Identificación de fibra textil natural mediante visión computacional y técnicas avanzadas de aprendizaje profundo

Abstract

La crianza de camélidos en las regiones altoandinas de Perú es una actividad agropecuaria esencial. La alpaca, en particular, representa la principal fuente de ingresos para estas comunidades mayormente empobrecidas. En la actualidad, el comercio de productos textiles artesanales sustenta a cerca de 90,000 alpaqueros y 36,000 artesanos textiles. Sin embargo, la presencia de competencia desleal, que se ve fortalecida por las dificultades para garantizar la autenticidad de los productos textiles, genera desconfianza en los consumidores afectando negativamente a estos sectores económicos. Además, la identificación de fibras textiles, un proceso lento y costoso que garantiza la autenticidad del producto, requiere profesionales altamente cualificados. Esta situación dificulta a los productores textiles honestos garantizar estándares de valor y calidad de sus productos. Esta investigación desarrolla un modelo predictivo para facilitar la identificación de fibras en productos textiles utilizando imágenes microscópicas. Este modelo es un componente de un dispositivo llamado Fibroscopio, que permitirá capturar imágenes microscópicas y realizar predicciones en tiempo real sin necesidad de personal altamente cualificado. La investigación comienza con el diseño de un protocolo de captura de imágenes, seguido de la construcción de un conjunto de imágenes basado en dicho protocolo. Las muestras textiles son proporcionadas por instituciones especializadas del sector textil. Posteriormente, se selecciona el mejor modelo predictivo entre las arquitecturas CNN existentes. Este avance permitirá a los empresarios y artesanos textiles mejorar la confianza de los consumidores, democratizar la venta de productos textiles y aumentar los ingresos de uno de los sectores productivos con menores ingresos.

The raising of camelids in the high Andean regions of Peru is an essential agricultural activity. The alpaca represents the main source of income for these largely impoverished communities. Currently, the trade of artisanal textile products supports about 90,000 alpaca herders and 36,000 textile artisans. However, the presence of unfair competition, which is strengthened by the difficulties in guaranteeing the authenticity of textile products, generates distrust among consumers, negatively affecting these economic sectors. In addition, the identification of textile fibers, a slow and costly process that guarantees the authenticity of the product, requires highly qualified professionals. This situation makes it difficult for honest textile producers to guarantee standards of value and quality for their products. This research develops a predictive model to facilitate the identification of fibers in textile products using microscopic images. This model is a component of a device called Fibroscope, which will allow the capture of microscopic images and make real-time predictions without the need for highly qualified personnel. The research begins with the design of an image capture protocol, followed by the construction of an image set based on this protocol. Textile samples are provided by specialized institutions in the textile sector. Subsequently, the best predictive model is selected among the existing CNN architectures. This advancement will allow entrepreneurs and textile artisans to improve consumer confidence, democratize the sale of textile products, and increase the income of one of the productive sectors with lower incomes.