Es wurde Hyperspektralbildgebung verwendet, um die Gleichmäßigkeit und Farbtiefe der Beschichtung bei vier verschiedenen Sorten von beschichteten Grünkohlsamen sowie bei Grünkohlsamen, die mit drei verschiedenen Konzentrationen von Beschichtungsmitteln behandelt wurden, zu analysieren. Die durchschnittliche spektrale Reflexion von 240 Samplen wurde extrahiert, die Rohspektren wurden mit vier Vorverarbeitungsmethoden verarbeitet und optimiert. Anschließend wurden charakteristische Wellenlängen mittels vier Methoden extrahiert: konkurrierender adaptiver Re-Weighting-Algorithmus (CARS), fortlaufender Projektionsalgorithmus (SPA), Eliminierung irrelevanter Variablen (UVE) und genetische partielle Kleinste-Quadrate-Regression (GAPLS). Basierend auf den ausgewählten charakteristischen Wellenlängen wurden Modelle der partiellen kleinsten Quadrate Regression (PLSR), multiplen linearen Regression (MLR) und Hauptkomponenten Regression (PCR) aufgebaut. Die Ergebnisse zeigten, dass die Beschichtung bei Grünkohlsamen am deutlichsten war, gefolgt von gut schmeckendem Kohl; die Beschichtungseffekte bei Zhonggan 15 und violettem Kohl waren ähnlich; die Baseline-Methode wurde zur Vorverarbeitung des Farbwerts L* verwendet, die Normalize-Methode für a*, die SNV-Methode für b*; die durch GAPLS extrahierten Wellenlängen wurden für quantitative Vorhersagemodelle von L* und b* verwendet, während UVE für das quantitative Vorhersagemodell von a* verwendet wurde. Das PLSR-Modell für L* erzielte die beste Leistung (RC=0.814, Rp=0.640; RMSEC=1.150, RMSEP=1.852); das MLR-Modell für a* war besser (Rc=0.981, Rp=0.964; RMSEC=2.563, RMSEP=3.243); das PCR-Modell für b* war optimal (RC=0.917, Rp=0.913; RMSEC=2.552, RMSEP=2.589). Die Forschungsergebnisse können technische Unterstützung für die Online-Überwachung der Samengromaticität bieten.

Hyperspektralbildgebung; beschichtete Grünkohlsamen; Farbanalyse; Erkennung