植被指数能增强前景像素与背景像素的差异，常被用于分割植被、作物和农田的图像，从而快速评估相关生物物理特征。然而，阴影区域和拍摄角度容易导致图像质量下降，降低了感兴趣区域的特征信息。当使用消费级相机捕捉具有高反射表面的物体时，环境光影响下的图像可能会导致阈值分割算法失效。本研究运用人工蜂群优化算法，校正了水培生菜冠层图像的饱和度水平、亮度水平以及RGB反射强度，增强了植被像素特征并提出了一种全新的植被指数，即可见斜双锥绿度指数(vODGI)。通过在原始三角形绿度指数(TGI)中引入饱和度校正系数 (Ω)、明暗度校正系数(ν)、绿-红波长调整系数(α)和绿-蓝波长调整系数(β)构成了双斜四面体结构的三维冠层反射光谱。该三维光谱既反映了RGB反射率，又包含了采集图像的饱和度和明暗度。运用包括人工蜂群优化算法在内的进化算法对相关系数进行了寻优。消费级智能手机负责采集室内和室外环境种水培生菜的冠层图像。采用混合邻域成分分析 (NCA)、最小冗余最大相关性 (MRMR)、皮尔逊相关系数 (PCC) 和方差分析 (ANOVA) 等方法选择最重要的冠层形态特征，包括冠层的面积、能量和同质性，降低了模型计算成本且提高了模型精度。当使用 vODGIabc (人工蜂群优化算法)估计生菜的鲜重、高度、新生叶数、叶面积指数和生长阶段时，回归和判别结果均表现优异，R2分别达到0.9368(InceptionV3)、0.9574(ResNet101)、0.9612(ResNet101)和0.9999(高斯过程回归)，准确率达到了88.89%。研究表明，结合新型的植被指数与相关算法可实时获取与准确分析作物的生物物理特征。

　　图1本文的图像摘要

　　图2 本文的数据处理流程(可见斜双锥绿度指数的构建与生物物理特征的评估)

　　图3 基于不同植被指数的冠层分割图像示意图(a)室外种植;(b)室内种植

　　图4 叶面积指数预测值与真实值的对比结果(a)SVM;(b)广义过程回归GPR;(c) 回归树RTree;(d)MobileNetV2;(e)ResNet101;(f)InceptionV3

　　来源：Concepcion II R, Dadios E, Sybingco E, et al. A Novel Artificial Bee Colony-Optimized Visible Oblique Dipyramid Greenness Index for Vision-Based Aquaponic Lettuce Biophysical Signatures Estimation[J]. Information Processing in Agriculture, 2022.

　　编辑：张金诺