neuronal de detección de imágenes.
RESULTADOS
Después de haber entrenado la red neuronal se procedió a realizar pruebas con diferentes prendas para
saber si se logró identificar de manera adecuada el tipo de error en tiempo real, en la Figura 8 se
muestra una prueba sobre una prenda con rotura, la cual se detectó de forma correcta y como se puede
observar en la imagen se enmarca el error y este se encuentra etiquetado.
23
© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
Figura 8 Error de perforación de tela detectado y etiquetado
Se realizó una prueba con una playera en un usuario con varios defectos de perforación en la tela,
como se muestra en la Figura 9, se detectaron varios errores y se etiquetaron de forma correcta.
Figura 9 Varios errores de perforación en prenda con usuario.
También se realizó una prueba con una prenda de color blanco, debido a que el color y la tonalidad
puede afectar la detección, en esta prueba se detectó el defecto de perforación y se etiqueto como se
muestra en la Figura 10.
Figura 10 Error de perforación en prenda de color blanco
24
© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
Finalmente se realizó una prueba para la detección de desgaste en cuello como se muestra en la Figura
11, se reconoció de forma correcta y se clasifico.
Figura 11 Error de desgaste en cuello
Cabe mencionar que para la detección de los errores las prendas deben estar sujetas a una buena
iluminación ya que puede generar detecciones en falso y las prendas deben estar quietas por lo menos
unos dos segundos para realizar de forma correcta el etiquetado. Además de las imágenes mostradas
se hicieron pruebas con más prendas, teniendo como resultados los mostrados en la Tabla 2.
Tabla 2 Porcentaje de detección de errores
Tipo de error
Numero de imagenes
% de Aciertos
Desgaste en Cuello
50
90%
Perforaciones en la tela
50
94%
Los errores van desde el detectar agujeros en el tejido de la prenda, manchas, despuntes o deshilado
de la puntada en el tejido y defectos en la parte del cuello de las prendas superiores. Por el momento,
fueron estos los errores principales que se tomaron a consideración, esto gracias a las muestras
proporcionadas, el proyecto actualmente sigue en desarrollo en donde se pretende estandarizar una
metodología de pruebas para las prendas con condiciones controladas para tener datos de precisión
más confiables.
CONCLUSIONES
De acuerdo con los resultados presentados, podemos concluir que la red neuronal funciona de manera
correcta, pero la detección de errores utilizando la cámara de la Raspberry pi 4, necesita ciertas
consideraciones tales como una buena iluminación y para la detección de errores y el entrenamiento
se necesita una gran cantidad de imágenes por lo que es difícil para una empresa textil genere el
entrenamiento debido a que se necesita una gran base de datos con imágenes de estas prendas por lo
que lleva un gran esfuerzo y tiempo para su obtención y con el cambio de diseño por cada temporada
es difícil encontrar la cantidad de imágenes necesarias para un entrenamiento específico para cada
error por lo que actualmente se está trabajando en una estandarización de pruebas para detección de
errores en prendas, gracias al avance de la tecnología es que actualmente ya se pueden procesar de
forma rápida imágenes y poder categorizar lo que permite que se utilice en una gran diversidad de
aplicaciones con fuentes libres.
25
© FEGLININ, No 23
Volumen 3.3
Diciembre 2022, Uriangato, Guanajuato.
ISSN 2594-2298
REFERENCIAS BIBLIOGRÁFICAS
[1] J. D. Kothari, «A Case Study of Image Classification Based on Deep Learning Using
Tensorflow.,» International Journal of Innovative Research in Computer and Communication
Engineering, p. 6, 2021.
[2] M. A. Abu, A. H. Abd Rahman, N. H. Indra y I. Ahmad, «A study on Image Classification based
on Deep Learning and Tensorflow,» International Journal of Engineering Research and
Technology, vol. 12, nº 4, pp. 563-569, 2019.
[3] O. A. Doud, O. Albatayneh, L. Forslof y K. Ksaibati, «Validating the practicality of utilising an
image classifier developed using TensorFlow framework in collecting corrugation data from
gravel roads.,» International Journal of Pavement engineering, p. 12, 2021.
[4] L. Han, Z. Haihong, Y. Erxin, B. Yuming y L. Huiying, «A Clothes Classification Method Based
on the gcForest,» IEEE International Conference on Image, Vision and Computing, pp. 429-432,
2018.
26