为此，我们采集了三批不同批次的碎牛肉和马肉的110个样品的18个波长的多光谱图像。将样品在4C下储存6、24和48小时后再次拍摄图像。

开发了基于前两批的分类模型（偏最小二乘判别分析、随机森林、支持向量机），而第三批留作外部/独立验证。

结果表明，新鲜研磨和储存的样品可以清楚地区分，而用于检测掺假样品的分类模型性能受到储存期间肉色变化的显着影响。

然而，使用两步SVM模型，所有纯样品和新鲜磨碎的样品都被正确分类，独立批次验证的总体正确分类率为95.31%。

图2.(a)牛肉和(b)马肉样品在405至970nm范围内的18个不同波长的平均反射率 (%) 值

在图2中，展示了纯马肉(a)和纯牛肉(b) 样品在储存 6、24 和 48 小时前后的 18 个波长的平均反射率值。很明显，虽然储存的样品更难区分，但新鲜研磨的样品很容易区分。

此外，第 1 批的主成分 (PC) 的 PCA 分数显示在图 3 中。确实，PC1 与 PC3 分数显示了纯样品与掺假样品的明显分离。纯牛肉和马肉样本位于图的右上角，虽然它们看起来很接近，但在 PC2 与 PC5 图中的区别更为明显。

此外，不同程度的掺假很容易区分，只有相邻的类别有时重叠。这些结果与对脂肪样品的拉曼光谱进行的 PCA 分析非常一致，在不同掺假水平之间有 25% 的步长，在 PC1 与 PC2 图中，不同的类别很明显。

它们也与实施相同实验设计（10% 步骤）的猪肉掺假情况下的结果一致。然而，应该注意的是，虽然在后两种情况下，使用前两种成分的差异很明显，因此解释了具有最高方差的 PC (%)，但在 b1 数据中情况并非如此。

事实上，PC 1 对 3 和 PC 2 对 3显示出比 PC1 与 PC2 更高的辨别力，特别是在区分纯样本和掺假样本的情况下，表示数据集之间存在显着差异。

图3.第1批的主成分分析分数（PC1与PC3）

当PCA应用于b2新鲜研磨的图像数据时，不同程度的掺假也很明显，其中 90-10% (w/w) 似乎更难以与纯牛肉样品分离。此外，新鲜研磨的样品，尤其是纯样品明显可见，表明在储存过程中肉色发生了重大变化（图4）。最后，随着存储时间的流逝，可以区分来自不同存储时间和掺假百分比的更少图像数据。

图4.第2批的主成分分析分数（PC2与PC3）