基于稠密自编码器的无监督番茄植株图像深度估计模型

摘要

深度信息获取是温室移动机器人实现自主作业的关键.该研究提出一种基于稠密卷积自编码器的无监督植株图像深度估计模型.针对因视角差异和遮挡而产生的像素消失问题,引入视差置信度预测,抑制图像重构损失产生的问题梯度,设计了基于可分卷积的稠密自编码器作为模型的深度神经网络.以深度估计误差、阈值精度等为判据,在番茄植株双目图像上开展训练和测试试验,结果表明,抑制问题梯度回传可显著提高深度估计精度,与问题梯度抑制前相比,估计深度的平均绝对误差和均方根误差分别降低了55.2％和33.0％,将网络预测的多尺度视差图接入编码器并将其上采样到输入图像尺寸后参与图像重构和损失计算的处理方式对提高预测精度是有效的,2种误差进一步降低了23.7％和27.5％;深度估计误差随空间点深度的减小而显著降低,当深度在9 m以内时,估计深度的平均绝对误差<14.1 cm,在3 m以内时,则<7 cm.与已有研究相比,该研究估计深度的平均相对误差和平均绝对误差分别降低了46.0％和26.0％.该研究可为温室移动机器人视觉系统设计提供参考.