Análisis comparativos de descriptores clásicos y Embeddings de Resnet-50: Evaluación en texturas complejas

Abstract

En el presente Trabajo de Fin de Grado se aborda el problema de la clasificación de texturas complejas mediante visión artificial. Se realiza una comparación exhaustiva entre métodos tradicionales de extracción de características (LBP, GLCM, Gabor) y técnicas modernas basadas en aprendizaje profundo, específicamente utilizando los embeddings generados por la arquitectura ResNet-50. Los experimentos se llevan a cabo sobre el dataset DTD (Describable Textures Data set), evaluando no solo el rendimiento en términos de precisión (accuracy), sino también la eficiencia computacional, así como la explicabilidad de los modelos de Deep Learnig. Los resultados demuestran las fortalezas y debilidades de cada enfoque, proporcionando una guía para la selección de algoritmos en aplicaciones industriales de inspección visual.