Ayuda
Ir al contenido

Dialnet


Evaluación de técnicas avanzadas de regresión y de características de textura en imágenes de resonancia magnética para determinar parámetros de calidad en productos cárnicos

  • Autores: María del Mar Ávila Vegas
  • Directores de la Tesis: María Luisa Durán Martín-Meras (dir. tes.), María Trinidad Pérez Palacios (dir. tes.), María Teresa Antequera Rojas (dir. tes.)
  • Lectura: En la Universidad de Extremadura ( España ) en 2018
  • Idioma: español
  • Número de páginas: 209
  • Tribunal Calificador de la Tesis: Eva Cernadas García (presid.), Raúl Grau Meló (secret.), Pablo Garcia Rodriguez (voc.)
  • Programa de doctorado: Programa de Doctorado en Tecnologías Informáticas (TIN) por la Universidad de Extremadura
  • Materias:
  • Enlaces
    • Tesis en acceso abierto en: Dehesa
  • Resumen
    • español

      Las investigaciones realizadas en esta Tesis Doctoral se centran en evaluar la predicción de parámetros de calidad de derivados cárnicos mediante el empleo de imágenes de Resonancia Magnética (MRI), algoritmos de análisis de textura y métodos avanzados de regresión.

      El empleo de MRI para determinar la calidad de derivados cárnicos se propone como técnica alternativa y/o complementaria a los análisis físico-químicos y sensoriales usados habitualmente. Estas técnicas son laboriosas, costosas en tiempo y dinero e implican la destrucción de las piezas cárnicas. MRI, además de ser una técnica no destructiva, también es no invasiva e inocua.

      La metodología propuesta se basa en la adquisición de MRI de lomo y jamón ibérico mediante dispositivos de resonancia magnética de bajo y alto campo respectivamente. Estas MRI se analizan mediante el uso de una amplia variedad de técnicas de extracción de características de textura (coocurrencia de niveles de gris, análisis fractal, patrones binarios locales, transformadas Wavelet y filtros de Gabor). Así se obtienen vectores de características que son procesados mediante diferentes métodos de regresión (28 regresores) para predecir los parámetros de calidad empleando una técnica de validación realista. De igual forma se aborda el estudio de estructuras volumétricas mediante la reconstrucción en 3D de los productos y el análisis de texturas 3D con el propósito de extraer información adicional no obtenida mediante técnicas habituales.

      Los resultados obtenidos confirman la viabilidad de la aplicación de técnicas de visión por computador sobre MRI para predecir características de calidad de productos cárnicos de manera no destructiva.

    • English

      This Doctoral Thesis focuses on evaluating the prediction of quality parameters of meat products through Magnetic Resonance Imaging (MRI), texture analysis algorithms and advanced regression methods. The use of MRI to determine the quality of meat products is proposed as an alternative and / or complementary technique to the current physico-chemical and sensory analysis. These usual techniques are laborious, costly in time and money, and involve the destruction of meat pieces. MRI is not only a nondestructive technique, but also non-invasive and innocuous. The proposed methodology is based on the acquisition of MRI of loin and Iberian ham by means of low and high field MRI devices, respectively. These MRI are analyzed by using a wide variety of techniques for extracting texture characteristics (gray level coocurrence, fractal analysis, local binary patterns, Wavelet transforms and Gabor filters). Therefore, feature vectors are obtained and then processed by different regression methods (28 regressors) to predict quality parameters by using a realistic validation technique. As well, the study of volumetric structures is carried out through 3D reconstruction of products and the analysis of 3D textures with the aim of extracting additional information which is not obtained by means of the usual techniques. The obtained results confirm the viability of the application of computer vision techniques and MRI to predict quality characteristics of meat products in a non-destructive way.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno