Los algoritmos de aprendizaje automático se han convertido en una herramienta muy esencial en los campos de matemáticas e ingeniería, así como para fines industriales (textil, medicina, deporte, etc.). Esta investigación aprovecha los algoritmos clásicos de aprendizaje automático para la detección innovadora, precisa y eficiente de protuberancias en tejidos. Presentamos un enfoque para mejorar el entrenamiento del modelo con un pequeño conjunto de datos. Utilizamos algunos algoritmos clásicos de aprendizaje automático estadístico (árboles de decisión, regresión logística, etc.) y un modelo de red neuronal (NN) completamente conectado. También presentamos un enfoque para optimizar la tasa de precisión del modelo y el tiempo de ejecución para encontrar la mejor precisión utilizando el procesamiento paralelo con Dask (Python).