图像深度估计方法、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图像深度估计方法、装置、割草机器人以及存储介质，包括：采集样本图像以及所述样本图像对应的深度图像；分别对所述样本图像中的模糊区域和所述深度图像中的深度信息进行处理；获取预训练的基础模型，并对所述基础模型进行裁剪处理；将处理后样本图像输入至处理后基础模型中，得到所述处理后样本图像对应的预估深度图像；根据所述预估深度图像和处理后深度图像对所述处理后基础模型进行训练，得到深度估计模型，以通过所述深度估计模型对割草机器人采集的图像进行深度估计，该方案可以提高图像检测的准确性，进而提高割草机器人的避障效率。进而提高割草机器人的避障效率。进而提高割草机器人的避障效率。

【技术实现步骤摘要】
图像深度估计方法、装置、割草机器人以及存储介质


[0001]本申请涉及计算机
，具体涉及一种图像深度估计方法、装置、割草机器人以及存储介质。

技术介绍

[0002]割草机器人被广泛应用于家庭庭院草坪的维护和大型草地的修剪。割草机器人融合了运动控制、多传感器融合以及路径规划等技术。为了控制割草机器人实现割草作业，需要对割草机器人的割草路径进行规划，使其可以完全覆盖所有的作业区域。
[0003]割草机器人在草地上运行过程中可能会出现前方有障碍物出现，检测到障碍物后需要得到当前割草机器人到障碍物的距离用于路径规划，进行动态避障，目前，采用的方案是通过超声波传感器检测障碍物的位置，然而，对于异形障碍物，超声波检测方案仅能检测到其大概的位置，并不能准确地检测其形状，可见，目前的检测方案准确性不佳，导致割草机器人的避障效率低下。

技术实现思路

[0004]本申请实施例提供一种图像深度估计方法、装置、割草机器人以及存储介质，可以通过训练的深度估计模型，对割草机器人采集的图像进行深度估计，由此，可以提高图像检测的准确性，进而提高割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度估计方法，其特征在于，包括：采集样本图像以及所述样本图像对应的深度图像；分别对所述样本图像中的模糊区域和所述深度图像中的深度信息进行处理；获取预训练的基础模型，并对所述基础模型进行裁剪处理；将处理后样本图像输入至处理后基础模型中，得到所述处理后样本图像对应的预估深度图像；根据所述预估深度图像和处理后深度图像，对所述处理后基础模型进行训练，得到深度估计模型，以通过所述深度估计模型对割草机器人采集的图像进行深度估计。2.根据权利要求1所述的方法，其特征在于，所述根据所述预估深度图像和处理后深度图像对所述处理后基础模型进行训练，得到深度估计模型，包括：根据所述预估深度图像与处理后深度图像之间的像素差，生成所述处理后基础模型的深度损失；基于所述深度损失收敛所述处理后基础模型，得到深度估计模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述预估深度图像与处理后深度图像之间的像素差，生成所述处理后基础模型的深度损失之前，还包括：对所述处理后深度图像进行随机裁剪；所述根据所述预估深度图像与处理后深度图像之间的像素差，生成所述处理后基础模型的深度损失，包括：根据所述预估深度图像与裁剪后深度图像之间的像素差，生成所述处理后基础模型的深度损失。4.根据权利要求1所述的方法，其特征在于，所述对所述基础模型进行裁剪处理，包括：在所述基础模型中裁剪预设数量的下采样层，并基于剩余的下采样层构建所述基础模型对应的编码器；基于预设插值算法和所述基础模型的卷积层，构建所述基础模型对应的解码器。5.根据权利要求1所述的方法，其特征在于，所述分别对所述样本图像中的模糊区域和所述深度图像中的深度信息进行处理，包括：基于预设图像增强算法，对所述样本图像中的模糊区域进行图像增强；在所述深度图像中确定有效像素和无效像素；基于最邻近法将所述有效像素的像素值填充至对应的无效像素中，并根据中值模糊算法对像素填充后深度图像进...

【专利技术属性】
技术研发人员：罗元泰，魏基栋，韩明名，邓兴隆，
申请(专利权)人：松灵机器人深圳有限公司，
类型：发明
国别省市：