面向实时无人机林业应用的树枝图像深度匹配网络训练：基准研究

自动化无人机树枝修剪需要从立体相机获取准确的实时深度估计。深度由视差图计算，公式为 $Z = f B/d$，因此即使在工作距离下，微小的视差误差也会导致显著的深度误差。基于我们先前确定的 DEFOM-Stereo 对植被场景最佳参考视差生成器，我们present 首个在真实树枝图像上训练和测试十个深度立体匹配网络的研究。我们使用 Canterbury Tree Branches 数据集——来自 ZED Mini 相机的 5,313 对 1080P 和 720P 立体对，采用 DEFOM 生成的视差图作为训练目标。十种方法覆盖分步细化、3D 卷积、边缘感知注意力和轻量级设计。使用感知指标（SSIM、LPIPS、ViTScore）和结构指标（SIFT/ORB 特征匹配），我们发现 BANet-3D 在整体质量方面表现最佳（SSIM = 0.883，LPIPS = 0.157），而 RAFT-Stereo 在场景级理解方面得分最高（ViTScore = 0.799）。在 NVIDIA Jetson Orin Super（16 GB，独立供电）上进行测试显示，AnyNet 能在 1080P 下达到 6.99 FPS——唯一的接近实时选项——而 BANet-2D 在质量-速度平衡方面表现最佳（1.21 FPS）。我们还比较了 720P 和 1080P 的处理时间，以为林业无人机系统的分辨率选择提供指导。