IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO.
9, SEPTEMBER 2017
New Fractal Features and Data Mining to
Determine Food Quality Based on MRI
D. Caballero, A. Caro, M. M. Ávila, P. G. Rodríguez, T. Antequera and T. Pérez
1
Abstract— The extraction of textural information from images
to explore parameters related to food quality is very common. In
this paper, the extraction of quality features from MRI is
performed by a new fractal algorithm and second order statistics,
as an alternative to the classical texture approaches. The proposed
method needs fewer features than classical textures, computing
them with a lower computational complexity. Quality
characteristics from MRI of Iberian loins are extracted to validate
the practical application of the proposed algorithm. The new
method is compared to the standard fractal algorithm and also to
the classical texture approaches. Characteristics obtained by
means of the new fractal algorithm, by the standard fractal
algorithm, and by the three classical texture methods are
correlated to the results obtained by using physico-chemical
methods. The correlations achieve coefficients higher than 0.75.
Therefore, the new algorithm could be used to calculate quality
parameters of meat products in a non-destructive and efficient
way, being also suitable for the meat industries to characterize
meat products.
Keywords— Fractals, Texture features, MRI, Food
Technology, Data Mining.
I. INTRODUCCIÓN
E L ESTUDIO de la calidad de los alimentos mediante
técnicas de visión por computador es cada vez más
habitual. Uno de los métodos más extendidos se basa en la
extracción de información de texturas a partir de imágenes de
alimentos. El análisis de texturas fue usado para estudiar el
veteado en carne de ternera [1], para predecir la terneza de la
ternera cocinada a partir de imágenes de ternera fresca [2], o
para clasificar carne bovina [3]. La eficiencia de los métodos
basados en texturas para resolver problemas relacionados con
la carne, tanto fresca como curada fue probado también
recientemente [4][5]. Además, el análisis de texturas ha
permitido clasificar diferentes tipos de jamones ibéricos [6], así
como desarrollar métodos para reconocer el veteado en el
jamón ibérico curado [7]. Igualmente fue usado para predecir
algunas características sensoriales del lomo ibérico [8].
También mediante análisis de textura se analizó el nivel de
grasa y veteado en lomo ibérico, procesando imágenes de
resonancia magnética (MRI) [9].
La mayoría de los trabajos se basan en algoritmos de
D. Caballero, Computer Science Department, Research Institute of Meat and
Meat Product (IproCar), University of Extremadura, Cáceres, España,
dcaballero@unex.es
A. Caro, Computer Science Department, Research Institute of Meat and Meat
Product (IproCar), University of Extremadura, Cáceres, España,
andresc@unex.es
M. M. Ávila, Computer Science Department, Research Institute of Meat and
Meat Product (IproCar), University of Extremadura, Cáceres, España,
mmavila@unex.es
1777
extracción de texturas como el GLCM (algoritmo de la matriz
de co-ocurrencia de niveles de gris) [10], el GLRLM (algoritmo
de hileras de nivel de gris) [11], el NGLDM (método de
dependencia de los niveles de gris de vecindad) [12], las
transformadas de Fourier [13] y las transformadas de Wavelet
[14].
Los productos cárnicos curados, principalmente jamones y
lomos ibéricos, tienen una gran importancia en el suroeste de la
península ibérica, donde se generan este tipo de productos con
una alta calidad. Ello redunda en la importancia económica que
los productos cárnicos curados tienen en esa zona. Tanto
jamones como lomos son habitualmente muy apreciados por los
consumidores en los mercados y alcanzan un alto grado de
calidad en términos de calidad sensorial [7]. Para determinar las
características de calidad de estos productos, tradicionalmente
se realizan análisis físico-químicos y sensoriales, que, además
de ser tediosos, conllevan una considerable cantidad de tiempo,
gastos de disolventes y, además, conllevan en muchos casos la
destrucción de las piezas. Como una alternativa a estos métodos
de análisis tradicionales se ha propuesto el uso de los algoritmos
de textura basados imágenes obtenidas mediante resonancia
magnética (MRI). La naturaleza no destructiva, no invasiva, no
intrusiva, no ionizante e inocua de las MRI junto a los
algoritmos apropiados se han mostrado como una alternativa
real [6][7][8][9][15][16][17].
Actualmente, existe un creciente interés en el uso de técnicas
de análisis fractales en lugar de análisis de texturas clásicos.
Principalmente debido a que las texturas de las imágenes
buscan comprimir la información de la imagen y el uso de
fractales permite la identificación de patrones recurrentes,
eliminando la posibilidad de la compresión de la imagen. En
tecnología de los alimentos, el uso de fractales se ha centrado
hasta ahora en caracterizar la estructura de los alimentos
[18][19]. Sólo unos pocos autores han intentado correlacionar
atributos de calidad de los alimentos con características
obtenidas del análisis de las imágenes. Las técnicas de fractales
han sido usadas para predecir el contenido de azúcar en melones
[20], o para cuantificar la clorofila del tomate [21]. Sin
embargo, desde nuestro conocimiento, el uso de técnicas
fractales no ha sido llevado a cabo para predecir los parámetros
de calidad en productos cárnicos.
P. G. Rodríguez, Computer Science Department, Research Institute of Meat and
Meat Product (IproCar), University of Extremadura, Cáceres, España,
pablogr@unex.es
T. Antequera, Food Technology Department, Research Institute of Meat and
Meat Product (IproCar), University of Extremadura, Cáceres, España,
tantero@unex.es
T. Pérez-Palacios, Food Technology Department, Research Institute of Meat
and Meat Product (IproCar), University of Extremadura, Cáceres, España,
triny@unex.es
1778 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017

En este trabajo se propone y desarrolla un algoritmo que III. MÉTODOS

viene a cubrir la necesidad de poder utilizar técnicas fractales En este trabajo se propone el algoritmo FTA (Fractal Texture
para poder predecir parámetros de calidad de productos Algorithm, o Algoritmo de Texturas Fractales). Este nuevo
cárnicos, con un coste computacional inferior respecto a los algoritmo permite extraer características de texturas basadas en
algoritmos de texturas que se han venido utilizando de manera fractales, obtenidas en imágenes MRI, en este caso de lomos
tradicional, tal y como se muestra en la tabla 1. ibéricos. Las características obtenidas conformarán una base de
datos, según estadísticos de segundo orden, de parámetros de
TABLA I
COSTE COMPUTACIONAL DE LOS ALGORITMOS DE TEXTURA calidad de los lomos, obtenidos mediante el FTA.
Con el objetivo de validar los resultados obtenidos mediante
Coste el algoritmo FTA, las mismas imágenes MRI de lomos ibéricos
Algoritmo computacional fueron procesadas mediante otras técnicas de extracción de
GLCM O (n²)
características. Las técnicas clásicas de fractales fueron una de
NGLDM O (n³)
GLRLM O (n²) ellas, obteniendo una nueva base de datos con parámetros de
GLCM + calidad de los lomos, obtenidos mediante esta técnica clásica.
NGLDM + Además, dado que en la bibliografía se comenta que
GLRLM O (n³)
Fractales clásicos O (n³)
habitualmente se utilizan técnicas basadas en texturas para la
Transformada de obtención de parámetros de calidad, en este trabajo también
Wavelet O (n³) fueron procesadas las imágenes MRI de los lomos mediante los
Transformada de algoritmos GLCM, GLRLM y NGLDM, completando así
Fourier O (n³)
Nuestra propuesta O (n² * log n) nuevas bases de datos basadas en algoritmos de texturas.
Como se dispone de una primera base de datos, con
Los objetivos de este trabajo se resumen en (1) desarrollar un parámetros de calidad obtenida por métodos físico-químicos,
algoritmo para estudiar características de texturas basadas en ésta será comparada con cada uno de los conjuntos de datos
dimensiones fractales y estadísticos de segundo orden; y (2) obtenidos mediante los empleados (FTA, fractales y GLCM,
probar su aplicación práctica en imágenes MRI de lomos GLRLM y NGLDM conjuntamente). El objetivo no es otro que
ibéricos para predecir sus parámetros físico-químicos, lo que el de comprobar si existe correlación entre los datos obtenidos
validaría la efectividad del algoritmo propuesto. mediante técnicas tradicionales y los obtenidos mediante las
técnicas probadas.
II. MATERIAL El algoritmo FTA se describe a continuación.
Para este trabajo se utiliza una base de Imágenes de
III.A. FRACTAL TEXTURE ALGORITHM (FTA)
Resonancia Magnética (MRI) adquiridas a partir de diez lomos
ibéricos, cinco de ellos en su etapa de frescos, y otros cinco en La figura 1 muestra el flujo de ejecución del algoritmo
la etapa de curación final. Las MRI fueron generadas en el propuesto, que se organizado en dos pasos fundamentales.
Servicio de análisis e innovación en productos de origen animal
(SiPA) de la Facultad de Veterinaria de la Universidad de
Extremadura (Cáceres, España). Se usó un escáner MRI de bajo
campo magnético (ESAOTE VET-MR E-SCAN XQ 0,18T),
con una antena de mano/muñeca, y nueve diferentes
configuraciones de tiempo de echo (TE) y de tiempo de
repetición (TR). Se aplicaron secuencias Spin Echo (SE)
potenciadas en T1 con un campo de visión (FOV) de
150x150mm², con una distancia entre imágenes de 4 mm y una
resolución para los pixeles de 0,23 x 023 mm². De este modo,
se obtuvieron un total de 29 imágenes por lomo, lo que implica
un número total de 2610 imágenes (29 imágenes x 10 lomos x
9 configuraciones).
Sobre estos mismos diez lomos, se realizaron análisis físico-
químicos siguiendo las metodologías establecidas, para obtener
valores de humedad [22.reference 935.29], coordenadas de
color instrumental (L*,a,b) (colorímetro Minolta CR-300),
actividad del agua (Lab-master aw, NOVASINA AG),
contenido de sal [22.reference 971.19] y contenido de grasa
[23]. Así se conformó una primera base de datos, con Figura 1. Flujo de ejecución del algoritmo de texturas computacionales
propuesto (algoritmo FTA).
parámetros de calidad obtenida mediante métodos físico-
Primero, en el paso A) sobre la base de imágenes MRI que
químicos.
se tiene, se aplica en cada imagen una variación del algoritmo
de Minkowski-Bouligand [24] para obtener exponentes locales
CABALLERO et al.: NEW FRACTAL FEATURES AND DATA 1779

para diferentes tamaños de cajas (potencias de 2). Estos las siguientes: Uniformity (UNI), Entropy (ENT), Correlation
exponentes locales se recopilaron, creando un vector. El (COR), Inverse Difference Moment (IDM), Inertia (INE),
algoritmo 1 muestra cómo se calculan estos vectores. Contrast (CON), Emphasis (EMP), Jorna’s Correlation (JC),
Cluster Shade (CS) y Cluster Prominence (CP). La tabla 2
ALGORITMO I
OBTENER EXPONENTES LOCALES
muestra las ecuaciones que permiten calcular cada una de las
características de texturas a partir de los valores obtenidos en el
Entrada: img: imagen vector. Estas diez características permiten definir la textura
Salida: vector_datos: vector computacional de una imagen en base a su estructura fractal.
Inicio
(alto,ancho)=obtener_dimensiones(img)
Si (alto > ancho) entonces TABLA II
Máximo=alto ECUACIONES DE LAS CARACTERÍSTICAS DE TEXTURA DEL
Sino ALGORITMO FTA
Máximo=ancho
Finsi
P = log (máximo) / log 2 Característica Ecuación
Tamaño = 2p
Imagen_ampliada=crear_imagen(tamaño,tamaño) UNI
Para i desde 0 hasta alto hacer
Para j desde 0 hasta ancho hacer ENT ∑ ( * ( ))
Imagen_ampliada = img
Fin para
Fin para COR ( − )∗
Para i desde 0 hasta alto hacer
Para j desde ancho hasta tamaño hacer
Imagen_ampliada = 0 IDM
Fin para 1+
Fin para
Para i desde alto hasta tamaño hacer INE ∗
Para j desde 0 hasta tamaño hacer
Imagen_ampliada = 0
Fin para
Fin para CON ∗
Para g desde p-1 hasta 0 incremento -1 hacer
Aux = 2p-g
Auxil = aux/2 EMP
Para i desde 1 hasta aux incremento i+máximo-aux hacer
Para j desde 1 hasta aux incremento j+máximo-aux hacer
Si(imagen_ampliada(i,j)=imagen_ampliada(i+auxil,j)) entonces JC ( − ) ∗
Contador++
Sino si(imagen_ampliada(i,j)=imagen_ampliada(i,j+auxil)) entonces
Contador++
CS ( − ) ∗
Sino si(imagen_ampliada(i,j)=imagen_ampliada(i+auxil,j+auxil) entonces
Contador++
Finsi
Finsi CP ( − ) ∗
Finsi
Fin para
Fin para
Actualizar vector_datos El algoritmo 2 muestra cómo se obtienen todas estas
FinPara características de texturas. Como se observa en la tabla 2, es
Fin
necesario calcular la media y la varianza del vector de
exponentes locales obtenido en el paso previo, con el objetivo
Como se puede observar en el algoritmo 1, primeramente se
amplía el tamaño de cada una de las imágenes, de tal manera de poder computar las diez características de texturas.
que su tamaño sea una potencia de 2. Ello es preciso porque, ALGORITMO II
para poder extraer los diferentes exponentes locales, es FTA
necesario que las diferentes cajas sean una potencia de 2.
Posteriormente se calculan los diferentes exponentes locales Entrada: img: imagen
Salida: vector_datos: vector
para cada uno de los tamaños de las cajas R, donde D refleja el Inicio
número N de veces que un patrón se ha repetido para cada Cargar_imagen(img)
Crear_vector_datos(vector_datos)
imagen en función del tamaño R de cada caja, que se ha Obtener_exponentes_locales(img,vector_datos)
calculado para cada imagen. Todos estos exponentes locales Obtener_media_vector(vector_datos,media)
Obtener_varianza_vector(vector_datos,varianza)
son almacenados en un vector que es tratado en el paso B del Calcular_vector_caracteristicas(vector_datos,media,varianza,vector_caracteristicas)
algoritmo. Hasta aquí el algoritmo FTA podría considerarse Fin
como una leve modificación del algoritmo clásico de fractales.
En el paso B, se computa el vector de los exponentes locales El algoritmo FTA propuesto supone una gran novedad a la
que se han obtenido en el paso previo. De esta manera, se hora de obtener características de calidad sobre imágenes de
obtienen diez características de texturas a partir de los datos alimentos (lomos en nuestro caso), puesto que los vectores
obtenidos en el vector. Estas características se calculan obtenidos no están basados en características de texturas, sino
aplicando estadísticos de segundo orden sobre el vector. Las en características fractales, lo que supone una auténtica
diez características que se han obtenido a partir del vector son novedad.
1780 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017

separados por una distancia d aparecen en la ROI, un pixel con

III.B. ALGORITMO DE FRACTALES un nivel de gris i y el otro con un nivel de gris j. La distancia d
El método clásico de fractales, el algoritmo de Minkowski- depende del tamaño de las dimensiones, aunque en la aplicación
Bouligand, es otro de los algoritmos aplicados en este estudio. práctica como los segmentos en la ROI habitualmente son muy
En este caso, este método estudia la repetición de los patrones pequeños, la distancia que se aplica normalmente es d=1. Diez
en las imágenes [24]. El algoritmo de fractales mide el número características de textura computacionales diferentes
de cajas (pequeñas fracciones de las imágenes dependiendo del propuestas por Haralick [10] han sido obtenidas: Energy
tamaño de la imagen original) necesarias para cubrir un área (ENE), Entropy (ENT), Correlation (COR), Haralick’s
ocupada por el objeto como función del tamaño de las cajas. Correlation (HC), Inverse Difference Moment (IDM), Inertia
Esto se calcula computando el exponente local con diferentes (INE), Cluster shade (CS), Cluster Prominence (CP), Contrast
tamaños de cajas. El exponente local, D, es la variación del (CON) y Dissimilarity (DIS). En la tabla 3 se pueden observar
número de objetos N, en función del tamaño de la caja R. La las ecuaciones que permiten calcular estas características.
dimensión fractal es el valor de D, cuando permanece constante
TABLA III
respecto al tamaño de la caja. La dimensión fractal de cada ECUACIONES DE LAS CARACTERÍSTICAS DE TEXTURAS DEL
imagen fue calculada usando el paquete box-counting (toolbox ALGORITMO GLCM
descargada de
http://mathworks.com/matlabcentral/fileexchange/13063- Característica Ecuación
boxcount - ultimo acceso Julio del 2015) para MATLAB (The ENE (, )
Mathworks Inc.).
ENT − ( , ) log( ( , ))
III.C. ANÁLISIS DE TEXTURAS ∑ ( ) (, )
En este estudio, se extrajeron características de texturas de COR
las imágenes MRI utilizando tres técnicas diferentes. El primer ∑ ( , ) ( , )−
conjunto de características se obtuvo aplicando los tres HC
algoritmos clásicos de texturas: GLCM, algoritmo de la matriz (, )
IDM
de co-ocurrencia de niveles de gris [10][25], GLRLM, método 1+ ( − )
de hileras de nivel de gris [11][26] y NGLDM, método de ( − ) (, )
INE
dependencia de los niveles de gris de vecindad [11][12]. El
segundo grupo de características de texturas se obtuvo mediante CS ∑ (( − )+ − ) (, )
el método de dimensiones fractales, también conocido como CP ∑ (( − )+ ( − )) (, )
dimensión Minkowski-Bouligand [24]. Por último, el tercer CON ( − ) ( ( , ))²
conjunto de características fue extraído a partir del algoritmo
FTA (Fractal Texture Algorithm) propuesto en este trabajo. DIS |( + 1) − ( + 1)| ( , )
Los algoritmos Minkowski-Bouligand y FTA son aplicados
directamente sobre las imágenes. Sin embargo, los algoritmos
clásicos de texturas (GLCM, GLRLM y NGLDM) necesitan de El segundo algoritmo es, el GLRLM, el método de longitud
un paso previo, este es la selección del rectángulo de mayor área de hileras de niveles de gris [11][26], solo contabiliza la
inscrito en el interior del contorno del producto cárnico de información de los segmentos lineales de las ROIs. Este método
estudio [27], a estos nuevos rectángulos seleccionados les cuenta conjuntos de pixeles en las ROIs que tienen el mismo
llamaremos regiones de interés (ROI). Este paso previo es valor de nivel de gris, estos conjuntos son llamados hileras. Un
necesario ya que los rectángulos son las figuras geométricas que número grande de estas hileras representa una textura basta o
mejor se adaptan para la aplicación de estos algoritmos de gruesa, un número pequeño de estas hileras representa una
texturas. Estas ROIs son las que se analizan posteriormente textura fina. Por tanto la longitud de estas primitivas en
utilizando los algoritmos de texturas clásicos. diferentes direcciones puede servir para describir las texturas de
las mismas. En este caso, el número de hileras con el mismo
ALGORITMOS DE TEXTURAS CLÁSICOS nivel de gris fue computado en cuatro direcciones distintas, 0º,
Una vez obtenidas las ROIs de todas las imágenes, los tres 45º, 90º y 135º. Once características de textura fueron extraídas
algoritmos de texturas clásicos previamente expuestos, el de este algoritmo: Short run emphasis (SRE), Long run
GLCM, el GLRLM y el NGLDM fueron aplicados de manera emphasis (LRE), Gray level non-uniformity (GLNU), Run
conjunta sobre las ROIs. length non-uniformity (RLNU), Run percentage (RPC), Low
El primer método es, el GLCM, el algoritmo de la matriz de grey-level run emphasis (LGRE), High grey-level run emphasis
co-ocurrencia de niveles de gris [10][25], este algoritmo hace (HGRE), Short Run Low grey-level emphasis (SRLGE), Long
un procesamiento global de las ROIs considerando parejas de run low grey-level emphasis (LRLGE), Short run high grey-
pixeles. Este método computa el número de veces que una level emphasis (SRHGE) y Long run high grey-level emphasis
pareja de pixeles con el mismo nivel de gris se encuentran a una (LRHGE). Las ecuaciones para calcular estas características se
distancia d, en cada una de las direcciones. En esta matriz, cada pueden encontrar en la tabla 4.
TABLA IV
ítem, p(i,j), describe el número de veces que dos pixeles vecinos
CABALLERO et al.: NEW FRACTAL FEATURES AND DATA 1781

ECUACIONES DE LAS CARACTERÍSTICAS DE TEXTURAS DEL ∑ (∑ ( , ))²

ALGORITMO GLRLM RLNU
∑ ∑ (, )
∑ ∑ (, )
Característica Ecuación RPC
(, ) (, )
SNE ∑ ∑( )
² LGRE ²
∑ ∑ (, )
LNE ² (, ) ∑ ∑ ² (, )
HGRE
∑ ∑ (, )
NNU ( ( , )) ² (, )
∑ ∑( )
SRLGE ²²
( ( , ))² ∑ ∑ (, )
SM
² (, )
∑ ∑( )
− ( , ) log( ( , )) SRHGE ²
ENT ∑ ∑ (, )
² (, )
∑ ∑( )
LRLGE ²
El tercer y último método es, el NGLDM, método de ∑ ∑ (, )
dependencia de los niveles de grises de vecindad [11][12], este ∑ ∑ ²² (, )
algoritmo está basado en un procesamiento local de las ROIs, LRHGE
∑ ∑ (, )
recopilando información de los vecindarios cuadrados en el
interior de las ROI. Se usa la independencia angular de las
IV. EVALUACION EXPERIMENTAL
características, considerando las relaciones entre un elemento y
todos sus vecinos a la vez en lugar de en una dirección cada vez. Con el objetivo de validar el algoritmo de textura propuesto,
En este método, los vecindarios cuadrados que se han aplicado se ha aplicado nuestro nuevo algoritmo de textura, FTA, sobre
son de dimensión 3x3 y distancia d=1 entre los pixeles vecinos. un conjunto de MRIs de lomos ibéricos y se han correlacionado
Esto elimina la dependencia angular, mientras que a la vez, se con los valores que determinan la calidad de estos productos
reducen los cálculos requeridos para procesar una imagen. Esto cárnicos. Para evaluar la calidad del algoritmo se ha comparado
está basado en utilizar la matriz de dependencia espacial de con tres algoritmos clásicos de texturas computacionales y con
niveles de grises para extraer adecuadamente información sobre el algoritmo clásico de fractales.
las texturas. Cinco características de textura computacionales
TABLA VI
fueron extraídas para este algoritmo, Small number emphasis VALOR MEDIO DE LAS CARACTERÍSTICAS DE TEXTURA DE LOS
(SNE), Large number emphasis (LNE), Number non- DIFERENTES ALGORITMOS CLÁSICOS DE TEXTURAS APLICADOS
uniformity (NNU), Second moment (SM) y Entropy (ENT). EN ESTE ESTUDIO
Las ecuaciones para calcular estas características se pueden
encontrar en la tabla 5. GLCM GLRLM NGLDM
Característica Valor Característica Valor Característica Valor
ENE 0.004 LRE 1.505 SNE 9.789
III.D. TÉCNICAS PREDICTIVAS ENT 2.747 SRE 0.921 LNE 77.12
La predicción de los parámetros físico-químicos fue COR 0.013 GLNU 15.26 NNU 1165.3
realizada como función de características de texturas HC 11566 RLNU 300.1 SM 58.04
computacionales. Para llevar a cabo la predicción, técnicas IDM 0.195 RPC 14.22 ENT 370.2
INE 238.7 LGRE 0.002
predictivas de minería de datos fueron aplicadas, CS 0.001 HGRE 12313
específicamente, regresión lineal múltiple (MLR) [28] usando 4.711 2.056
CP SRLGE
la herramienta de software libre WEKA (descargada de * 10-5 * 10-4
CON 0.120 SRHGE 11204
www.cs.waikato.ac.nz/ml/weka/ ultima vez accedido en
3.626
Febrero del 2016). El método M5 fue usado para seleccionar DIS 8.994 LRLGE
* 10-4
atributos y un valor máximo de cresta de 1 x 10-4 fue aplicado LRHGE 19569
en este estudio.

TABLA V La tabla 6 muestra el valor medio de cada característica de

ECUACIONES DE LAS CARACTERÍSTICAS DE TEXTURAS DEL
textura computacional para los diferentes algoritmos clásicos
ALGORITMO NGLDM
de texturas computacionales y la tabla 7 muestra el valor médio
Característica Ecuación de cada característica de textura computacional para el
∑ ∑(
(, )
)
algoritmo clásico de fractales y para el algoritmo propuesto en
SRE ² este estudio, FTA.
∑ ∑ (, )
∑ ∑ (, )²
LRE
∑ ∑ (, )
∑ (∑ ( , ))²
GLNU
∑ ∑ (, )
1782 IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017

TABLA VII GLCM + GLRLM + NGLDM FTA

VALOR MEDIO DE LAS CARACTERÍSTICAS DE TEXTURA DEL 18.057 * ENE + 12.948 * ENT – 24.222 *
ALGORITMO CLÁSICOS DE FRACTALES Y DEL FTA APLICADOS EN COR – 13.707 * HC + 72.488 * IDM +
5.886 * INE – 13.752 * CS – 15.479 * CP +
ESTE ESTUDIO 10.794 * DIS – 39.921 * LRE – 18.561 * -84.705 * JC
SRE + 31.879 * GLNU – 34.507 * RPC – +94.168
% HUMEDAD 240.008 * LGRE + 343.174 * SRLGE +
FRACTALES FTA
CLÁSICOS 17.762 * SRHGE – 84.314 * LRLGE +
52.793 * LRHGE +17.759 * SNE – 39.109
Característica Valor Característica Valor * LNE + 23.773 * NNU – 54.009 * SM –
BOX 1 6.670 UNI 158.1 48.714 * ENT +68.785
BOX 2 6.663 ENT 13.20 0.059 * ENE + 0.029 * ENT – 0.100 *
BOX 3 5.334 COR 1.584 COR – 0.081 * HC + 0.203 * IDM + 0.035
BOX 4 5.824 IDM 6.537 * INE – 0.050 * CS – 0.038 * CP + 0.042 *
CON – 0.045 * DIS – 0.123 * LRE – 0.083
BOX 5 5.073 INE 296.1 ACTIVIDAD * SRE + 0.089 * GLNU – 0.169 * RPC – -0.298 * JC
BOX 6 6.672 CON 434.1 DEL AGUA 0.858 * LGRE + 1.286 * SRLGE + 0.110 * +1.080
BOX 7 6.138 EMP 12.67 SRHGE – 0.366 * LRLGE + 0.175 *
BOX 8 5.168 JC 152.9 LRHGE + 0.078 * SNE – 0.170 * LNE +
CS 766.3 0.061 * NNU – 0.174 * SM – 0.164 * ENT
+ 1.078
CP 4676 6.047 * ENE – 5.061 * ENT – 22.066 *
COR – 13.418 * HC – 1.565 * IDM +
13.892 * INE – 4.373 * CS + 3.101 * CP –
Se obtuvieron las correlaciones entre los valores predichos 7.861 * CON – 16.501 * DIS + 14.444 *
para las características físico-químicas de los lomos ibéricos COLOR L*
LRE – 6.542 * SRE + 10.747 * GLNU - -43.372 * COR
38.118 * RPC + 132.983 * LGRE + 92.423 + 74.964
utilizando técnicas de minería de datos sobre los datos * SRLGE + 37.675 * SRHGE - 237.252 *
obtenidos de los 3 métodos propuestos y los valores reales LRLGE – 5.943 * LRHGE + 8.084 * SNE
– 27.599 * LNE + 1.777 * NNU – 15.481 *
obtenidos mediante análisis en el laboratorio. Estos coeficientes SM – 9.506 * ENT + 85.105
de correlación (R) fueron calculados utilizando cada ecuación -2.819 * ENE – 3.066 * ENT + 4.219 *
de predicción y son mostrados en la tabla 8. Los coeficientes de COR – 3.989 * HC – 7.703 * INE + 1.528 *
CS + 3.054 * CON + 8.001 * LRE – 1.452
correlación se usaron para medir la precisión de las * SRE – 7.147 * GLNU + 3.612 * RPC + 10.508 * COR
COLOR a* 14.772 * SRLGE + 8.904 * SRHGE – + 7.240
predicciones utilizando los diferentes algoritmos de texturas. 21.917 * LRLGE – 10.478 * LRHGE +
Según las reglas establecidas por Colton [29], se considera que 2.438 * LNE – 3.304 * NNU + 5.107 * SM
si el valor de R se encuentra entre 0 y 0,25 no existe correlación. + 15.256
-1.038 * ENT + 2.565 * HC – 9.121 * IDM
Si se encuentra entre 0,25 y 0,5 existe un grado bajo de + 1.337 * CS + 7.176 * CP – 5.528 * CON
correlación. Se considera que existe una correlación de + 3.082 * DIS + 12.215 * LRE + 4.009 *
7.178 * JC +
COLOR b* SER + 83.224 * LGRE – 49.348 * SRLGE
moderada a buena si el valor se encuentra entre 0,5 y 0,75. Y si + 1.492 * SRHGE – 39.209 * LRLGE –
2.961

el valor de R está entre 0,75 y 1, la correlación será de muy 10.483 * LRHGE – 4.661 * SNE + 2.904 *
SM + 6.852 * ENT + 3.258
buena a excelente. -10.835 * ENT – 11.822 * HC – 23.212 *
INE + 5.571 * CS + 13.136 * CP + 4.083 *
DIS + 30.949 * LRE – 4.747 * SRE –
TABLA VIII 15.837 * GLNU + 10.624 * RPC + 219.935 25.028 * JC +
COEFICIENTES DE CORRELACIÓN (R) ENTRE LOS PARAMETROS % GRASA * LGRE – 64.914 * SRLGE + 28.974 * 3.770
FÍSICO-QUÍMICOS DEL LOMO Y LOS ALGORITMOS DE TEXTURAS SRHGE – 183.159 * LRLGE – 34.346 *
COMPUTACIONALES LRHGE – 10.074 * NNU + 13.312 * SM +
19.822
-1.831 * ENE – 0.399 * ENT + 2.527 *
GLCM + COR + 1.851 * HC – 3.348 * IDM – 2.195
FRACTALES
GLRLM + FTA * INE + 1.089 * CS + 1.361 * CP + 2.029 *
CLÁSICOS DIS + 3.722 * LRE + 2.415 * SRE – 1.991
NGLDM 6.682 * JC –
% HUMEDAD 0.954 0.289 0.832 % SAL * GLNU + 4.272 * RPC + 20.314 * LGRE
2.237
– 31.257 * SRLGE – 2.248 * SRHGE +
ACTIVIDAD 9.769 * LRLGE – 4.545 * LRHGE – 1.690
0.956 0.303 0.828
DEL AGUA * SNE + 3.959 * LNE – 1.366 * NNU +
COLOR L* 0.912 0.340 0.765 3.930 * SM + 3.646 * ENT – 3.868
COLOR a* 0.850 0.308 0.765
COLOR b* 0.782 0.344 0.756
% GRASA 0.777 0.201 0.835
Este hecho podría validar el uso de FTA para predecir
% SAL 0.957 0.507 0.795 características físico-químicas del lomo, ya que, aunque el valor
de R es similar si se usan los tres algoritmos clásicos de textura
Como puede observarse en la tabla 8, para las ecuaciones de o el algoritmo FTA, se puede destacar que los tres algoritmos
los parámetros físico-químicos de los lomos ibéricos, el clásicos de texturas computacionales alcanzan unos valores
algoritmo clásico de fractales alcanza una correlación entre baja ligeramente superiores que el algoritmo FTA para la mayoría
y nula y para los tres algoritmos clásicos de texturas y para de los parámetros físico-químicos, excepto para el porcentaje
nuestro algoritmo propuesto FTA alcanza una correlación entre de grasa, ya que en este caso, el algoritmo FTA alcanza un valor
muy buena y excelente. de R mejor. Otro aspecto a considerar es que las complejidades
algorítmicas se ven aliviadas en parte si se usa el algoritmo FTA
TABLA IX (tabla 1), y no es preciso calcular un amplio número de
ECUACIONES DE PREDICCIÓN OBTENIDAS APLICANDO LA UNIÓN características, sino que con un conjunto reducido los
DE TRES ALGORITMOS DE TEXTURAS COMPUTACIONALES
resultados son muy similares. Además, el uso de los algoritmos
CLÁSICOS Y EL ALGORITMO FTA
clásicos de texturas ya ha sido validado para analizar imágenes
CABALLERO et al.: NEW FRACTAL FEATURES AND DATA
MRI de productos cárnicos [8][30][31][32][33].
La tabla 9 muestra las ecuaciones de predicción de los
parámetros físico-químicos del lomo en función de las
características de texturas obtenidas a partir del algoritmo FTA
y del uso conjunto de los tres algoritmos clásicos de texturas
computacionales. Como puede observarse el número de
variables independientes (características de texturas
computacionales) de las ecuaciones de predicción es altamente
variable, dependiendo de los algoritmos, siendo sólo una en el
caso del FTA y entre diecisiete y veinticuatro en el caso de la
unión de los tres algoritmos de texturas clásicos. Por tanto, el
modelo de predicción basado en las características de texturas
del FTA parece más simple y sencillo de aplicar que el
desarrollado utilizando los tres algoritmos de textura clásicos.
Con respecto al tiempo de computación, FTA es más rápido que
los algoritmos de texturas clásicos (27 ms. vs 148 ms., usando
un ordenador laptop normal, INTEL i7-4510U, 2.6 GHz, 12 GB
RAM). Todo esto unido a que los algoritmos de textura clásicos
requieren un paso previo para seleccionar la ROI de cada
imagen y nuestro algoritmo FTA se aplica directamente sobre
las imágenes.
Por tanto, teniendo en cuenta todos los aspectos previamente
indicados, parece indicado el uso del algoritmo FTA en lugar
de los tres algoritmos clásicos de textura computacional para
analizar MRIs con el objetivo de predecir características de
calidad de los productos cárnicos.
V. CONCLUSIONES
En este trabajo se presenta y valida un nuevo algoritmo de
texturas basado en fractales y en estadísticos de segundo orden.
El algoritmo ha sido comparado con otros métodos, y su
viabilidad validada en un ejemplo real, que demuestra que es
posible predecir parámetros físico-químicos del lomo ibérico
aplicando FTA. Además, se han obtenido coeficientes de
correlación que aseguran un alto grado de precisión al usar FTA
para obtener parámetros relacionados con la calidad del lomo
ibérico.
Por tanto, el uso del algoritmo propuesto podría ser una
herramienta apropiada para las industrias cárnicas para
caracterizar los productos cárnicos de manera no destructiva.
AGRADECIMIENTOS
Los autores desean agradecer los fondos recibidos para el
proyecto de infraestructuras de investigación financiado
mediante fondos FEDER y fondos del Ministerio de ciencia e
innovación (MICCIN) (UNEX10-1E-402) y a la Junta de
Extremadura por su apoyo económico a los grupos de
investigación (GRU15148 y GRU15025). Los autores también
desean agradecer a la compañía Montesano de Jerez de los
caballeros (Badajoz, España), al Servicio de análisis e
innovación en productos de origen animal (SiPA) de la
Universidad de Extremadura (Cáceres, España) y también al
Dr. José Manuel Amigo Rubio de la Universidad de
Copenhague (Copenhague, Dinamarca) por su directa
contribución y apoyo.
1783
REFERENCIAS
[1] SHIRAMITA, K., MIYAJIMA, T., and TAKIYAMA, R. “Determination
of meat quality by texture analysis” Pattern Recognition Letters, 19, pp. 1319-
1324. 1998.
[2] LI, J., TAN, J., MARTZ, F.A., and HEYMANN, H. “Image texture features
as indicators of beef tenderness” Meat Science, 53, pp. 17-22. 1999.
[3] BASSET, O, BUQUET, B., ABOUELKARAM, S., DELACHARTE, P.,
and CULIOLI, J. “Application of texture analysis for the classification of
bovine meat” Food Chemistry, 69, pp. 437-445. 2000
[4] JACKMAN, P., and SUN, D.W. “Recent advances in the use of computer
vision technology in the quality assessment of fresh meat” Trends in Food
Science and Technology, 22(4), pp. 185-197. 2011
[5] JACKMAN, P., and SUN, D.W. “Recent advances in image processing
using image texture features for food quality assessment” Trends in Food
Science and Technology, 29, pp. 35-43. 2013
[6] DURÁN, M.L., CERNADAS, E., CARO, A., and ANTEQUERA, T.
“Classification of different types of Iberian ham using texture anlysis”. REVC,
Electronic Journal of Computer Vision, 1(5), pp. 1-10. 2001.
[7] CERNADAS, E., DURÁN, M.L., and ANTEQUERA, T. “Recognizing
marbling in dry-cured Iberian ham by multiscale analysis” Pattern Recognition
Letters, 23, pp. 1311-1321. 2002.
[8] CERNADAS, E., CARRIÓN, P., RODRÍGUEZ, P.G., MURIEL, E., and
ANTEQUERA, T. “Analyzing magnetic resonance images of Iberian pork loin
to predict its sensorial characteristics” Computer Vision and Image
Understanding, 98, pp. 345-361. 2005
[9] ÁVILA, M.M., DURÁN, M.L., ANTEQUERA, T., PALACIOS, R., and
LUQUERO, M. “3D reconstruction on MRI to analyse marbling and fat level
in Iberian loin. III Iberian Conference on Pattern Recognition and Image
Analysis (IbPria), Girona, España. Lecture Notes in Computer Science, 4477,
pp. 145-152. 2007.
[10] HARALICK, R.M., SHANMUGAM, K., and DINSTEIN, I. “Textural
features for image classification” IEEE Transactions on Man and Cybernetics,
3(6), pp. 610-621. 1973.
[11] SIEW, L.H., HOODGSON, R.M., and WOOD, E.J. “Texture measures for
carpet wear assessment” IEEE Transactions on Pattern Analysis and Machine
Intelligence, 10(1), pp. 92-104. 1988,
[12] SUN, C., and WEE, G.”Neighboring gray level dependence matrix”
Computer vision graphics and image processing, 23, pp. 341-352. 1982
[13] STEIN, E.M., and SHAKARCHI, R. “Fourier analysis: An introduction”
Ed. Princeton University Press. Princeton, New Jersey, USA. 2003.
[14] RANDEN, T. and HUSOY, J.H. “Filtering for texture classification: A
comparative study” IEEE Transactions on Pattern Analysis and Machine
Intelligence, 21(4), pp. 291-310. 1999.
[15] ANTEQUERA, T., CARO, A., RODRÍGUEZ, P.G., and PÉREZ-
PALACIOS, T. “Monitoring the ripening process of Iberian ham by computer
vision on Magnetic Resonance Imaging” Meat Science, 76, pp. 561-567. 2007.
[16] FANTAZZINI, P., GOMBIA, M., SCHEMBRI, P., SIMONCINI, N., and
VIRGILI, R. “Use of Magnetic Resonance Imaging for monitoring Parma dry-
cured ham processing” Meat Science, 82, pp. 219-227. 2009.
[17] DURAN, M.L., RODRÍGUEZ, P.G., ARIAS-NICOLAS, J.P., MARTIN,
J. and DISDIER, C. “A perceptual similarity method by pairwise comparison
in a medical image case” Machine Vision and Applications, 21(6), pp.865-877.
2010.
[18] CELIGUETA-TORRES, I., AMIGO-RUBIO, J.M., and IPSEN, R “Using
fractal image analysis to characterize microstructure of low-fat stirred yogurt
manufactures with microparticulated whey protein” Journal of food
engineering, 109, pp. 721-729. 2012.
[19] HIBBERT, D.B. “Fractals in chemistry” Chemometrics and Intelligent
Laboratory Systems, 11(1), 1-11. 1991.
[20] TSUTA, M., SUGIYAMA, J., and SAGARA, Y. “Near-infrarred Imaging
Spectroscopy based on sugar absorption band for melons” Journal of
Agricultural and Food Chemistry, 50(1), pp. 48-52. 2002.
[21] POLDER, G., VAN DER HEJIDEN, G.W.A.M., VAN DER VOET, H.,
and YOUNG, I.T. “Measuring surface distribution of caretones and chlorophyll
in ripening tomatoes using imaging spectrometry” Postharvest Biology and
Technology, 34, pp. 117-129. 2004.
[22] ASSOCIATION OF OFFICIAL ANALYTICAL CHEMISTRY. “Official
Methods of Analysis of AOAC International” 17th ed. Ed. AOAC International.
Gaithersburg, Maryland, USA.2000
[23] PÉREZ-PALACIOS, T., RUIZ, J., MARTÍN, D., MURIEL, E., and
ANTEQUERA, T. “Comparison of different methods for total lipid
quantification” Food chemistry, 110, pp. 1025-1029. 2008
[24] MANDELBROT, B.B. “The fractal geometry of Nature” Ed. W.H.
Freeman. San Francisco, California, USA. 1982.
1784
[25] HARALICK, R.M., and SHAPIRO, L.G. “Computer and Robot Vision”.
Ed. Addison-Wesley. Chicago, Illinois, USA. 1993.
[26] SONKA, M., HLAVAC, V., and BOYLE, R. “Image processing, analysis
and machine vision” Ed. International Thomsom Publishing, ITP. Stanford,
California, USA. 1999.
[27] MOLANO, R., RODRÍGUEZ. P.G., CARO, A., and DURÁN, M.L.
“Finding the largest area rectangle of arbitrary orientation in a closed contour”
Applied Mathematics and Computation, 218(19), 9866-9874. 2012.
[28] WITTEN, I.H. and FRANK, E. “Data mining: Practical machine learning
tools and techniques with Java implementations” Ed. Morgan-Kauffmann. San
Francisco, California, USA. 2005.
[29] COLTON, T. “Statistics in Medicine” Ed. Little Brown and Co. New York,
New York, USA. 1974
[30] PEREZ-PALACIOS, T., CABALLERO, D., CARO, A., RODRÍGUEZ,
P.G., and ANTEQUERA, T. “Applying data mining and computer vision
techniques to MRI to estimate quality traits in Iberian ham” Journal of Food
Engineering, 131, pp. 82-88. 2014.
[31] PÉREZ-PALACIOS, T., CABALLERO, D., CARO, A., and
ANTEQUERA, T. “Analyzing magnetic resonance imaging and computational
texture features to predict moisture and lipid content of loins”. IV Farm Animal
Imaging Conference, Edinburgh, United Kingdom. 2015.
[32] CABALLERO, D., ANTEQUERA, T., CARO, A., DURÁN, M.L., and
PÉREZ-PALACIOS, T. “Data mining on MRI-Computational texture features
to predict sensory characteristics in ham”. Food and Bioprocess Technology,
9(4), pp. 699-708. 2016.
[33] CABALLERO, D., CARO, A., RODRÍGUEZ, P.G., DURÁN, M.L.,
ÁVILA, M.M., PALACIOS, R., ANTEQUERA, T., and PÉREZ-PALACIOS,
T. “Modeling salt diffusion in Iberian ham by applying MRI and data mining”.
Journal of food engineering, 189, pp. 115-122. 2016.
Daniel Caballero finalizó en 2013 su licenciatura y su master,
ambos en ingeniería informática por la Universidad de
Extremadura. En 2017, ha defendido la tesis doctoral,
obteniendo la máxima puntuación y el Doctorado
Internacional. Actualmente es investigador en servicio de
innovación en productos de origen animal (SiPA) y está
inscrito en el Grupo de Investigación Tecnológica y Calidad de Alimentos
(TECAL) del Instituto de Investigación de Carnes y Productos Cárnicos
(IproCar) de la Universidad de Extremadura. Sus intereses de investigación se
centran en el área de análisis de imágenes y datos aplicado a los productos
cárnicos. Así como, un especial interés en la aplicación de técnicas no
destructivas como la Imagen por Resonancia Magnética basada en el empleo de
características de textura y modelos predictivos de minería de datos para
obtener parámetros de calidad de productos cárnicos.
Andrés Caro recibió su licenciatura y su master, ambos en
ingeniería en informática en 1993 y 1998, respectivamente, y
su doctorado en ingeniería en informática en el año 2006 en la
Universidad de Extremadura. El trabajo como ingeniero
informático seis años en una empresa del sector privado. En
1999 se unió a la Universidad de Extremadura. Actualmente,
es profesor titular en el Departamento de Informática de la Escuela Politécnica
de la Universidad de Extremadura en España. El es coautor de numerosos
artículos científicos, siendo sus principales intereses en la investigación el
reconocimiento de patrones, la clasificación de imágenes, la imagen de
resonancia magnética, los sistemas de información aplicados a tecnología de
los alimentos y la minería de datos.
María del Mar Ávila recibió su licenciatura en 1997 y su
master en 1999, ambos en ingeniería en informática por la
Universidad de Extremadura. Después obtuvo el diploma de
estudios avanzados (certificación europea en competencias de
investigación y diploma de altos estudios), Actualmente, esta
finalizando sus estudios de doctorado. Es profesora asociada al
departamento de Informática de la Universidad de
Extremadura. Su investigación se centra en el procesamiento de imágenes y la
reconstrucción 3D, basada en imágenes de resonancia magnética (MRI) de
productos cárnicos. Está investigando algoritmos informáticos que pueden
ayudar a lograr aplicaciones no destructivas, basadas en MRI, para encontrar
parámetros de calidad de productos de cerdo. Ha participado en cinco proyectos
de investigación y es coautora de más de dieciséis artículos. Ha supervisado
varias tesis de grado y máster.
IEEE LATIN AMERICA TRANSACTIONS, VOL. 15, NO. 9, SEPTEMBER 2017
Pablo G. Rodríguez recibió su Licenciatura en Ciencias
Físicas con especialización en Electrónica e Informática en
1992 (Universidad de Santiago de Compostela). Recibió su
Doctorado en Ingeniería en informática en 2000 (Universidad
de Extremadura), trabajando en Mamografía Digital, y con la
primera mención como Doctorado Europeo. En la Universidad
de Extremadura. Es profesor asociado en el Departamento de
Informática de la Universidad de Extremadura desde 1997. Actualmente es
Director de la Escuela Politécnica de la Universidad de Extremadura desde
2016. Tiene más de 20 artículos con factor de impacto JCR. Su área de
investigación está relacionada con el desarrollo de técnicas de reconocimiento
de patrones y análisis de imágenes, y CBIR (Recuperación de imágenes basadas
en el contenido).
Teresa Antequera Recibió su doctorado en Química en 1990
(Universidad de Extremadura, España). Es Profesora
Asociada en el Departamento de Producción Animal y Ciencia
de los Alimentos de la Universidad de Extremadura. El
programa oficial de doctorado en el que ella está actualmente
involucrada, "Tecnología de los alimentos", ha sido
galardonado con Mención a la Excelencia. Su interés de
investigación se centra en el área de Tecnología de Alimentos. A través de su
participación en proyectos, ha abordado temas relacionados con los sistemas
animales (alimentación, cría, uso de diferentes líneas genéticas y sus influencias
en la composición de la carne), y el sistema de procesamiento del jamón ibérico
(congelación de la materia prima, condiciones de El proceso de maduración,
diferentes sistemas de sal, etc.). Ella ha lanzado una línea de trabajo enfocada
en la adición de compuestos bioactivos a los alimentos de carne. En el año 2000
se inició una línea de investigación sobre aplicaciones de técnicas no
destructivas, principalmente la resonancia magnética (MRI) para encontrar
problemas que puedan afectar la calidad de los productos de cerdo ibéricos y su
clasificación. Ha participado en 40 proyectos y contratos de investigación y es
coautora de 90 artículos en revistas incluidas en SCI, 35 artículos en revistas
técnicas, una patente de invención, 9 capítulos de libros y 60 contribuciones
para conferencias. Ha supervisado 10 tesis doctorales, siendo cinco de ellas de
"Mención Internacional" y otras tres "Premio Extraordinario de Doctorado"
basadas en su producción científica. Ha dirigido el grupo de investigación
"Tecnología y Calidad de los Alimentos".
Trinidad Pérez obtuvo el título de Veterinaria en la
Universidad de Extremadura (UEx) en julio de 2004. Recibió
una beca pre-doctoral en convocatorias de la Junta de
Extremadura para llevar a cabo la tesis doctoral en el grupo
de Tecnología y Calidad de los alimentos (TECAL) de la
UEx, supervisada por la Dra. Teresa Antequera Rojas y el Dr.
Jorge Ruiz Carrascal. También obtuvo una beca para realizar
una estancia de pre-doctorado en Gante (Bélgica) durante tres meses. En 2009
defendió la tesis doctoral, obteniendo la máxima calificación, el Doctorado
Europeo y el Premio Extraordinario de Doctorado de la UEx. Luego obtuvo una
beca postdoctoral en convocatorias competitivas de la Junta de Extremadura
para realizar la estancia postdoctoral durante 24 meses (2011-2012) en la
Facultad de Farmacia de la Universidad de Porto (Portugal), bajo la supervisión
de la Dra. Isabel Ferreira, participando en el grupo CQUP (Centro de Química
de la Universidad do Porto integrado no Laboratorio asociado REQUIMTE).
Después de eso, ha tenido varios contratos como investigadora trabajando con
el grupo TECAL. Durante todas estas actividades, ha participado en 4 proyectos
/ contratos, uno de ellos es un proyecto europeo, y ha logrado las siguientes
publicaciones: 40 artículos en revistas revisadas por pares, 6 en revistas
técnicas, 24 publicaciones de congresos internacionales y nacionales y 4
Capítulos en libros editados internacionales. En relación con las actividades
docentes, ha tenido dos contratos temporales como enseñanza oficial en
Tecnología Alimentaria. También ha supervisado seis trabajos fin de máster.
En la actualidad, ha supervisado dos tesis de doctorado y tres de máster. them
of “European Doctor” mention, and another three “Extraordinary Doctorate
Award” based on their scientific production. She has leaded the research group
of “Technology and Quality of Food”, and she is currently part of the
management team of the Faculty of Veterinary Medicine at University of
Extremadura.