Un Sistema web de identificación colorantes textiles mediante inteligencia artificial automática

Ricardo Alejandro Sánchez González; Luis Antonio Castillo Suárez; Maria Guadalupe Pineda Arizmendi

doi:10.29057/icbi.v14iEspecial2.16683

Autores/as

Ricardo Tecnológico de Estudios Superiores de Tianguistenco https://orcid.org/0009-0003-5358-8282
Luis Antonio Tecnológico de Estudios Superiores de Tianguistenco https://orcid.org/0000-0002-9755-7117
Maria Tecnológico de Estudios Superiores de Tianguistenco https://orcid.org/0000-0001-8267-9800

DOI:

https://doi.org/10.29057/icbi.v14iEspecial2.16683

Palabras clave:

Azul índigo, detección de objetos, redes neuronales convolucionales, sistema web, YOLOv5

Resumen

Las aguas residuales generadas durante el lavado y de mezclilla presentan una coloración azul intensa debido al colorante índigo, lo que exige métodos de monitoreo accesibles y eficientes. El objetivo del presente trabajo fue desarrollar y validar un sistema web basado en inteligencia artificial capaz de cuantificar visualmente la concentración del colorante azul índigo. Se
entrenó un modelo YOLOv5 con 217 imágenes etiquetadas correspondientes a seis concentraciones (10–60 mg/L), usando
Roboflow para anotación y almacenando el modelo en formato best.pt. El desempeño se evaluó con métricas estándar de detección. La precisión (0.93) reflejó la proporción de detecciones correctas respecto a todas las predicciones correctas, mientras que el recall (0.91) indicó la capacidad para identificar correctamente las muestras presentes. El mAP@0.5 de 0.94 y el mAP@0.5 de 0.95 evidencian la robustez del modelo. Estos resultados evidencian un desempeño confiable para el monitoreo del colorante azul índigo, siendo una herramienta accesible en la medición de color de aguas.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Ricardo , Tecnológico de Estudios Superiores de Tianguistenco

Alumno estudiante de la Ingeniería en Sistemas Computacionales

Luis Antonio, Tecnológico de Estudios Superiores de Tianguistenco

Profesor investigador de la Ingeniería en Sistemas Computacionales

Maria, Tecnológico de Estudios Superiores de Tianguistenco

Profesor investigador del Tecnológico de Estudios Superiores de Tianguistenco

Citas

Abid, A., Abdalla, A., Abid, A., Khan, D., Alfozan, A., & Zou, J. (2019). Gradio: Hassle-free sharing and testing of ML models in the wild (arXiv:1906.02569). https://doi.org/10.48550/arXiv.1906.02569

Afifi, M., & Brown, M. S. (2020). Deep white-balance editing. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 1394–1403). https://doi.org/10.1109/CVPR42600.2020.00147

Alom, N. R. (2025). An explainable deep neural network for accurate breast cancer detection from histopathological and ultrasound images. Scientific Reports. https://doi.org/10.1038/s41598-025-97718-5

American Medical Association. (2025, October 21). Augmented intelligence in medicine. https://www.ama-assn.org/practice-management/digital-health/augmented-intelligence-medicine

BrowserStack. (2025, March 4). What is Flutter? https://www.browserstack.com/guide/what-is-flutter

Castillo-Suárez, L. A., et al. (2023). A critical review of textile industry wastewater: Green technologies for the removal of indigo dyes. International Journal of Environmental Science and Technology. https://doi.org/10.1007/s13762-023-04810-2

Cortés, V. (2020). Digital health platforms for patient care. Chetu. https://www.chetu.com/es/blogs/healthcare/digital-health-platforms-for-patient-care.php

DriCloud. (2025, April 6). Plataforma médica DriCloud. https://dricloud.com/plataforma-medica/

Esteva, A., Kuprel, B., Novoa, R. A., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542, 115–118. https://doi.org/10.1038/nature21056

Firebase. (2025). Firebase platform. https://firebase.google.com/

Flutter. (2024). Flutter. https://flutter.dev/

Holkar, C. R., Jadhav, A. J., Pinjari, D. V., Mahamuni, N. M., & Pandit, A. B. (2016). A critical review on textile wastewater treatments: Possible approaches. Journal of Environmental Management, 180, 351–366. https://doi.org/10.1016/j.jenvman.2016.06.049

Jocher, G. (2022). Ultralytics/yolov5: v6.2 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.3908559

Joze, H. R., & Drew, M. S. (2020). Exemplar-based color constancy and multiple illumination. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(7), 1612–1625. https://doi.org/10.1109/TPAMI.2013.169

Malashin, I. T., et al. (2024). Optimizing neural networks for chemical reaction prediction: Insights from Methylene Blue reduction reactions. International Journal of Molecular Sciences, 25. https://doi.org/10.3390/ijms25073860

Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.

Muñoz, E. R. (2022). Redes neuronales convolucionales profundas con transferencia de aprendizaje para la detección y clasificación automatizada de tumores en imágenes de tomosíntesis (Tesis doctoral). Instituto Nacional de Astrofísica, Óptica y Electrónica.

Nie, Y., et al. (2025). An improved CNN model in image classification application on water turbidity. Scientific Reports. https://doi.org/10.1038/s41598-025-93521-4

Organización Panamericana de la Salud. (2022). Sistemas de información para la salud. https://www.paho.org/es/temas/sistemas-informacion-para-salud

Sarika, H. V., et al. (2020). Adsorptive removal of crystal violet from aqueous solution by cross-linked chitosan coated bentonite. Journal of Environmental Chemical Engineering, 8(3), 103132. https://doi.org/10.1016/j.matpr.2020.04.705

Shaik, T., et al. (2023). Responsible artificial intelligence in healthcare: Key challenges and opportunities. WIREs Data Mining and Knowledge Discovery. https://doi.org/10.1002/widm.1485

Susawaengsup, C., et al. (2024). Phytochemical and pharmacological properties of a traditional herb. Molecular Biotechnology. https://doi.org/10.1007/s12033-023-00897-7

TensorFlow. (2024). Model optimization toolkit. https://www.tensorflow.org/model_optimization

Topol, E. J. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.

Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25, 44–56. https://doi.org/10.1038/s41591-018-0300-7

Uluçay, A., Ceyhan, G., Balcı, O., Işık, C., & Yavuz, S. (2024). Investigation of dyestuff recycled from wastewater containing indigo/sulfur dyes. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(2?). https://doi.org/10.21605/cukurovaumfd.1606078

Valdez Torres, D. I., & Solorzano Montalván, E. D. (2022). Diseño e implementación de un prototipo para un sistema de despaletización de cajas con clasificación por color utilizando visión artificial y Cloud data transfer (Tesis de licenciatura, Universidad Politécnica Salesiana). Repositorio Institucional UPS. https://dspace.ups.edu.ec/handle/123456789/22886

Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2023). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. https://doi.org/10.1109/CVPR52729.2023.00971

World Health Organization. (2021). Global strategy on digital health 2020–2025. https://www.who.int/publications/i/item/9789240020924

Yun, S., Han, D., Oh, S. J., Chun, S., Choe, J., & Yoo, Y. (2019). CutMix: Regularization strategy to train strong classifiers with localizable features. In Proceedings of the IEEE/CVF International Conference on Computer Vision. https://doi.org/10.1109/ICCV.2019.00612