Investigación sobre la detección de patrones en imágenes de batik basada en YOLOv11 mejorado

Tela ancestral se encuentra con código moderno

El batik de las comunidades Miao de China es más que un adorno: sus mariposas, dragones, aves y flores registran de forma silenciosa la historia, las creencias y la vida cotidiana en ausencia de una escritura. Sin embargo, a medida que estos tejidos envejecen y las generaciones más jóvenes se alejan de las artes tradicionales, la información cultural vital corre el riesgo de perderse entre montones de fotos sin etiquetar y telas que se desvanecen. Este estudio muestra cómo un software avanzado de reconocimiento de imágenes puede localizar e identificar automáticamente motivos pequeños y solapados en imágenes de batik complejas, ofreciendo una nueva forma de preservar y explorar esta forma de arte viva a gran escala.

Por qué importan estos motivos

El batik chino es una técnica de tintado manual que ha prosperado durante más de dos milenios, especialmente entre el pueblo Miao en la provincia de Guizhou. Debido a que esta comunidad carecía históricamente de una lengua escrita, los motivos del batik se convirtieron en un archivo visual de mitos, rituales, estética y costumbres sociales. Los investigadores han empezado a digitalizar y analizar estos patrones con herramientas de las matemáticas, el diseño y la inteligencia artificial. Trabajos previos podían clasificar motivos aislados con bastante precisión, pero por lo general requerían recortarlos de su tela original, rompiendo los vínculos entre cada símbolo y la composición mayor. Esto dificultaba comprender cómo interactúan los motivos en una prenda o textil para transmitir significados en capas.

De etiquetas simples a detección inteligente

Los autores sostienen que lo que se necesita no es solo clasificación sino detección de objetos completa: localizar cada motivo en una fotografía completa y nombrar su tipo. Eso es un problema difícil en imágenes reales de batik, donde los diseños están amontonados, varían mucho en tamaño y a menudo están desteñidos, agrietados o parcialmente ocultos. Los sistemas de detección estándar, incluidas versiones anteriores de la popular familia de algoritmos YOLO («You Only Look Once»), tenían dificultades con estas condiciones. Tendían a omitir símbolos muy pequeños, confundirse con fondos intrincados o fallar cuando la iluminación y la calidad de imagen eran irregulares—exactamente el tipo de imágenes que los curadores e investigadores de campo suelen recopilar.

Enseñar a una red neuronal a leer la tela

Para abordar estos desafíos, el equipo creó primero lo que hoy es el mayor conjunto de datos de detección de batik chino: 861 imágenes de alta resolución anotadas con 9933 cuadros delimitadores en siete categorías de motivos (mariposa, pez, dragón, ave, tambor, flor y fruta). Equilibraron cuidadosamente el tamaño y la calidad de las imágenes, y ampliaron los datos limitados aplicando desenfoques controlados, cambios de color, volteos, mosaicos y otras transformaciones para que el modelo no memorizara simplemente las muestras de entrenamiento. Sobre este conjunto de datos construyeron una versión mejorada de YOLOv11, un marco de detección de objetos de vanguardia elegido por su rapidez y tamaño compacto—rasgos importantes si la herramienta ha de ejecutarse en ordenadores cotidianos de museos y centros culturales.

Mirar más lejos y ver con más claridad

El modelo mejorado incorpora dos ideas clave. Primero, un componente inspirado en el mecanismo VOLO «vision outlooker» permite a la red observar a la vez partes distantes de la imagen, en lugar de limitarse a vecindarios locales pequeños. Esto le ayuda a reconocer que dos formas diminutas separadas pueden pertenecer al mismo patrón significativo, y que el papel de un motivo depende de sus vecinos. Segundo, el equipo reconfiguró la forma en que la red procesa las características de la imagen usando una estructura llamada Fused-MBConv. Este rediseño mantiene las operaciones computacionales eficientes mientras agudiza la capacidad del modelo para extraer detalles sutiles de telas envejecidas y ruidosas. En pruebas y estudios de ablación cuidadosos, su diseño final alcanzó una mayor precisión media de detección que el YOLOv11 base y otros detectores ligeros, conservando además la rapidez necesaria para uso en tiempo real o casi en tiempo real.

De etiquetas automáticas a historias culturales

Más allá de las métricas de detección, los investigadores conectaron su modelo a un grafo de conocimiento sobre batik que vincula cada tipo de motivo con historias sobre sus orígenes, significados simbólicos y ejemplos relacionados. En un sistema de software prototipo, un usuario puede subir la foto de una tela, ver los motivos detectados resaltados y luego hacer clic para explorar su contexto cultural. Para los archiveros, esto significa catalogación más rápida y coherente de grandes colecciones. Para educadores y visitantes, convierte el reconocimiento de patrones en un punto de entrada para aprender sobre las creencias, rituales y la estética Miao. Aunque el sistema actual solo está entrenado en batik chino, los autores lo ven como un plano para herramientas transculturales que algún día podrían ayudar a proteger tradiciones textiles desde Indonesia hasta India, garantizando que los diseños en la tela sigan hablando, incluso cuando las propias telas envejezcan y se desvanezcan.

Cita: Li, Y., Quan, H., Li, Q. et al. Research on batik image pattern detection based on improved YOLOv11. npj Herit. Sci. 14, 143 (2026). https://doi.org/10.1038/s40494-026-02404-y

Palabras clave: detección de patrones de batik, patrimonio cultural inmaterial, visión por computador, detección de objetos YOLO, arte textil Miao