Desarrollo y validación de novedosos sistemas para el análisis de fibras textiles basados en inteligencia artificial: aportes tecnológicos para la evaluación de fibras textiles

Simple item page
dc.contributor.advisorSerrano Arriezu, Luis Javier
dc.contributor.advisorTrigo Vilaseca, Jesús Daniel
dc.contributor.authorQuispe Bonilla, Max David
dc.contributor.departmentIngeniería Eléctrica, Electrónica y de Comunicaciónes_ES
dc.contributor.departmentIngeniaritza Elektriko eta Elektronikoaren eta Komunikazio Ingeniaritzareneu
dc.date.accessioned2024-10-22T08:40:07Z
dc.date.available2024-10-22T08:40:07Z
dc.date.issued2024
dc.date.submitted2024-10-17
dc.description.abstractLas 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.es_ES
dc.description.abstractAnimal-origin fibers exhibit characteristics that determine their quality, price, and comfort, with diameter and medullation type being particularly important. Medullated fibers are considered problematic for the textile industry as they increase the sensation of itchiness on the skin and the heterogeneity of fabrics, leading to a decrease in fiber quality. Thus, having practical instruments to identify them is very essential. On the other hand, some fibers, depending on the species they come from, are considerably cheaper than others. Hence the existence of counterfeit products, which are detrimental to legitimate producers and consumers alike. Fourier-Transform Infrared (FTIR) spectroscopy can extract a characteristic waveform from fibers than can be later used for classification. However, visually inspecting such waveforms is imprecise. In parallel, Artificial Intelligence is an emerging field that could be useful in this area, offering new possibilities and significant advances. Therefore, the first aim of this thesis was to develop and validate a novel automatic system (referred to as S-Fiber Med) for medullation and diameter assessment of animal fibers based on artificial intelligence. The second objective was to develop and validate two machine learning models, namely, Deep Neural Networks (DNN) and Support Vector Machine (SVM) to classify spectra of fibers by species. For the first objective, the medullation of 88 samples of alpaca, llama and mohair fibers (41, 43 and 4, respectively) was evaluated. Additionally, 269 samples of alpacas were considered for average fiber diameter (AFD) and the results were compared with the Portable Fiber Tester (PFT) and Optical Fibre Diameter Analyser (OFDA) methods (72 and 197 samples, respectively). For the second objective, fiber spectra were acquired using an FTIR spectrometer in Attenuated Total Reflectance (ATR) mode (FTIR-ATR). Camelid (alpaca: n = 51, llama: n=50, vicuña: n = 50) and goat (mohair: n = 35 and cashmere: n = 20) samples were evaluated, from which 1,236 FTIR-ATR spectra were obtained. Results of our first objective indicate that there was no significant difference between medullation percentage obtained with the projection microscope and the S-Fiber Med. The Pearson and Concordance correlation analysis shows a strong, high and significant relationship (p-value < 0.001). The AFDs of alpaca and llama fiber samples obtained with the two methods are very similar, because no significant difference was found at the t-test (p-value>0.172), and they have a strong, high and significant relationship between them, given the high Pearson correlation value (r ≥ 0.96 with p-value <0.001), high Concordance coefficient and bias correction factor. Similar results were found when PFT and OFDA100 were compared with S-Fiber Med. While in the results of our second objective, some visual differences were observed between the spectra of the different species. Accuracies up to 96.75% and 95.12% were obtained when evaluating the DNN and SVM models. Furthermore, an accuracy of 97.8% was obtained when evaluating the FTIR-ATR spectra of South American Camelids (SAC) fibers with DNN, and 97.2% when evaluating them with SVM. A 100% accuracy was obtained when evaluating the FTIR-ATR spectra of vicuña fibers with both models. No significant differences were found (p-value=0.368) by comparing the number of hits against the total number of alpaca, llama, vicuña, mohair and cashmere fibers using DNN. As per the results, it seems that DNN is more accurate than SVM. In conclusion, a novel system was developed that provides rapid (40 seconds/sample), precise, accurate, and automatic measurements of medullation and AFD. Additionally, FTIR-ATR spectrometry techniques combined with machine learning models are a reliable alternative for the identification of SAC and goats through the spectrum of their fibers.en
dc.description.doctorateProgramPrograma de Doctorado en Tecnologías de las Comunicaciones, Bioingeniería y de las Energías Renovables (RD 99/2011)es_ES
dc.description.doctorateProgramBioingeniaritzako eta Komunikazioen eta Energia Berriztagarrien Teknologietako Doktoretza Programa Ofiziala (ED 99/2011)eu
dc.format.extent164 p.
dc.format.mimetypeapplication/pdfen
dc.identifier.doi10.48035/Tesis/2454/52349
dc.identifier.urihttps://academica-e.unavarra.es/handle/2454/52349
dc.language.isospa
dc.relation.publisherversionhttps://doi.org/10.48035/Tesis/2454/52349
dc.rights© Todos los derechos reservados
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess
dc.subjectFibras de origen animales_ES
dc.subjectInteligencia Artificiales_ES
dc.subjectEspectroscopía de infrarrojo por transformada de Fourieres_ES
dc.subjectEvaluación de la medulaciónes_ES
dc.subjectEvaluación del diámetroes_ES
dc.subjectAprendizaje automáticoes_ES
dc.subjectAnimal-origin fibersen
dc.subjectArtificial Intelligenceen
dc.subjectFourier-Transform Infrared spectroscopyen
dc.subjectMedullation assessmenten
dc.subjectDiameter assessmenten
dc.subjectMachine learningen
dc.titleDesarrollo y validación de novedosos sistemas para el análisis de fibras textiles basados en inteligencia artificial: aportes tecnológicos para la evaluación de fibras textileses_ES
dc.typeinfo:eu-repo/semantics/doctoralThesis
dspace.entity.typePublication
relation.isAdvisorOfPublication21ab7bc6-f6ae-427d-938f-24452b396567
relation.isAdvisorOfPublication92c20ba0-e062-4195-9962-5a0111a7e879
relation.isAdvisorOfPublication.latestForDiscovery21ab7bc6-f6ae-427d-938f-24452b396567

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
01 Tesis Bonilla Quispe, Max.pdf
Size:
12.01 MB
Format:
Adobe Portable Document Format
Download

Collections

Tesis doctorales DIEC - IEKS Doktoretza tesiak
Tesis doctorales - Doktoretza tesiak