Un fabricante somete primero su tejido a una prueba de abrasión e inspección visual manual para clasificar el tejido antes del envío y asegurar que no haya defectos presentes. La clasificación visual manual consume una cantidad considerable de recursos humanos. Además, el uso prolongado de los ojos durante la inspección visual a menudo causa lesiones ocupacionales, lo que resulta en una disminución en la eficiencia de toda la operación. Para superar y evitar tales situaciones, este estudio propuso el uso de redes neuronales basadas en análisis de componentes principales profundos (DPCANNs) para la identificación de pelusas en tejidos. En el DPCANN propuesto, las características de la pelusa se capturaron automáticamente utilizando análisis de componentes principales profundos (DPCA), y la clase de pelusa se identificó utilizando la red neuronal y la máquina de vectores de soporte (SVM). Los resultados experimentales mostraron que el DPCANN propuesto tiene una precisión promedio del 99.7% a nivel de pelusa, lo cual está en línea con las necesidades de la industria. Los resultados también confirmaron que el método propuesto de clasificación de pelusas es superior a otros métodos.