Tesis doctorales DIEC - IEKS Doktoretza tesiak

Permanent URI for this collection

http://hdl.handle.net/2454/29504

Browse

Browsing Tesis doctorales DIEC - IEKS Doktoretza tesiak by Subject "Animal-origin fibers"

Now showing 1 - 1 of 1
  • Thumbnail Image
    PublicationOpen Access
    Desarrollo y validación de novedosos sistemas para el análisis de fibras textiles basados en inteligencia artificial: aportes tecnológicos para la evaluación de fibras textiles
    (2024) Quispe Bonilla, Max David; Serrano Arriezu, Luis Javier; Trigo Vilaseca, Jesús Daniel; Ingeniería Eléctrica, Electrónica y de Comunicación; Ingeniaritza Elektriko eta Elektronikoaren eta Komunikazio Ingeniaritzaren
    Las fibras de origen animal presentan características que determinan su calidad, precio y confortabilidad, siendo el diámetro y el tipo de medulación especialmente importantes. Considerándose las fibras meduladas un problema para la industria textil, ya que aumenta la sensación de picazón en la piel y la heterogeneidad de los tejidos, conllevando a una disminución de la calidad de la fibra, por lo que, disponer de instrumentos prácticos para identificarlas es muy esencial. Por otro lado, algunas fibras dependiendo de la especie de la que provienen, son considerablemente más económicas que otras. De ahí la existencia de productos falsificados, lo cual perjudica tanto a los productores legítimos como a los consumidores. La espectroscopía de infrarrojo por transformada de Fourier (FTIR) puede extraer una forma de onda característica de las fibras que posteriormente se puede utilizar para su clasificación. Sin embargo, la inspección visual de tales formas de onda es imprecisa. Paralelamente, la Inteligencia Artificial (IA) es un campo emergente que podría ser útil en esta área de estudio, ofreciendo nuevas posibilidades y avances significativos. Por ello, el primer objetivo de esta tesis fue desarrollar y validar un novedoso sistema automático (denominado S-Fiber Med) para la evaluación de la medulación y el diámetro de las fibras animales basado en inteligencia artificial, y el segundo objetivo, fue desarrollar y validar dos modelos de aprendizaje automático (machine learning), denominados, Redes Neuronales Profundas (DNN, del inglés Deep Neural Network ) y Máquina de Vectores de Soporte (SVM, del inglés Support Vector Machine), para clasificar espectros de fibras por especie. Para el primer objetivo, se evaluó la medulación de 88 muestras de fibras de alpaca, llama y mohair (41, 43 y 4 muestras, respectivamente). Además, se consideraron 269 muestras de alpacas para la media de diámetro de fibra (MDF) y los resultados se compararon con los métodos Portable Fiber Tester (PFT) y Optical Fibre Diameter Analyser (OFDA) (72 y 197 muestras, respectivamente). Para el segundo objetivo, se adquirió espectros de fibras utilizando un espectrómetro FTIR en modo de Reflectancia Total Atenuada (FTIR-ATR). Se evaluaron muestras de camélidos (alpaca: n = 51, llama: n = 50, vicuña: n = 50) y cabra (mohair: n = 35 y cachemira: n = 20), de las cuales se obtuvieron 1,236 espectros FTIR-ATR. Los resultados de nuestro primer objetivo indican que no hubo una diferencia significativa entre el porcentaje de medulación obtenido con el microscopio de proyección y el S-Fiber Med. El análisis de correlación de Pearson y Concordancia muestran una relación fuerte, alta y significativa (valor p < 0.001). Las MDF de las muestras de fibras de alpaca y llama obtenidos con los dos métodos son muy similares, ya que no se encontró una diferencia significativa para la Prueba t (valor p > 0.172), y tienen una relación fuerte, alta y significativa entre ellos, dado el alto valor de correlación de Pearson (r ≥ 0.96 con valor p < 0.001), alto coeficiente de Concordancia y factor de corrección de sesgo. Se encontraron resultados similares al comparar el PFT y el OFDA100 con el S-Fiber Med. Mientras que en los resultados de nuestro segundo objetivo se observaron algunas diferencias visuales entre los espectros de las diferentes especies. Al evaluar los modelos DNN y SVM se obtuvieron precisiones de 96.75% y 95.12%, respectivamente. Además, se obtuvo una precisión del 97.8% al evaluar los espectros FTIR-ATR de fibras de Camélidos Sudamericanos (CSA) con DNN, y 97.2% al evaluarlos con SVM. Se logró una precisión del 100% al evaluar los espectros FTIR-ATR de fibras de vicuña con ambos modelos. No se encontraron diferencias significativas (valor de p = 0.368) al comparar el número de aciertos frente al número total de fibras de alpaca, llama, vicuña, mohair y cachemira utilizando DNN. Según los resultados, parece ser que las DNN son más precisas que las SVM. En conclusión, se obtuvo un novedoso sistema que proporciona medidas de la medulación y la MDF de forma rápida (40 segundos/muestra), precisa, exacta y automática. Y por otro lado, las técnicas de espectrometría FTIR-ATR combinadas con modelos de aprendizaje automático son una alternativa confiable para la identificación de CSA y cabras a través del espectro de sus fibras.