https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
DETECCIÓN EN TIEMPO REAL DE PAQUETES DEFECTUOSOS EN  
LÍNEAS DE PRODUCCIÓN DE PAPEL HIGIÉNICO MEDIANTE  
REDES NEURONALES CONVOLUCIONALES POR ANÁLISIS DE  
CUADRANTES  
REAL – TIME DETECTION OF DEFECTIVE PACKAGES IN TOILET  
PAPER PRODUCTION LINES USING CONVOLUTIONAL NEURAL  
NETWORKS BY QUADRANT ANALYSIS  
Israel Rodrigo Hoyos Borja1, Marlon Danilo Basantes Valverde2  
{hoyosisrael2015@gmail.com1, mbasantes@unach.edu.ec2}  
Fecha de recepción: 07/07/2026  
/ Fecha de aceptación:  
/ Fecha de publicación: 05/08/2026  
RESUMEN: Los rollos de papel higiénico son un producto de alta producción y  
comercialización en la industria ecuatoriana; la ausencia de rollos dentro de un paquete en una  
línea de producción genera pérdidas operativas. El presente artículo propone la  
implementación de un sistema de visión artificial basado en redes neuronales convolucionales  
con transfer learning sobre MobileNetV2, orientado a la detección automática de paquetes de  
papel higiénico en una jornada laboral. El núcleo metodológico presenta un enfoque de  
clasificación por cuadrantes de tres filas por dos columnas, lo que permite analizar  
individualmente los seis rollos que componen cada cuadrante. A partir de 100 imágenes  
originales, se construyó un conjunto de imágenes de 572 cuadrantes etiquetados, con una  
distribución balanceada. El modelo entrenado alcanzó un desempeño satisfactorio con una  
métrica de AUROC igual a 0.9978 y una exactitud del 97% en la validación durante el  
entrenamiento. Durante la fase de validación en condiciones representativas de producción y  
en un ambiente controlado, se diseñaron tres escenarios: uno con datos completamente  
defectuosos, otro con datos totalmente conformes y un tercero con selección aleatoria. Estos  
escenarios se ejecutaron mediante 38 simulaciones, número que corresponde a la capacidad  
productiva diaria (38 tirajes). En total, se analizaron 1996 imágenes, obteniendo resultados  
sobresalientes en recall de 1.00 y precisión de 1.00. Se realizó un análisis estadístico donde se  
obtuvo p < 0.000001, lo cual corroboró que el número de defectos detectados por el modelo  
1Universidad Nacional de Chimborazo, (UNACH) Dirección de Posgrado, Programa de Maestría en Matemática aplicada con  
mención en Matemática Computacional, https://orcid.org/0009-0004-9333-3257.  
2Universidad Nacional de Chimborazo, (UNACH) Facultad de Ciencias, Escuela de Telecomunicaciones, grupo de Investigación  
GI(CT), https://orcid.org/0000-0001-6011-1659  
REVISTA POLITECNICA DE LA CIENCIA  
72  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
coincide exactamente con el número real de defectos introducidos, validando con un nivel de  
confianza del 95%.  
Palabras clave: Redes neuronales convolucionales, MobileNetV2, Detección de defectos,  
Control de calidad industrial y Clasificación por cuadrantes  
ABSTRACT: Toilet paper rolls are a mass-produced and widely commercialized product in the  
Ecuadorian industry; the absence of rolls within a package on a production line generates  
operational losses. This article proposes the implementation of a computer vision system based  
on convolutional neural networks using transfer learning with MobileNetV2, aimed at the  
automatic detection of toilet paper packages during a work shift. The methodological core  
presents a quadrant-based classification approach with a three-row by two-column grid,  
allowing for the individual analysis of the six rolls that make up each quadrant. Based on 100  
original images, a dataset of 572 labeled quadrants was constructed with a balanced  
distribution. The trained model achieved satisfactory performance with an AUROC metric of  
0.9978 and 97% accuracy during training validation. During the validation phase, under  
representative production conditions and in a controlled environment, three scenarios were  
designed: one with completely defective data, another with totally conforming data, and a third  
with random selection. These scenarios were executed through 38 simulations, a number  
corresponding to the daily production capacity (38 runs). A total of 1996 images were analyzed,  
obtaining outstanding results with a recall and precision of 1.00. A statistical analysis was  
performed, obtaining p < 0.000001, which corroborated that the number of defects detected  
by the model exactly matches the actual number of defects introduced, validating the results  
with a 95% confidence level.  
Keywords: Convolutional neural networks, MobileNetV2, Defect detection, Industrial quality  
control and Quadrant-based classification  
INTRODUCCIÓN  
El papel higiénico es un producto de alta rotación, y la presencia de paquetes incompletos o con  
defectos de sellado compromete su calidad establecida por la NORMA INEN 1430 y genera  
pérdidas costosas. La inspección manual tardía de paquetes incompletos en líneas de  
empaquetamiento a velocidad constante genera retrasos y, además, el riesgo de que los  
productos lleguen al mercado ecuatoriano con paquetes faltantes (1,2).  
Ante esta problemática, los sistemas de visión artificial han demostrado resultados superiores a  
la inspección manual en múltiples escenarios industriales, procesando imágenes en tiempo real  
con consistencia que supera el desempeño humano (3, 4, 5). Sin embargo, la mayoría de los  
REVISTA POLITECNICA DE LA CIENCIA  
73  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
estudios requieren miles de imágenes para entrenar modelos robustos (1, 3, 6), lo que representa  
una barrera para empresas con acceso limitado a datos etiquetados.  
La visión artificial comprende técnicas computacionales que permiten interpretar información  
visual del entorno. Un sistema de visión industrial integra una cámara de captura, un módulo de  
preprocesamiento y de la decisión basada en la Norma Técnica Ecuatoriana (NTE) INEN 1430 y el  
Reglamento Técnico Ecuatoriano (RTE) INEN 132 que determina la conformidad del producto  
(2,7). OpenCV provee las primitivas de redimensionamiento, normalización y segmentación de  
imágenes en tiempo real (8).  
Las CNN procesan datos con estructura espacial mediante operaciones de convolución, activación  
ReLU, pooling y capas densas. La pérdida de Binary Cross-Entropy para clasificación binaria se  
optimiza mediante el algoritmo Adam (9,10).  
El transfer learning aprovecha representaciones aprendidas previamente para acelerar el  
entrenamiento con datos limitados. MobileNetV2 emplea convoluciones separables en  
profundidad y bloques residuales invertidos, preentrenada en ImageNet (11). En ambientes  
controlados, los filtros de bordes y texturas son transferibles al dominio de inspección (9,12).  
Subdividir la imagen en regiones de interés y clasificar cada región independientemente reduce  
la varianza del problema, aumenta el número efectivo de muestras y permite localizar  
espacialmente el defecto (13).  
El aumento excesivo sobre un conjunto base reducido puede inducir un sesgo de distribución  
sintética, donde la red memoriza transformaciones sin aprender representaciones genuinas  
(14,15). El reequilibrio natural de clases evita técnicas agresivas de sobremuestreo (16,17).  
La pregunta científica que orienta el estudio es: ¿Cómo contribuirá el desarrollo de un sistema  
con visión artificial para la detección de paquetes defectuosos de empaquetado de papel  
higiénico a la calidad de su distribución al mercado?  
El objetivo es diseñar un sistema de visión por cuadrantes basado en CNN para detectar paquetes  
defectuosos, entrenar el modelo de red neuronal con un conjunto de datos representativo de  
paquetes conformes y defectuosos y validar el sistema en condiciones reales de líneas de  
producción.  
Esta investigación propone segmentar la imagen del paquete en cuatro cuadrantes, cada uno con  
una subgrilla de 3 filas × 2 columnas de rollos (6 rollos por cuadrante), lo que simplifica el  
problema de clasificación, multiplica el número de muestras reales y genera un dataset  
naturalmente balanceado (13).  
REVISTA POLITECNICA DE LA CIENCIA  
74  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
MATERIALES Y MÉTODOS  
La estrategia es de carácter cuasi-experimental, se basa en las condiciones reales de  
funcionamiento de la línea de producción en una jornada. Un tiraje produce 38 unidades,  
equivalentes a un paquete de 24 rollos. De acuerdo con los criterios de control de calidad  
establecidos, se debe inspeccionar un mínimo de 30 unidades por lote. Este proceso de revisión  
tiene una duración cercana a 40 segundos por lote, lo que corresponde a aproximadamente 0.66  
minutos.  
En este tiempo, la revisión de un tiraje completo de 38 unidades, implica alrededor de 25.33  
minutos, lo que corresponde aproximadamente a 0.4222 horas. Si se considera un esquema  
laboral de dos turnos diarios de 8 horas cada uno (16 horas en total), se puede estimar que el  
sistema permite procesar aproximadamente 38 tirajes por día (resultado de dividir 16 horas entre  
0.4222 horas por tiraje).  
Los valores mencionados se sintetizan en la Tabla 1 y sirven como base para definir, por un lado,  
el tamaño de las muestras empleadas en cada validación (entre 31 y 38 imágenes) y, por otro, el  
número total de simulaciones realizadas. En este sentido, se ejecutan 38 repeticiones en el  
escenario de validación aleatoria, lo cual permite reproducir de manera coherente el  
comportamiento del sistema a lo largo de una jornada completa de producción.  
Tabla 1. Justificación operativa del número de tirajes diarios (38) usado en el diseño experimental.  
Parámetros  
Valor  
Unidades por tiraje  
38 unidades (24 rollos cada uno)  
Aprox. 40 segundos (0.66 min)  
25.33 min equivalente a 0.4222 h (30 unidades)  
Dos turnos diarios de 8 h (16 horas)  
Aprox. 38 tirajes por día  
Tiempo de inspección por tiraje  
Tiempo total de inspección (lote control)  
Jornada laboral  
Tirajes por jornada  
Producción diaria estimada  
34656 ternas = 103968 rollos por día  
Según la Tabla 1, el procesamiento diario de 38 tirajes equivale a inspeccionar un volumen de  
103968 rollos de papel higiénico individuales. Estas cifras permiten dimensionar el alto volumen  
de trabajo que se debe gestionar en el sistema de inspección automática, el cual necesita  
mantener un desempeño estable y confiable a lo largo de toda la jornada de 16 horas.  
Cada imagen completa fue segmentada en 4 cuadrantes (cuadrícula 2 × 2), cada uno con 3 filas  
y 2 columnas, es decir, 6 rollos por cuadrante). Para preservar la proporción real, cada imagen fue  
redimensionada a 448×672 px antes del corte, generando cuadrantes de 224×336 px escalados a  
224×224 px para MobileNetV2. La clasificación del paquete completo se obtuvo como: paquetes  
conformes y, en caso contrario, paquetes defectuosos.  
REVISTA POLITECNICA DE LA CIENCIA  
75  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Cada una de las 100 imágenes originales fue segmentada en 4 cuadrantes, obteniendo 400  
cuadrantes. Posteriormente se logró descartar manualmente cuadrantes no representativos,  
aquellos en los que no se evidenciaban los 6 rollos por cuadrante; se conservaron 143 cuadrantes  
base (80 conformes y 63 defectuosos). Sobre estos se aplicaron 4 transformaciones geométricas  
(original, rotación, espejo horizontal y espejo vertical), generando un conjunto final de 572  
cuadrantes etiquetados (320 conformes y 252 defectuosos), que presentó una ratio de 1.27:1,  
prácticamente balanceada (18).  
La arquitectura implementada con MobileNetV2 preentrenada en base de imágenes de  
ImageNet. El procesamiento se estructuró mediante una capa de agrupación global promedio  
(GlobalAveragePooling2D), seguida por capas densas conectadas con la función de activación  
ReLU. Para mitigar el sobreajuste, se configuraron con tasas de descarte (Dropout) de 0.4 y 0.3  
respectivamente y finalmente se empleó la capa densa con activación Sigmoid.  
El proceso de entrenamiento se ejecutó en dos etapas:  
•
•
Primera etapa: Consistió en tasa de aprendizaje = 1 × 10⁻⁴ durante 10 épocas  
Segunda etapa:  
fine-tuning (tasa de aprendizaje = 1 × 10⁻⁵, últimas 30 capas,  
EarlyStopping monitoreando val_recall).  
Se diseñaron tres escenarios de validación sobre lotes de 31 a 38 imágenes (P1 a P8), compuestos  
por 30 imágenes conformes fijas más N imágenes adicionales:  
•
•
•
Validación 1: con N imágenes exclusivamente defectuosas (1 a 8)  
Validación 2: con N imágenes exclusivamente conformes (1 a 8)  
Validación 3: Se realizaron 38 simulaciones independientes (S01–S38) en las cuales N  
imágenes adicionales fueron seleccionadas de manera aleatoria a partir de un conjunto de  
40 imágenes conformadas por 20 casos conformes y 20 defectuosos. Este procedimiento  
busca reproducir la variabilidad presente en los 38 tirajes que se generan diariamente en la  
producción real.  
Para la evaluación del desempeño del modelo se consideraron los indicadores accuracy, precisión  
푇푃  
푇푃  
=
, recall=  
, F1, así como las áreas bajo las curvas AUC-ROC y AUC-PR.  
푇푃+퐹푃  
푇푃+퐹푁  
Adicionalmente, en el escenario de validación con selección aleatoria, se empleó la prueba no  
paramétrica de Wilcoxon de rangos de signo (19). Esta prueba permitió contrastar la hipótesis  
nula H₀: el desempeño del modelo es menor o igual al observado en condiciones reales, frente a  
la hipótesis alternativa H₁: el modelo presenta un desempeño superior, utilizando un nivel de  
significancia de 훼 = 0.05  
REVISTA POLITECNICA DE LA CIENCIA  
76  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
RESULTADOS  
Composición del dataset: El conjunto de datos final, compuesto por 572 cuadrantes, se dividió  
siguiendo una proporción 80/20 para los subconjuntos de entrenamiento y prueba (véase Tabla  
2). Esta partición dio lugar a una relación de clases cercana a 1.27:1, lo que indica una distribución  
prácticamente equilibrada entre las categorías analizadas.  
Tabla 2. Distribución de cuadrantes por conjunto.  
Conjunto  
Entrenamiento  
Validación  
Total  
Conformes  
Defectuosos  
Total  
458  
114  
572  
Proporción  
80%  
256  
64  
320  
202  
50  
252  
20%  
100%  
Como se ilustra en la Figura 1, se presenta una distribución del conjunto de datos, conformado  
por 320 cuadrantes clasificados como conformes (55.9%) y 252 catalogados como defectuosos  
(44.1%). Esta composición corresponde a una relación cercana a 1.27:1, lo que refleja un  
equilibrio adecuado entre las clases y hace no necesario aplicar técnicas de sobremuestreo.  
Figura 1. Distribución de cuadrantes: (a) por conjunto entrenamiento y validación, (b) proporción total.  
Entrenamiento y métricas de evaluación: Durante la primera fase, que contempló 10 épocas con  
una tasa de aprendizaje de 1 × 10⁻⁴,el modelo alcanzó un val_accuracy y val_recall de 97.37%.  
Posteriormente, en la Fase 2 de ajuste fino (fine-tuning), el uso de la estrategia EarlyStopping  
evidenció una convergencia en la época 8, confirmando que la arquitectura base MobileNetV2  
había logrado transferir representaciones suficientemente discriminativas para la tarea.  
La evaluación final realizada sobre el conjunto de validación compuesto por 114 cuadrantes,  
presentó los resultados según la Tabla 2.  
REVISTA POLITECNICA DE LA CIENCIA  
77  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Tabla 2. Métricas de evaluación del modelo por clase (풏 = ퟏퟏퟒ).  
Clase  
Conforme  
Defectuoso  
Promedio ponderado  
AUC-ROC  
Precisión  
0.97  
0.98  
0.97  
—
Recall  
0.98  
0.96  
0.97  
—
F1-Score  
0.98  
0.97  
0.97  
0.9978  
0.9973  
Soporte  
64  
50  
114  
—
—
AUC-PR  
—
—
La Figura 2 muestra la matriz de confusión donde el modelo clasificó correctamente 63 de los 64  
cuadrantes conformes (ꢀꢁ = 1), mientras que 48 de las 50 eran defectuosos (ꢀꢂ = 2). Esto  
evidencia un margen de error global de apenas el 2.6% para todo el conjunto de prueba.  
Figura 2. Matriz de confusión del modelo 3×2 donde literales: (a) valores absolutos y (b) valores normalizados.  
Los gráficos estadísticos presentados en la Figura 3. Valores de 0.9978 para AUC-ROC y de 0.9973  
para AUC-PR confirman la capacidad discriminativa excepcional. El umbral óptimo de  
entrenamiento (0.7641) se calibró a 0.5500 para producción real.  
REVISTA POLITECNICA DE LA CIENCIA  
78  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Figura 3. Métricas de evaluación por clase: precisión, recall, F1-Score y AUC-ROC para ambas clases.  
Calibración del umbral de producción: La distribución de probabilidades sobre imágenes de  
producción evidenció separación perfecta de 0.17 a 0.53; defecto: 0.61 a 0.87. La Figura 4 muestra  
que con el umbral calibrado de 0.55 se alcanza Recall igual a 1.00 y Precisión de 1.00  
simultáneamente, con FP=FN=0, mientras que el umbral de entrenamiento (0.7641) genera falsos  
negativos.  
Figura 4. Calibración del umbral de clasificación para producción real: (a) métricas vs. umbral, (b) falsos negativos  
y positivos vs. Umbral.  
Validación 1: Escenario con paquetes defectuosos exclusivamente  
REVISTA POLITECNICA DE LA CIENCIA  
79  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
El primer escenario evaluó la detección cuando todas las imágenes adicionales a las 30 conformes  
fijas son defectuosas (1 a 8 por prueba, Tabla 3).  
Tabla 3. Validación 1: resultados por prueba con paquetes defectuosos.  
Prueba  
Totales de  
Defectuosas  
TP  
TN  
FP  
FN  
Recall  
imágenes  
prueba_1  
prueba_2  
prueba_3  
prueba_4  
prueba_5  
prueba_6  
prueba_7  
prueba_8  
TOTAL  
31  
32  
33  
34  
35  
36  
37  
38  
276  
1
2
3
4
5
6
7
8
36  
1
2
3
4
5
6
7
8
36  
30  
30  
30  
30  
30  
30  
30  
30  
240  
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
El sistema identificó correctamente los 36 paquetes defectuosos (ꢃꢁ = 36, ꢀꢂ = 0) sin falsos  
positivos. Tal como se detalla en la Figura 5, se confirma el 100% de detección en las 8 pruebas  
(276 paquetes), con 36 defectuosos (13,0%) y 240 unidades en buen estado (87,0%).  
Figura 5. Resultados por prueba y distribución global ( 풏 = ퟐퟕퟔ 풑풂풒풖풆풕풆풔).  
Validación 2: Escenario con paquetes conformes exclusivamente  
El segundo escenario evaluó la especificidad del sistema cuando todas las imágenes adicionales  
son conformes (Tabla 4).  
REVISTA POLITECNICA DE LA CIENCIA  
80  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Tabla 4. Validación 2: resultados por prueba con paquetes conformes.  
Prueba  
Totales de  
imágenes  
Solo OK  
TP  
TN  
FP  
FN  
Precisión  
prueba_1  
prueba_2  
prueba_3  
prueba_4  
prueba_5  
prueba_6  
prueba_7  
prueba_8  
TOTAL  
31  
32  
33  
34  
35  
36  
37  
38  
276  
31  
32  
33  
34  
35  
36  
37  
38  
276  
—
—
—
—
—
—
—
—
—
31  
32  
33  
34  
35  
36  
37  
38  
276  
0
0
0
0
0
0
0
0
0
—
—
—
—
—
—
—
—
—
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
1.00  
Respecto al segundo escenario, el sistema clasificó correctamente los 276 paquetes conformes  
(TN=276, FP=0). La Figura 6 confirma 100% de paquetes conformes (OK) sin ningún rechazo, con  
0% de defectuosos detectados, garantizando que la eficiencia de la línea de producción no se ve  
comprometida por rechazos innecesarios.  
Res  
Figura 6. Resultados por prueba y distribución global paquetes, 100% OK).  
Validación 3: Escenario aleatorio con 38 simulaciones  
El tercer escenario, el más exigente, replicó los 38 tirajes diarios de producción mediante 38  
simulaciones independientes (S01–S38). En cada simulación, las 8 imágenes adicionales de P8 se  
seleccionaron aleatoriamente de las imágenes de 40 (20 OK + 20 defectuosas), generando  
combinaciones distintas. La Figura 7 muestra la composición exacta de P8 en cada simulación: el  
REVISTA POLITECNICA DE LA CIENCIA  
81  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
total se mantiene en 38 imágenes (30 fijas + 8 aleatorias), con una proporción variable de  
OK/defectuosas (panel b).  
Figura 7. Composición de P8 en las 38 simulaciones: (a) total de 38 imágenes por simulación, (b) detalle OK vs.  
defectuosas aleatorias.  
La Figura 8 presenta el mapa de calor del número de imágenes defectuosas por prueba (P1–P8)  
en cada una de las 38 simulaciones, evidenciando una distribución creciente y variable de 0 a 8  
defectuosas que cubre ampliamente el espacio de combinaciones posibles.  
REVISTA POLITECNICA DE LA CIENCIA  
82  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Figura 8. Mapa de calor del número de imágenes defectuosas por prueba (P1–P8) en las 38 simulaciones.  
La Tabla 5 resume los resultados del experimento estadístico aplicado a las 38 simulaciones,  
comparando el número de defectuosas detectadas por el modelo frente al número real plantado  
(#Real) en cada simulación.  
Tabla 5. Resultados del experimento estadístico — Validación 3 (38 simulaciones).  
Métrica  
Simulaciones  
evaluadas  
Valor  
38  
Descripción  
S01 a S38, cada una con P8 de 38 imágenes  
Imágenes  
Aleatorias  
Simulaciones  
perfectas  
30 fijas + 20 OK + 20  
DEF  
40 imágenes aleatorias disponibles por simulación  
FP=0 y FN=0 en todas las simulaciones  
38/38 (100%)  
Recall global  
Precisión global  
Sumatoria Real  
Sumatoria del  
Modelo  
1.00  
1.00  
153  
153  
Todos los defectos detectados en las 38 simulaciones  
Ningún paquete OK rechazado  
Totales de defectuosas plantadas en las 38 SIM (P8)  
Totales de defectuosas detectadas por el modelo  
Diferencia de  
media  
0.0000  
Modelo − Real, idéntica en cada simulación  
Correlación r  
Wilcoxon  
1.0000  
W=0.0000  
p<0.000001  
Correlación perfecta Modelo vs Real  
Rechaza H₀ por lo tanto H₁ aceptada (α = 0.05)  
La Figura 6 confirma que Recall y Precisión se mantuvieron en 1.00 en las 38 simulaciones, sin  
falsos positivos ni negativos, con el 100% de simulaciones perfectas (38/38).  
REVISTA POLITECNICA DE LA CIENCIA  
83  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Figura 6. Resultados de validación P8 en las 38 simulaciones: (a) Recall por simulación, (b) Precisión por simulación,  
(c) FP y FN y (d) simulaciones perfectas vs con errores.  
La sumatoria de defectuosas reales (Real=153) coincidió exactamente con la sumatoria detectada  
por el modelo (Modelo=153), con diferencia media de 0.0000 y correlación perfecta (푟 =  
1.0000). La prueba de Wilcoxon de rangos con signo confirmó el rechazo de H₀ (푊 = 0.0000, 푝 <  
0.000001), aceptando H₁: el modelo detecta consistentemente el número exacto de paquetes  
defectuosos plantados, validando estadísticamente al 95% de confianza la capacidad  
discriminativa del sistema.  
Resumen comparativo de los tres escenarios de validación  
Tabla 6. Comparación de los tres escenarios de validación del sistema.  
Validación  
n imágenes  
Escenario  
FP  
0
FN  
0
Recall y  
Precisión  
1.00  
Validación 1 (solo  
defectuosas)  
276  
P1 a P8 solo DEF  
Validación 2 (solo OK)  
Validación 3 (38  
simulaciones aleatorias)  
276  
1444  
P1 a P8 solo OK  
30 fijas con (20  
OK y 20  
0
0
—
0
1.00  
1.00  
defectuosas)  
3 escenarios  
TOTAL  
1996  
0
0
1.00  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
84  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
La validación de los tres escenarios alcanzó de forma consistente Recall y Precisión iguales a 1.00,  
sin falsos positivos ni negativos en las 1996 imágenes acumuladas, lo que valida la robustez del  
sistema para su aplicación en la producción real.  
DISCUSIÓN  
El proceso metodológico partió de 100 imágenes originales; la segmentación en cuadrantes y la  
limpieza manual posterior conformaron un conjunto base de 143 imágenes representativas por  
cuadrante. Sobre este conjunto se aplicaron cuatro transformaciones geométricas (original,  
rotación, espejo horizontal y espejo vertical), generando un conjunto final de 572 cuadrantes  
etiquetados (320 conformes y 252 defectuosos), con una distribución prácticamente balanceada  
de 1.27: 1. Este enfoque permitió multiplicar el número de muestras y definir una tarea de  
clasificación más ordenada, centrada en verificar la presencia adecuada de seis rollos en cada  
cuadrante sin aplicar técnicas de sobremuestreo (13).  
Tabla 9. Comparación con estudios relacionados de detección de defectos industriales.  
Estudio  
Arquitectura  
ResNet50  
CNN custom  
ResNet50  
Dataset  
Aprox 10000  
Aprox 5000  
Mayor  
140000  
572  
Accuracy  
96.0 %  
98.5 %  
96.0 %  
AUC-ROC  
0.971  
0.982  
Sundaram & Zeid (2023)  
Hou et al. (2024)  
Mjahad & Rosado (2025)  
a
0.970  
Presente estudio (2025)  
MobileNetV2  
97.0 %  
0.9978  
En el ámbito de la detección de defectos industriales, se observa que el presente estudio alcanza  
desempeños competitivos (20). Si se considera que se trabajó con un conjunto de datos mucho  
más reducido (572 cuadrantes) en comparación con otros estudios que emplean entre 5 000 y  
más de 140 000 imágenes, como se muestra en la Tabla 9 (3,6,21,22).  
Este trabajo se ejecutó bajo un entorno controlado; esto contribuyó a reducir la variabilidad  
causada por factores externos. La estrategia de aprendizaje por transferencia (transfer learning)  
mediante MobileNetV2 (11) permitió aprovechar conocimientos previamente adquiridos por el  
modelo, optimizando el proceso de entrenamiento y el enfoque de segmentación por cuadrantes,  
que resultó una ventaja estructural al descomponer el problema en unidades más simples y  
homogéneas, lo que favoreció la estabilidad del modelo.  
Durante el proceso de validación se realizó con 38 simulaciones; estas no responden a una  
elección aleatoria, sino que se encuentran vinculadas con la capacidad operativa diaria del  
sistema de producción. Este número representa, el máximo de tirajes que pueden procesarse en  
una jornada completa de 16 horas, considerando el tiempo requerido por cada unidad de  
inspección.  
REVISTA POLITECNICA DE LA CIENCIA  
85  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
Desde el punto de vista metodológico, esto contribuye a la solidez de este estudio. Cada  
simulación representa un tiraje real dentro del proceso productivo. Dado el conjunto de 38  
simulaciones, se presentan de manera consistente en condiciones de operación que el sistema  
enfrenta en la línea de producción, asegurando que los resultados obtenidos no solo sean  
estadísticamente sólidos, sino también representativos del contexto de la industria ecuatoriana.  
El nivel de desempeño resulta importante y superior a los métodos tradicionales de inspección  
manual, en los cuales se reportan tasas de detección de errores que varían entre el 20% y el 30%  
(23). En este contexto, no haber registrado falsos positivos en los distintos escenarios  
presentados adquiere un valor significativo, ya que evita descartar innecesariamente productos  
que contribuyen a mantener la eficiencia operativa del sistema de producción.  
Los resultados obtenidos son muy satisfactorios; sin embargo, es necesario reconocer algunas  
limitaciones durante este estudio: el conjunto de datos de imágenes se generó en condiciones  
controladas, utilizando una única configuración de captura de imágenes y la misma iluminación  
durante la jornada de producción. Esto implica que el modelo aún no ha sido puesto a prueba  
frente a la variabilidad de los entornos industriales reales y, por último, que el umbral de decisión  
definido podría requerir ajustes periódicos si cambian las condiciones del entorno, como la  
iluminación o la posición de los objetos. Considerando estos factores, será fundamental en  
futuras etapas asegurar el desempeño consistente del sistema.  
CONCLUSIONES  
Los resultados obtenidos evidencian un comportamiento estable del modelo en los tres  
escenarios de validación analizados, evaluando un total de 1996 imágenes que simulan una  
jornada productiva completa de 38 tirajes. Bajo estas condiciones, el sistema alcanzó niveles  
óptimos de desempeño, con valores de recall y precisiones iguales a 1.00, sin evidenciar errores  
de clasificación.  
Desde la metodología de este trabajo, se presentó un enfoque basado en la división de imágenes  
en cuadrantes, sobre el cual se entrenó un modelo MobileNetV2 utilizando 572 muestras con una  
distribución balanceada. Este modelo logró un AUC-ROC aproximado de 0.9978 y fue sometido a  
diferentes validaciones en tres condiciones: datos completamente defectuosos, completamente  
conformes y escenarios con selección aleatoria ajustados a la dinámica real de producción.  
Adicionalmente, se realizó un contraste estadístico mediante la prueba de Wilcoxon; p es menor  
que 0.000001, lo que respalda la capacidad del modelo para detectar con exactitud los defectos  
introducidos.  
Este estudio destaca la aplicación de segmentación estructurada como estrategia para simplificar  
el aprendizaje del modelo, seguida de la definición del umbral de decisión (0.55), respaldada por  
REVISTA POLITECNICA DE LA CIENCIA  
86  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
las condiciones controladas, la formulación de un esquema de validación alineado con la  
capacidad operativa diaria mediante 38 simulaciones, y la validación estadística de los resultados,  
que confirma la correspondencia entre las predicciones y los defectos reales observados.  
Como líneas futuras, se plantea avanzar hacia la integración del sistema con un controlador lógico  
programable (PLC), lo que permitiría automatizar la separación de productos defectuosos en  
tiempo real, así como su implementación en plataformas de hardware embebido. Donde se  
considera pertinente extender esta metodología a otros procesos de empaquetado que  
presenten estructuras similares.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
Hou M, Li P, Cheng S, Yv J. CNN-based defect detection in manufacturing. Adv Control Appl  
Eng Ind Syst. 2024;6(4):e196. doi:10.1002/adc2.196  
Instituto Ecuatoriano de Normalización. NTE INEN 1430: Papeles y cartones. Papel higiénico.  
Requisitos [Internet]. 2a rev. Quito: INEN; 2015 [citado 2026 Jul 12]. Disponible en:  
https://es.scribd.com/document/597487555/1430-NORMA-ECUATORIANA-PAPEL-  
HIGIENICO-REQUISITOS  
3.  
Hütten N, Alves Gomes M, Hölken F, Andricevic K, Meyes R, Meisen T. Aprendizaje profundo  
para la inspección visual automatizada en la fabricación y el mantenimiento: una revisión  
de artículos de acceso abierto. Appl Syst Innov. 2024;7(1):11. doi:10.3390/asi7010011  
Zhou S, Yao S, Shen T, Wang Q. A novel end-to-end deep learning framework for chip  
packaging defect detection. Sensors. 2024;24(17):5837. doi:10.3390/s24175837  
Lee J, Kim S, Park I. Computer-vision-based product quality inspection and novel counting  
system. Appl Syst Innov. 2024;7(6):127. doi:10.3390/asi7060127  
4.  
5.  
6.  
7.  
Sundaram S, Zeid A. Artificial intelligence-based smart quality inspection for manufacturing.  
Micromachines. 2023;14(3):570. doi:10.3390/mi14030570  
Subsecretaría de la Calidad. Reglamento técnico ecuatoriano RTE INEN 132 (1R): Productos  
absorbentes de papel [Internet]. Quito: Ministerio de Producción, Comercio Exterior,  
Inversiones y Pesca; 2019 [citado 2026 Mar 17]. Resolución N° 2019-068. Disponible en:  
http://extranet.comunidadandina.org/sirt/sirtDocumentos/ECOTCP19090.pdf  
Zeng L, Wan F, Zhang B, Zhu X. Inspección visual automatizada para la detección y  
clasificación precisa de defectos en insertos de CBN. Sensors. 2024;24(23):7824.  
doi:10.3390/s24237824  
8.  
9.  
Guan J, Fei J, Li W, Jiang X, Wu L, Liu Y, et al. Improving industrial quality control: a transfer  
learning  
approach  
to  
surface  
defect  
detection.  
Sensors.  
2025;25(2):527.  
doi:10.3390/s25020527  
Liu J, Wang C, Gao J, Guo C. Review of image classification algorithms based on  
convolutional neural networks. Remote Sens. 2021;13(22):4712. doi:10.3390/rs13224712  
10.  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
87  
https://politecnicadelaciencia.com/  
ISSN: 3091-2008  
Edición Bianual:  
Vol. 4 Num. 9, PP 72-88  
DOI:  
https://doi.org/10.56519/4m8msx93  
11.  
12.  
13.  
Sandler M, Howard A, Zhu M, Zhmoginov A, Chen LC. MobileNetV2: inverted residuals and  
linear bottlenecks. En: Proceedings CVPR; 2018. p. 4510-4520.  
doi:10.1109/CVPR.2018.00474  
Abdul Majeed A, Ateeq M, Hu B, Isa W, Omar Z, Chen W. Feature-based transfer learning  
for IoT-enabled defect detection. En: Advances in Intelligent Manufacturing and Robotics.  
Singapore: Springer; 2024. p. 455-467. doi:10.1007/978-981-99-8498-5_36  
Gour A, Bhanodia PK, Sethi KK, Rajput S. Novel framework for image classification based on  
a patch-based CNN model. En: Advances in Data and Information Sciences. Singapore:  
Springer; 2024. p. 235-245. doi:10.1007/978-981-99-6547-2_25  
14.  
15.  
Shorten C, Khoshgoftaar TM. A survey on image data augmentation for deep learning. J Big  
Data. 2019;6(1):60. doi:10.1186/s40537-019-0197-0  
Yang S, Xiao W, Zhang M, Guo S, Zhao J, Furao S. Image data augmentation for deep  
learning: a survey. ArXiv [Internet]. 2022 [citado 2026 Jul 12]; abs/2204.08610. Disponible  
en: https://arxiv.org/abs/2204.08610  
16.  
Bochnak P, Kozlowski M. On-the-fly image-level oversampling for imbalanced datasets of  
manufacturing defects. Mach Learn. 2024;113:1245-1268. doi:10.1007/s10994-023-06498-  
4
17.  
18.  
19.  
Lango M, Stefanowski J. Effective class-imbalance learning based on SMOTE and  
convolutional neural networks. Appl Sci. 2023;13(6):4006. doi:10.3390/app13064006  
Wu Z, Chen L. Image data augmentation techniques based on deep learning: a survey. Math  
Biosci Eng. 2024;21(3):272-295. doi:10.3934/mbe.2024272  
García S, Herrera F, Luengo J. Pruebas no paramétricas avanzadas para comparaciones  
múltiples en el diseño de experimentos en inteligencia computacional y minería de datos.  
Inf Sci. 2023;620:634-660. doi:10.1016/j.ins.2022.11.076  
20.  
21.  
Reddy KS, Prasad V. Using CNN for material surface quality inspection and classification. Int  
J Comput Intell Syst. 2025;18:951. doi:10.1007/s44196-025-00951-z  
Bajaña L, Paladines J. Diseño e implementación de un prototipo clasificador de granos de  
cacao usando visión artificial y machine learning [tesis de grado]. Guayaquil: Universidad  
Politécnica Salesiana; 2021.  
22.  
23.  
Mjahad A, Rosado-Muñoz A. Robust industrial surface defect detection using statistical  
feature extraction and capsule network architectures. Sensors. 2025;25(19):6063.  
doi:10.3390/s25196063  
Cheong LK, Hodgson AJ, Cheng AHC, Lee A, Wong A. SolderNet: hacia una inspección visual  
confiable de uniones de soldadura en la fabricación de productos electrónicos mediante  
inteligencia artificial explicable. En: Proceedings of the AAAI Conference on Artificial  
Intelligence. 2023;37(13):15725-15732. doi:10.1609/aaai.v37i13.26865  
REVISTA POLITECNICA DE LA CIENCIA  
publicaciones@politecnicadelaciencia.com  
+593 98 320 4362  
88