En la industria manufacturera, que se enfrenta a la 4ta Revolución Industrial, se están recopilando diversos datos de proceso de varios sensores, y se están realizando esfuerzos para construir procesos más eficientes utilizando estos datos. Muchos estudios han demostrado una alta precisión en la predicción de tasas de defectos a través de datos de imagen recopilados durante el proceso utilizando algoritmos de redes neuronales convolucionales (CNN) bidimensionales (2D), que son efectivos en el análisis de imágenes. Sin embargo, en un entorno donde se registran numerosos datos de proceso como valores numéricos, la aplicación de algoritmos CNN 2D es limitada. Por lo tanto, para realizar la predicción de defectos a través de la aplicación de un algoritmo CNN 2D en un proceso en el que no se pueden recopilar datos de imagen, este estudio intentó desarrollar una técnica de predicción de defectos que pueda visualizar los datos recopilados en forma numérica. El proceso de fabricación de espuma de poliuretano fue seleccionado como un estudio de caso para verificar el método propuesto, que confirmó que la tasa de defectos podría predecirse con una precisión promedio del 97.32%. En consecuencia, la predicción altamente precisa de la tasa de defectos y la verificación de la base de juicio pueden facilitarse en entornos donde no se pueden recopilar datos de imagen, lo que hace que la técnica propuesta sea aplicable a procesos distintos a los de este estudio de caso.