基于自监督学习的番茄植株图像深度估计方法

来源：农业工程学报杂志2019年第24期北京时间：

作者：周云成,许童羽,邓寒冰,苗腾,吴琼,

摘要：深度估计是智能农机视觉系统实现三维场景重建和目标定位的关键。该文提出一种基于自监督学习的番茄植株图像深度估计网络模型，该模型直接应用双目图像作为输入来估计每个像素的深度。设计了3种面向通道分组卷积模块，并利用其构建卷积自编码器作为深度估计网络的主体结构。针对手工特征衡量2幅图像相似度不足的问题，引入卷积特征近似性损失作为损失函数的组成部分。结果表明：基于分组卷积模块的卷积自编码器能够有效提高深度估计网络的视差图精度；卷积特征近似性损失函数对提高番茄植株图像深度估计的精度具有显著作用，精度随着参与损失函数计算的卷积模块层数的增加而升高，但超过4层后，其对精度的进一步提升作用不再明显；当双目图像采样距离在9.0 m以内时，该文方法所估计的棋盘格角点距离均方根误差和平均绝对误差分别小于2.5和1.8 cm，在3.0 m以内时，则分别小于0.7和0.5 cm，模型计算速度为28.0帧/s，与已有研究相比，2种误差分别降低了33.1%和35.6%，计算速度提高了52.2%。该研究可为智能农机视觉系统设计提供参考。

关键词：图像处理, 卷积神经网络, 算法, 自监督学习, 深度估计, 视差, 深度学习, 番茄