Un marco de aprendizaje profundo de extremo a extremo para el reconocimiento automatizado de patrones tejidos usando UNet, GAN y CNN

Resumen

Se desarrolló un marco de aprendizaje profundo de extremo a extremo que integra CNNs, GANs y deruiding basado en UNet para el reconocimiento automatizado de patrones de tejidos tejidos. La ampliación y la generación de imágenes sintéticas mejoraron la robustez. El método alcanzó una precisión del 99,1%, proporcionando una solución escalable para la inspección textil industrial.

Resumen

La calidad y producción de textiles de alta calidad dependen en gran medida del reconocimiento preciso de los patrones de tejido, que tradicionalmente se identifican mediante inspección visual manual. Sin embargo, este enfoque es subjetivo, lleva mucho tiempo y es propenso a errores. Aunque los métodos de aprendizaje automático ofrecen automatización, a menudo dependen de características hechas a mano sensibles a la iluminación y las variaciones de imagen, limitando su robustez y escalabilidad. Incluso los modelos de aprendizaje profundo enfrentan problemas de generalización debido a cambios de dominio en condiciones reales de adquisición, y para abordar estos desafíos se propone un novedoso marco de aprendizaje profundo que combine una Red Neuronal Convolucional (CNN) con Redes Generativas Adversariales (GANs) para la clasificación de tejido de extremo a extremo. El enfoque integra la mejora geométrica y fotométrica de datos con la reducción de ruido de imágenes basada en UNet, mientras que el componente GAN genera imágenes sintéticas de alta calidad para mejorar la diversidad de entrenamiento y el aprendizaje de características. Los experimentos con un conjunto de datos tejido demuestran que este método alcanza un rendimiento de vanguardia, con una precisión equilibrada del 99,1%, superando a los modelos de referencia en exactitud, generalizabilidad y robustez frente a distorsiones visuales. Este marco ofrece una solución escalable y fiable para la inspección textil automatizada, con importantes implicaciones para mejorar la eficiencia y reducir el trabajo manual en la fabricación industrial de tejidos. Este trabajo integra módulos CNN, GAN y de la Red Neuronal Convolucional en forma de U (UNet) en una única cadena de aprendizaje basada en optimización, en lugar de gestionar la reducción de ruido, la creación de datos y la clasificación como procesos distintos. El mecanismo de entrenamiento conjunto crea un bucle de retroalimentación entre las redes generativas y discriminativas, yendo un paso más allá metodológicamente que las prácticas estándar de ajuste fino.

Introducción

El diseño, el rediseño, el análisis de texturas y la apariencia estética de los materiales están muy influenciados por el patrón, que es el factor más importante en la producción de la tela. La tela es un invento humano histórico que ha evolucionado de la tela artesanal a las telas digitales modernas producidas^{a máquina 1}. Antes de ser procesados más por maquinaria de tejido, deben identificarse los patrones de tela tejida. Hoy en día, los métodos tradicionales que se basan en la percepción visual, mejorada por herramientas como microscopios o lupas, siguen siendo la base de la detección de patrones de tela. Normalmente, un especialista con la formación y experiencia necesarias realiza esta evaluación manual. Sin embargo, está vinculado a varios inconvenientes, como el exceso de trabajo, la ineficiencia y el consumo de tiempo, además de problemas psicológicos como el estrés físico y mental, la letargo y el agotamiento que, en última instancia, afectan a los resultados de la identificación. Por lo tanto, para identificar patrones de tejidos y producir productos de alta calidad que satisfagan las necesidades del cliente, es necesario un enfoque de examen^{informatizado 2}.

El reconocimiento de patrones de tejidos ha ganado recientemente atención y ha tenido un gran^{éxito 3}. En términos generales, existen dos tipos de métodos para reconocer patrones de tejido: estadísticos basados en texturas y métodos basados en modelos. El método estadístico basado en texturas utiliza imágenes preprocesadas. Se realizó un método basado en análisis diferencial fotométrico utilizando un filtro de Wiener adaptativo y ecualización de histogramas para recopilar información sobre la estructura de la tela desde varias^{direcciones 4}. Después, dividieron las imágenes en subimágenes utilizando un modelo de malla adaptativa para extraer características en escala de grises. Aunque el trabajo se limitó a materiales tejidos simples, el modelo era fiable para recuperar los puntos de entrelazado en la estructura de tejido. La técnica cognitiva basada en bases de datos/modelos utiliza un algoritmo de reconocimiento o clasificación para reconocer y coincidir los patrones de tejido de los materiales.

Las texturas de tejido se han clasificado usando máquinas de vectores de soporte (SVM) tras extraer características mediante patrones binarios locales (LBP) y matrices de co-ocurrencia a nivel de grises (GLCM⁾⁵. El uso combinado de LBP y GLCM mejoró el rendimiento en el reconocimiento en comparación con cualquiera de los dos descriptores individualmente; sin embargo, el enfoque se basaba completamente en elementos artesanales y no se evaluaba en tejidos tejidos o no tejidos. También se han identificado patrones de tejido usando texturas de bajo rango invariantes a transformadas (TILT) e histogramas de gradientes orientados (HOG), mientras que las intersecciones de urdimbre y trama se detectaron mediante agrupamiento difuso de medios c-media (FCM⁾⁶. Este método mostró limitaciones bajo variaciones rotacionales significativas y demostró una eficacia reducida en la detección de estructuras de tejido de doble hilo. Además, se ha propuesto una red neuronal convolucional (CNN) mejorada con una estrategia de visualización para el análisis de texturas complejas; sin embargo, la validación se realizó en un conjunto de datos limitado bajo condiciones experimentales^{restringidas 7}.

Los datos de texturas se han extraído utilizando el modelo de color CIE-Lab y una matriz de coocurrencia, tras lo cual se utilizó una red de mapas autoorganizables (SOM) para categorizar los patrones de tejido^{de tela 8}. Sin embargo, el rendimiento y la precisión de estos algoritmos se vieron afectados por el tamaño de la base de datos. Un textil es un material plano compuesto por fibras textiles. FabricNet, desarrollado utilizando una arquitectura CNN de conjunto especial basada en clases, fue una de las primeras técnicas para identificar fibras textiles a partir de imágenes⁹. Utilizando conjuntos de datos de tela, se han implementado enfoques de aprendizaje profundo para el reconocimiento preciso de fibras con los algoritmos Faster R-CNN, SSD, Residual Network (ResNet50) y ResNet101, siendo Faster R-CNN identificado como el más efectivo.

Se ha informado que el método de red neuronal acoplada por pulsos (PCNN) supera a otros enfoques y puso de manifiesto la necesidad de más investigación sobre bases de datos de tejidos con urdimbre¹⁰. El reconocimiento textil sigue siendo un reto debido a la naturaleza que consume mucho tiempo la inspección visual manual, y los estudios han implementado aumento de datos y aprendizaje por transferencia para clasificación y extracción de características utilizando redes residuales (ResNet), con la mayor parte del trabajo centrado en distinguir entre tejidos de telar manual y tejidos mecánicos. También se han propuesto métodos para localizar e identificar diferentes tipos de puntos, aunque los experimentos se limitaron a los puntos de punto y de^{revés 11}. Muchas técnicas anteriores se basaban en una sola imagen para prototipar telas mediante ingeniería inversa. Además, se ha introducido un enfoque de reducción de dimensionalidad basado en análisis de componentes principales para la extracción y clasificación de características en tejidos de forro polar defectuosos, demostrando que el clasificador de vecinos más cercanos K alcanzó mayor precisión que el clasificador de Naive Bayes.

La identificación automática de tejidos de telar manual también se ha logrado mediante un algoritmo de aprendizaje métrico profundo aplicado a un conjunto de datos etiquetado de 25.166 imágenes de seis tipos de tejidos de telar recogidos de tejedores nativos en Assam, noreste^{de la India 12}. Al aprender representaciones de características sesgadas que permiten una separación eficiente de tipos de fibras dentro de un espacio de características aprendido, el enfoque alcanzó una precisión de clasificación del 97,8% tras extensas pruebas y comparaciones con modelos base. También se han propuesto modelos de aprendizaje profundo basados en aumento de datos y aprendizaje por transferencia para la clasificación textil tejida utilizando una Red Residual (ResNet) para extraer y clasificar automáticamente características de texturas, evaluando el rendimiento mediante precisión, precisión balanceada y puntuación F1; Los resultados experimentales indican que el modelo se mantiene estable y alcanza una precisión de última generación incluso cuando las características físicas del tejido varían¹³.

El aprendizaje profundo se ha aplicado además para simular geometría textil tridimensional utilizando arquitecturas que combinan características recurrentes y^{convolucionales 14}. Mediante el entrenamiento de redes neuronales profundas (DNN) utilizando una biblioteca de casos de tejido precomputados generados mediante simulación digital basada en elementos, el método estimó arquitecturas textiles 3D y predijo propiedades de rigidez con un margen de error inferior al 10%, demostrando una mejor eficiencia computacional en comparación con los enfoques tradicionales de modelado. Además, el contexto textil ha sido analizado mediante técnicas de reconocimiento de patrones y procesamiento de imágenes que miden parámetros como bloques aislados, sucesión de secciones verticales y horizontales, y continuidad de línea^{diagonal 15}. Estos parámetros permiten clasificar patrones básicos de tejido en categorías satinadas, sarga y lisas utilizando el Proceso Jerárquico Analítico (AHP), con una evaluación estadística que muestra un fuerte acuerdo entre los resultados predichos y experimentales de la clasificación.

Se ha propuesto un método de optimización basado en computación de niebla para el análisis de diseño de telas, que consta de cuatro fases principales: recogida de imágenes de tela, preprocesamiento, extracción de características y clasificación¹⁶. Utilizando dispositivos de borde de niebla para la adquisición de imágenes, el sistema aplica diversas técnicas de filtrado durante el preprocesamiento, tras lo cual las características se extraen mediante una matriz de coocurrencia de nivel de grises (GLCM) y se clasifican mediante un modelo de aprendizaje profundo en conjunto. Los resultados experimentales demuestran la eficacia de este enfoque, mostrando una precisión superior en comparación con los algoritmos existentes. Además, se ha desarrollado un marco basado en redes neuronales para caracterizar el drapeado paraguas de tejidos tejidos estableciendo criterios objetivos de categorización basados en propiedades mecánicas a nivel^{macro 17}. El framework integra ResNet-18 con una Red Neuronal Convolucional de Grafos Profundos (DGCNN) para extraer y clasificar características de imágenes de drape y nubes de puntos, respectivamente. Mediante aprendizaje supervisado, ambas redes fueron evaluadas para determinar el modelo más eficaz para extraer estilos de drape a partir de conjuntos de datos no etiquetados. Además, se introdujo una técnica de reducción de muestreo de bocetos (SDS) para representar las nubes puntuales de las cortinas en forma de paraguas, permitiendo una evaluación objetiva del drapeado de la tela y apoyando aplicaciones posteriores, como la recuperación de tejidos basada en similitud.

A pesar de los avances en el aprendizaje profundo, la identificación de tejidos tejidos sigue obstaculizada por la dependencia de la ingeniería de características artesanal y la falta de bases de datos estandarizadas a gran escala. Los métodos tradicionales de inspección sufren de errores humanos e inconsistencias, mientras que muchos modelos automatizados carecen de la adaptividad de dominio necesaria para manejar variaciones en la iluminación, rotación y ángulos de cámara. Además, la ausencia de marcos automatizados de extremo a extremo y técnicas avanzadas de aumento de datos limita la generalización y escalabilidad práctica de los sistemas de clasificación existentes. A diferencia de enfoques anteriores que empleaban UNet, GAN o CNN de forma independiente, este estudio propone una estrategia de co-optimización en la que los resultados desnodificados por UNet guían la síntesis basada en GAN, y las texturas generadas refinan aún más la clasificación CNN mediante un proceso iterativo de retroalimentación, que va más allá del apilamiento o ajuste fino convencional de modelos.

En consecuencia, se introduce un marco integrado de aprendizaje profundo de extremo a extremo que combina reducción de ruido basada en UNet, síntesis de datos basada en GAN y clasificación basada en CNN para el reconocimiento automatizado de patrones tejidos de tejidas, mejora unificadora de datos, aumento generativo y aprendizaje de características dentro de un único sistema entrenable. En este marco, las imágenes con desnodo UNet sirven no solo como entradas preprocesadas, sino también como retroalimentación para la generación de GAN, mejorando la consistencia fotométrica y el realismo de texturas, mientras que la optimización conjunta entre reducción de ruido, aumento sintético y clasificación mejora el aprendizaje de representaciones y la robustez del dominio. Mediante el uso de eliminación de ruido basado en UNet y datos sintéticos generados por GAN para aumentar la variabilidad de características y la generalización de modelos, y al entrenar a un clasificador CNN en estas características discriminativas, el sistema pretende sustituir la inspección manual y el aprendizaje automático convencional, mejorando la eficiencia de la inspección industrial, el control de calidad y reduciendo errores que requieren mucho trabajo.

La arquitectura propuesta de extremo a extremo integra clasificación basada en CNN, generación de datos sintéticos impulsada por GAN y eliminación de ruido de UNet para mejorar la robustez a la iluminación y la variabilidad de texturas, logrando una precisión de clasificación del 99,1% mientras reduce el sobreajuste y elimina la ingeniería manual de características, mejorando así la adaptabilidad del dominio para la inspección textil industrial.

Protocolo

Este estudio no incluyó participantes humanos ni sujetos animales. Por lo tanto, no se requería la aprobación ética ni el consentimiento informado. El marco propuesto de clasificación tejida tejida de extremo a extremo (Figura 1) consta de cuatro etapas secuenciales: adquisición de imágenes, preprocesamiento y aumento, entrenamiento del modelo y evaluación. La salida de cada etapa sirve como entrada para la siguiente.

Etapa 1: Adquisición de imágenes: Se obtuvieron imágenes tejidas del conjunto de datos y se capturaron utilizando una cámara digital bajo un sistema de iluminación controlada. Las imágenes se adquirían a 300 dpi usando una distancia focal fija de 50 mm.

Etapa 2: Preprocesamiento y aumento: Las imágenes se redimensionaron y prepararon para el entrenamiento. Para mejorar la generalización, se aplicaron aumentos geométricos y fotométricos utilizando un marco de aprendizaje profundo que incluyó volteos horizontales y verticales (p = 0,1), traslación afín (±0,1), escalado (0,8–1,2) y rotación (±45°). Los ajustes fotométricos incluyeron variaciones en brillo, contraste y saturación (±40%) y variación de matiz (±10%).
La eliminación de ruido basada en UNet se aplicó antes de la formación. El modelo de UNet se implementó en la biblioteca de software de aprendizaje profundo (marco de aprendizaje profundo Keras) y se entrenó durante 30 épocas usando el optimizador Adam (tasa de aprendizaje = 0,001, tamaño de lote = 16).

Etapa 3: Entrenamiento con modelo: Se utilizó un GAN para generar imágenes sintéticas de tejidos con el fin de realzar características. El discriminador constaba de cinco capas convolucionales con activación LeakyReLU, mientras que el generador incluía cuatro capas convolucionales y cuatro capas de deconvolución. El GAN se entrenó para 100 épocas usando pérdida binaria de entropía cruzada (tasa de aprendizaje = 0,0002, β₁ = 0,5). El clasificador CNN (backbone ResNet-50) fue entonces entrenado conjuntamente en un marco iterativo GAN–CNN con un tamaño de lote de 32, dropout de 0,2, tasa de aprendizaje de 0,001 y el optimizador Adam.

Etapa 4: Evaluación del modelo: El rendimiento del modelo se evaluó utilizando precisión, exactitud, recuerdo, puntuación F1 y precisión balanceada.

1. Descripción del conjunto de datos

Se obtuvieron un total de 3.540 imágenes tejidas de 880 muestras de tela de un conjunto de datos público bajo condiciones de iluminación^{controlada 12}. De estas, se utilizaron 2.832 imágenes para pruebas, mientras que las 708 imágenes restantes se ampliaron para generar 11.328 muestras de entrenamiento. El conjunto de datos está anonimizado y, por tanto, no requiere aprobación ética. Las muestras representativas se muestran en la Figura 2.

El conjunto de datos comprende tres clases de tejido: liso, satinado y sarga. Los tejidos se producían utilizando hilos texturizados de poliéster (densidades lineales de filamento 110 dtex; 1,14 y 3,05 dtex) y hilos texturizados con microfilamento de poliéster (110 dtex; 0,33, 0,57 y 0,76 dtex) como trama, y hilos de poliéster 83 dtex (1,14 dtex) como urdimbre. Se construyeron tres tipos de tejido —1/1 liso, 3/2 sarga y 4/1 satén—.

Los datos utilizados en este estudio se obtuvieron de un conjunto de datos público que incluye imágenes en bruto y preprocesadas, metadatos de aumento y muestras generadas^{por GAN 12}. Se aplicaron aumentos adicionales y síntesis basadas en GAN para aumentar aún más la diversidad de formación. del conjunto de datos. El conjunto de datos final contenía 11.328 imágenes de entrenamiento y 2832 de prueba; El 80% de los datos de entrenamiento se utilizaron para entrenamiento de modelos y el 20% para validación. Los parámetros estructurales variaban de la siguiente manera: densidad lineal del hilo (Ne: 6–40), número de hilo (25–58 extremos/cm) y densidad de área textil (125–485 gsm). La formación y las pruebas se realizaban en una unidad de procesamiento gráfico utilizando un marco y software de aprendizaje profundo.

2. Preprocesamiento Eficiente Propuesto con aumento

Para abordar la limitación de datos de entrenamiento y mejorar la generalización, se aplicó aumento de datos. La ampliación amplía el conjunto de datos sin modificar la arquitectura del modelo, reduce el sobreajuste y mejora la robustez. Se emplearon dos tipos de aumento:

Aumento geométrico:
Las transformaciones incluían volteretas horizontales y verticales (p = 0,1), transformación afín (trasladar = 0,1, escala = 0,8–1,2) y rotación en ángulo fijo (45°). Estas operaciones simulan variaciones en la orientación urdimbre-trama y en las condiciones de imagen (Figura 3).

Aumento fotométrico:
Para aumentar la robustez a la iluminación y la variabilidad del sensor, el brillo, el contraste y la saturación se ajustaron en un ±40% y el matiz en un ±10%. Estas modificaciones preservan la estructura geométrica mientras varían las características de iluminación (Figura 4).

3. Eliminación de ruido usando UNet

UNet es una arquitectura convolucional codificador–decodificador utilizada para reducir el ruido de texturas estructuradas de tejido tejido. Debido a que los patrones de tela son sensibles al ruido de sensores e iluminación, se realiza la eliminación de ruido antes de la clasificación para preservar los detalles estructurales; la red utiliza una función de activación sigmoide en la capa de salida y la arquitectura de reducción de ruido basada en UNet (Figura 5). Las imágenes con desruido sirvieron como entradas refinadas para la cadena GAN–CNN para la generación y clasificación sintética. La formulación matemática del proceso de eliminación de ruido de UNet y la estrategia de optimización GAN (Ecuaciones 1–10) se proporcionan en el Archivo Suplementario 1. La interacción entre los módulos de UNet, GAN y CNN dentro del marco de extremo a extremo se ilustra en la Figura 6.

4. Generación y entrenamiento de modelos de extremo a extremo propuestos usando GAN-CNN

Se empleó el marco híbrido GAN–CNN para el reconocimiento de patrones de tejidos tejidos. Como se muestra en la Figura 6, se utilizó una red generativa adversarial (GAN), compuesta por un generador (G) y un discriminador (D), para sintetizar imágenes tejidas realistas bajo condiciones variables de iluminación, ruido y textura para aumentar la diversidad de conjuntos de datos, mientras que la CNN aprendió características discriminativas tanto de muestras reales como generadas para mejorar la precisión de la clasificación.

5. Clasificación basada en CNN

Tras la síntesis de imágenes basada en GAN, se utilizaron tanto imágenes reales como generadas de tela para entrenar una CNN para la extracción y clasificación de características de texturas. Se adoptó una arquitectura ResNet-50 preentrenada para clasificar tres tipos de tejido. Se eliminó la capa original totalmente conectada, mientras que las primeras capas convolucionales se mantuvieron como columna vertebral. Sobre esta columna vertebral, se añadieron una capa de pooling promedio global, dos capas de normalización por lotes, dos capas totalmente conectadas (512 y 256 neuronas), activaciones de ReLU y dropout. Una capa Softmax realizaba la clasificación final de tres clases. La arquitectura modificada se muestra en la Figura 7.

El modelo fue entrenado usando el optimizador Adam con pérdida categórica de entropía cruzada durante 50 épocas (tamaño del lote = 32, tasa de aprendizaje = 0,001, abandono = 0,2). El ajuste de hiperparámetros se realiza mediante búsqueda en cuadrícula (tasa de aprendizaje: 0,001–0,0001; tamaño del lote: 16–64; abandono: 0,1–0,3). Se aplicó una parada temprana basada en la pérdida de validación para evitar el sobreajuste, logrando la convergencia en aproximadamente 2,3 horas por entrenamiento.

Se empleó una estrategia coordinada de entrenamiento de extremo a extremo para garantizar la coherencia en las etapas de reducción de ruido, síntesis de datos y clasificación. La UNet fue preentrenada por primera vez para 30 épocas usando pares de imágenes ruidosas-limpias (Adam, tasa de aprendizaje = 0,001, tamaño del lote = 16, pérdida MSE). El módulo GAN, compuesto por un generador con cuatro capas convolucionales y cuatro capas de deconvolución y un discriminador con cinco capas convolucionales usando activaciones LeakyReLU, fue entrenado adversarialmente durante 100 épocas (pérdida binaria de entropía cruzada, β₁ = 0,5, tasa de aprendizaje = 0,0002). Posteriormente, el GAN y el CNN se entrenaron conjuntamente en un bucle iterativo durante 50 épocas (tamaño de lote = 32), utilizando muestras generadas para actualizar el clasificador. La optimización CNN utilizó el optimizador Adam (tasa de aprendizaje = 0,001, dropout = 0,2), promoviendo una convergencia estable y una generalización mejorada entre tipos de entrelazado.

Resultados

Métricas de evaluación
La precisión es la estadística de evaluación más utilizada para la categorización. Esto se define como la proporción de predicciones precisas entre todas las predicciones. La ecuación 11 muestra que la precisión equilibrada es la métrica adecuada para la evaluación del desempeño en estas^{circunstancias 18}. "N" representa el número de clases. TP, TN, FP y FN denotan el número de verdaderos positivos, verdad...

Discusión

Aunque el marco propuesto GAN–CNN demuestra una fuerte generalización, existen otros métodos alternativos como arquitecturas de visión basadas en transformadores, CNN con mayor atención o aprendizaje de representaciones autosupervisadas que podrían abordar hipótesis similares. Estos pueden ofrecer ventajas en interpretabilidad de características o eficiencia computacional y deberían evaluarse comparativamente en el futuro ^17,19.<...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Canon EOS 90D	Canon Inc., Tokio, Japón	Sensor CMOS EOS 90D de 32,5 MP	Cámara de imagen digital para adquisición de imágenes de tela
Procesador Intel i7	Intel Corporation, Santa Clara, CA, EE. UU.	https://www.intel.com	Unidad central de procesamiento (CPU) multinúcleo para procesamiento computacional
Marco de Aprendizaje Profundo de Keras	Google LLC, Mountain View, CA, EE. UU.	https://keras.io	Biblioteca de software de aprendizaje profundo para el desarrollo de redes neuronales
Luz circular LED (5500 K)	Sistema de iluminación de laboratorio disponible comercialmente	No aplicable	Fuente de iluminación controlada para la adquisición uniforme de imágenes
NVIDIA GeForce GTX1060MQ GPU	NVIDIA Corporation, Santa Clara, CA, EE. UU.	https://www.nvidia.com	Unidad de procesamiento gráfico (GPU) para computación acelerada de aprendizaje profundo
Biblioteca OpenCV	Comunidad de código abierto	https://opencv.org	Biblioteca de software de visión por ordenador para procesamiento de imágenes
Lenguaje de programación Python	Fundación de Software Python, Wilmington, DE, EE. UU.	https://www.python.org	Lenguaje de programación de alto nivel para la implementación de aprendizaje automático
Modelo preentrenado de ResNet50	Microsoft Research / He et al. (2016)	https://keras.io/api/applications/resnet/	Arquitectura de redes neuronales convolucionales preentrenadas para la extracción y clasificación de características
Biblioteca scikit-learn	Comunidad de código abierto	https://scikit-learn.org	Biblioteca de software de aprendizaje automático para análisis de datos y evaluación de modelos
Marco TensorFlow	Google LLC, Mountain View, CA, EE. UU.	https://www.tensorflow.org	Marco de aprendizaje profundo para el entrenamiento y despliegue de redes neuronales
Hilo de urdimbre (poliéster, 83 dtex)	Laboratorio Textil interno	No aplicable	Hilo textil sintético utilizado como material de urdimbre en muestras de tejidos
Muestras de tejidos tejidos (lisos, satinados, sarga)	Laboratorio Textil interno	Hilos de poliéster 110 dtex	Muestras representativas de textiles tejidos con diferentes estructuras de tejido