基于改进HRNet的单幅图像苹果果树深度估计方法

摘要：

针对苹果自动采收获取深度信息的实际需求,以及目前单幅图像深度估计算法存在的空间分辨率低和边缘模糊问题,提出一种基于改进高分辨率网络(High-Resoultion Net,HRNet)的单幅图像苹果果树深度估计模型.首先基于HRNet构建多分支并行的编码器网络,提取多尺度特征,并通过引入密集连接机制强化特征传递过程中的连续性;为了减少冗余特征造成的噪声干扰,使用卷积注意力模块在通道及像素层级对融合特征进行重标定,强化特征图结构信息.在解码器网络中,使用条纹细化模块自适应地优化特征图的边界细节信息,突出边缘特征,改善边缘模糊问题,最后经上采样生成深度图.在NYU Depth V2公共数据集和果树深度数据集上进行试验.试验结果表明,引入密集连接机制,添加卷积注意力模块、条纹细化模块均能提升模型性能.提出的改进HRNet网络在果树深度数据集上的平均相对误差、均方根误差、对数平均误差、深度边缘准确误差和边缘完整性误差分别为0.123、0.547、0.051、3.90和10.59,在1.25、1.252、1.253阈值下的准确率分别达到了0.850、0.975、0.993;在主观视觉上,改进HRNet网络生成的深度图有清晰的边缘以及较多的纹理细节.该方法在客观指标和主观效果上均有良好的表现.

关键词：图像处理、深度学习、苹果果树、单幅图像深度估计、密集连接机制、卷积注意力模块、条纹细化模块

所属期刊栏目：38

分类号：S24;S126(农业电气化与自动化)

资助基金：陕西省重点研发计划一般项目2020NY-144

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：122-129