La aparición de la tecnología robótica moderna y la inteligencia artificial (IA) permite una transformación en el sector textil. La inspección manual de defectos en tejidos es un proceso que consume tiempo, propenso a errores y requiere mucha mano de obra. Esto ofrece una gran posibilidad para aplicar procesos automatizados con IA entrenada de manera segura, con interacción humano-robot (HRI) para reducir los riesgos de accidentes laborales y enfermedades ocupacionales, y mejorar la sostenibilidad ambiental de los procesos. En este estudio experimental, desarrollamos, implementamos y probamos un algoritmo novedoso que detecta defectos en tejidos utilizando redes neuronales convolucionales profundas mejoradas (DCNNs). El método propuesto integra arquitecturas avanzadas de DCNN para clasificar y detectar automáticamente 13 tipos diferentes de defectos en tejidos, como dobleces, agujeros, extremos rotos, etc., asegurando una alta precisión y eficiencia en el proceso de inspección. El conjunto de datos se creó mediante técnicas de aumento y se ajustó un modelo en un gran conjunto de datos de imágenes anotadas utilizando enfoques de aprendizaje por transferencia. El experimento se realizó utilizando un robot antropomórfico programado para moverse sobre el tejido. La cámara conectada al robot detectó defectos en el tejido y activó una alarma. Se instaló un sensor fotoeléctrico en la cinta transportadora y se conectó al robot para notificarle sobre un tejido próximo. La arquitectura del modelo CNN se mejoró para aumentar el rendimiento. Los hallazgos experimentales muestran que el sistema presentado puede detectar defectos en tejidos con un 97.49% de Precisión Promedio (mAP).