采用多光谱视觉系统获取注入水分高达21%的牛肉图像，并采用偏最小二乘回归（PLSR）算法建立预测模型，通过相关系数（r) 为0.923。

随后，通过将光谱数据与从普通 RGB 数据中提取的特征信息相结合来实现优化模型，从而产生更好的预测 (r=0.946)。此外，预测方程被转移到图像中的每个像素，以可视化实际水增加的分布。

这些结果证明了多光谱成像技术作为一种快速、无损识别注水牛肉的工具的能力。

图2显示了牛肉样品中R、G和B组分在不同增加的水百分比（校准组）下的平均强度。R的强度随着含水率的增加而降低，而G和B则呈现相反的趋势。

注水牛肉中R、G、B成分变化趋势的原因是显而易见的。注水牛肉随着含水量的增加，颜色变得不那么鲜红，因此G和B的强度增加，而R的强度降低。

图2.注水样品的R、G和B的平均强度（校准集）

从可见光(VIS)区域到近红外(NIR)区域的光谱分析是一种广泛用于评估食品水分含量的光学技术（Wu et al., 2012）。

在 940 和 1000 nm 之间观察到的光谱中的主要吸收带是由于 O-H 第三次伸缩泛音，并被分配给样品中的水。图3显示了在 405-970 nm 范围内，在不同增加的水百分比下，校准组中注水牛肉样品的相对反射光谱。预测集也具有类似的反射光谱趋势（数据未显示）。

多光谱成像已经清楚地识别出不同百分比的增加水的注水样品。从图 3 可以看出，水分含量较高的牛肉在 405-600nm和700-970nm区域具有较高的反射光谱（吸光度降低），上述现象也可能是由于注水牛肉的外观呈绿色和蓝色。然而，在600-700nm区域，结果相反。

随着注入水的增加，样品显示出较低的光谱反射强度。这种行为的原因是600到700nm之间的可见波长区域对应于肉类样品的微红色。随着注入水的增加，注水样品的红色不太亮。这些光谱差异可用于注水牛肉的定性和定量鉴定。