障碍物检测方法、装置、割草机器人以及存储介质制造方法及图纸

本申请实施例公开了一种障碍物检测方法、装置、割草机器人以及存储介质，包括：采集目标场景的双目图像样本；根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图；基于所述样本视差图预估所述双目图像样本的预估图像深度；根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，以通过所述目标检测模型对割草区域中的障碍物进行检测，该方案可以可以提高障碍物检测的精度。该方案可以可以提高障碍物检测的精度。该方案可以可以提高障碍物检测的精度。

【技术实现步骤摘要】
障碍物检测方法、装置、割草机器人以及存储介质


[0001]本申请涉及计算机
，具体涉及一种障碍物检测方法、装置、割草机器人以及存储介质。

技术介绍

[0002]随着人们生活水平的不断提高，人们对休闲环境有了越来越高的要求，私人花园、公园、操场等场地成为了人们休闲娱乐的最佳场所，然而私人花园、公园、操场等草地需要不定期的进行修整，以保证美观。目前通常采用割草机器人来代替人工进行修整。
[0003]然而割草机器人在工作中常常会遇到各种不同的障碍物，现有的割草机器人可以通过机器人上设置的识别装置进行障碍物检测，比如基于TOF相机或立体匹配算法等方法进行障碍物检测，上述技术中的方法虽然可以有效检测障碍物，但是受限于深度图像的分辨率较低以及深度图像容易受到噪声影响，导致障碍物检测的精度不佳。

技术实现思路

[0004]本申请实施例提供一种障碍物检测方法、装置、割草机器人以及存储介质，可以提高障碍物检测的精度。
[0005]第一方面，本申请实施例提供了一种障碍物检测方法，包括：
[0006]采集目标场景的双目图像样本；
[0007]根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图；
[0008]基于所述样本视差图预估所述双目图像样本的预估图像深度；
[0009]根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，以通过所述目标检测模型对割草区域中的障碍物进行检测。
[0010]可选地，在一些实施例中，所述根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图，包括：
[0011]获取所述双目图像样本在不同分辨率维度下的图像特征；
[0012]根据所述图像特征，输出每个分辨率维度下的候选视差图；
[0013]融合所述候选视差图，得到所述双目图像样本的样本视差图。
[0014]可选地，在一些实施例中，所述融合所述候选视差图，得到所述双目图像样本的样本视差图，包括：
[0015]根据分辨率的大小对所述候选视差图进行排序；
[0016]以分辨率最小的候选视差图为基准，对排列后的候选视差图进行上采样处理，得到所述双目图像样本的样本视差图。
[0017]可选地，在一些实施例中，所述基于所述样本视差图预估所述双目图像样本的预估图像深度，包括：
[0018]获取采样设备的基线和焦距；
[0019]基于所述样本视差图、所述采样设备的基线和焦距，预估所述双目图像样本的预估图像深度。
[0020]可选地，在一些实施例中，所述根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，包括：
[0021]根据所述双目图像样本的真实图像深度和所述预估图像深度，构建基础检测模型的深度损失；
[0022]基于所述深度损失训练基础检测模型，得到目标检测模型。
[0023]可选地，在一些实施例中，所述根据所述双目图像样本的真实图像深度和所述预估图像深度，构建基础检测模型的深度损失，包括：
[0024]利用预设深度摄像机采集所述双目图像样本所处场景的真实深度图像；
[0025]将所述真实深度图像的图像深度确定为所述双目图像样本的真实图像深度。
[0026]可选地，在一些实施例中，所述通过所述目标检测模型对割草区域中的障碍物进行检测，包括：
[0027]采集所述割草区域的双目图像；
[0028]将所述双目图像输入至所述目标检测模型中，得到所述割草区域对应的深度图像；
[0029]基于所述深度图像对割草区域中的障碍物进行检测。
[0030]第二方面，本申请实施例提供了一种障碍物检测装置，包括：
[0031]采集模块，用于采集目标场景的双目图像样本；
[0032]输出模块，用于根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图；
[0033]预估模块，用于基于所述样本视差图预估所述双目图像样本的预估图像深度；
[0034]训练模块，用于根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型；
[0035]检测模块，用于通过所述目标检测模型对割草区域中的障碍物进行检测。
[0036]本申请实施例在采集目标场景的双目图像样本后，根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图，然后，基于所述样本视差图预估所述双目图像样本的预估图像深度，最后，根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，以通过所述目标检测模型对割草区域中的障碍物进行检测，在本申请提供的障碍物检测方案中，预先根据双目图像样本在不同维度下的图像特征，预估双目图像样本的预估图像深度，并根据双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，以便割草机器人在割草时，通过该训练得到的目标检测模型检测割草区域中的障碍物，由于该目标检测模型是基于双目图像样本在不同维度下的图像特征所训练得到的，可以避免出现深度图像的分辨率较低以及深度图像容易受到噪声影响，因此，可以提高障碍物检测的精度。
附图说明
[0037]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于
本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1a是本申请实施例提供的障碍物检测方法的场景示意图；
[0039]图1b是本申请实施例提供的障碍物检测方法的流程示意图；
[0040]图2a是本申请实施例提供的障碍物检测装置的结构示意图；
[0041]图2b是本申请实施例提供的障碍物检测装置的另一结构示意图
[0042]图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0043]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0044]需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
[0045]需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种障碍物检测方法，其特征在于，包括：采集目标场景的双目图像样本；根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图；基于所述样本视差图预估所述双目图像样本的预估图像深度；根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，以通过所述目标检测模型对割草区域中的障碍物进行检测。2.根据权利要求1所述的方法，其特征在于，所述根据所述双目图像样本在不同维度下的图像特征，输出所述双目图像样本的样本视差图，包括：获取所述双目图像样本在不同分辨率维度下的图像特征；根据所述图像特征，输出每个分辨率维度下的候选视差图；融合所述候选视差图，得到所述双目图像样本的样本视差图。3.根据权利要求2所述的方法，其特征在于，所述融合所述候选视差图，得到所述双目图像样本的样本视差图，包括：根据分辨率的大小对所述候选视差图进行排序；以分辨率最小的候选视差图为基准，对排列后的候选视差图进行上采样处理，得到所述双目图像样本的样本视差图。4.根据权利要求1所述的方法，其特征在于，所述基于所述样本视差图预估所述双目图像样本的预估图像深度，包括：获取采样设备的基线和焦距；基于所述样本视差图、所述采样设备的基线和焦距，预估所述双目图像样本的预估图像深度。5.根据权利要求1所述的方法，其特征在于，所述根据所述双目图像样本的真实图像深度和所述预估图像深度训练基础检测模型，得到目标检测模型，包括：根据所述双目图像样本的真实图像深度和所述预估图像深度，构建基础检测模型的深度损失；基于所述深度损失训练基础检测模型，...

【专利技术属性】
技术研发人员：罗元泰，魏基栋，韩明名，单毛毛，
申请(专利权)人：松灵机器人成都有限公司，
类型：发明
国别省市：