@prefix config: <http://example.org/config#>.
@prefix meta: <http://example.org/metadata#>.
@prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>.
@prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#>.
@prefix xsd: <http://www.w3.org/2001/XMLSchema#>.
@prefix owl: <http://www.w3.org/2002/07/owl#>.
@prefix dc: <http://purl.org/dc/elements/1.1/>.
@prefix dcmitype: <http://purl.org/dc/dcmitype/>.
@prefix dcterms: <http://purl.org/dc/terms/>.
@prefix foaf: <http://xmlns.com/foaf/0.1/>.
@prefix geo: <http://www.w3.org/2003/01/geo/wgs84_pos#>.
@prefix om: <http://opendata.caceres.es/def/ontomunicipio#>.
@prefix locn: <http://www.w3.org/ns/locn#>.
@prefix schema: <http://schema.org/>.
@prefix skos: <http://www.w3.org/2004/02/skos/core#>.
@prefix dbpedia: <http://localhost:8080/resource/>.
@prefix p: <http://localhost:8080/property/>.
@prefix yago: <http://localhost:8080/class/yago/>.
@prefix units: <http://dbpedia.org/units/>.
@prefix geonames: <http://www.geonames.org/ontology#>.
@prefix prv: <http://purl.org/net/provenance/ns#>.
@prefix prvTypes: <http://purl.org/net/provenance/types#>.
@prefix doap: <http://usefulinc.com/ns/doap#>.
@prefix void: <http://rdfs.org/ns/void#>.
@prefix ir: <http://www.ontologydesignpatterns.org/cp/owl/informationrealization.owl#>.
@prefix ou: <http://opendata.unex.es/def/ontouniversidad#>.
@prefix teach: <http://linkedscience.org/teach/ns#>.
@prefix time: <https://www.w3.org/2006/time#>.
@prefix datex: <http://vocab.datex.org/terms#>.
@prefix aiiso: <http://purl.org/vocab/aiiso/schema#>.
@prefix vivo: <http://vivoweb.org/ontology/core#>.
@prefix bibo: <http://purl.org/ontology/bibo/>.
@prefix fabio: <http://purl.org/spar/fabio/>.
@prefix vcard: <http://www.w3.org/2006/vcard/ns#>.
@prefix swrcfe: <http://www.morelab.deusto.es/ontologies/swrcfe#>.
@prefix frapo: <http://purl.org/cerif/frapo/>.
@prefix org: <https://www.w3.org/ns/org#>.
@prefix ei2a: <https://opendata.aragon.es/def/ei2a/#>.
@prefix pto: <http://www.productontology.org/id/>.

<http://opendata.unex.es/recurso/ciencia-tecnologia/investigacion/tesis/Tesis/2017-47> ou:tribunal "Cernadas García, Eva (Presidente)";
    dcterms:director "Antequera Rojas, María Teresa (Codirector)", "Caro Lindo, Andrés (Director)";
    dcterms:subject "Analisis De Datos", "Sistemas Automatizados De Control De Calidad";
    dcterms:director "Pérez Palacios, Mª Trinidad (Codirector)";
    ou:programaDoctorado "Programa Oficial De Doctorado En Tecnologías Informáticas Y Comunicaciones";
    dcterms:dateSubmited "2017-05-29T00:00:00"^^xsd:dateTime;
    dcterms:subject "Elaboracion De Alimentos";
    dcterms:creator "Caballero Jorna, Daniel";
    dcterms:description "En esta tesis doctoral se propone una metodología para determinar características de calidad de productos cárnicos (jamón y lomo Ibérico) de forma no destructiva, mediante imágenes de resonancia magnética (MRI) y algoritmos de visión por computador.En primer lugar se obtienen MRI de los productos cárnicos, evaluando tres secuencias de adquisición (Spin Echo, (SE) Gradiente Echo (GE) y Turbo 3D (T3D)). Posteriormente, las MRI se analizan mediante algoritmos de texturas (GLCM, GLRLM y NGLDM) y de fractales (CFA, FTA y OPFTA); los dos últimos desarrollados en esta tesis doctoral. Esto que permite la extracción de una serie de características computacionales. Los productos cárnicos también se analizan mediante técnicas físico-químicas y sensoriales. Finalmente, sobre todos los datos obtenidos se aplican técnicas de minería de datos: deductivas (Regresión Lineal Múltiple, MLR), de clasificación (árboles de decisión, DT y Sistemas basados en reglas, SBR) y predictivas (MLR y Regresión Isotónica, IR).La secuencia de adquisición, el algoritmo y la técnica de minería de datos influyen sobre la eficacia del análisis de los parámetros de calidad. Podría indicarse el empleo de SE como secuencia de adquisición y GLCM o OPFTA como algoritmos de análisis de imágenes. Como técnicas de minería de datos, MLR y DT son apropiados, respectivamente, para deducir parámetros físico-químicos y clasificar en función del contenido en sal. Como técnica predictiva se puede indicar MLR, que permite obtener ecuaciones fiables para los parámetros de calidad, y así determinar la calidad de los productos cárnicos de forma no destructiva, eficiente, efectiva y precisa.";
    ou:tribunal "Garcia Rodriguez, Pablo (Secretario)";
    dcterms:identifier "2017-47";
    dcterms:subject "Tratamiento Digital De Imagenes";
    a bibo:Thesis;
    ou:tribunal "Pugliese, Carolina (Vocal)";
    dcterms:title "Algoritmos De Extracción De Características A Partir De Imágenes De Resonancia Magnética Para Evaluar Parámetros De Calidad En Productos Cárnicos Mediante Minería De Datos";
    vcard:url <https://educacion.gob.es/teseo/mostrarRef.do?ref=1421979>;
    ou:directorTesis <http://opendata.unex.es/recurso/educacion/universidad/personal/7f2077a602df718d69e645afa15b4581-andres-caro-lindo>;
    ou:autorTesis <http://opendata.unex.es/recurso/educacion/universidad/personal/2df0ea481a50751406161c1e4b52b708-daniel-caballero-jorna>;
    ou:directorTesis <http://opendata.unex.es/recurso/educacion/universidad/personal/a367510dace10a974fbf65c9e0542c5c-maria-teresa-antequera-rojas>, <http://opendata.unex.es/recurso/educacion/universidad/personal/2832da0622e1dcb3cce8e9f35f66079e-maria-trinidad-perez-palacios>.