La estimación de la profundidad es una de las partes críticas para los robots de cosecha para determinar directamente si la operación de agarre o recolección tiene éxito o no. Este artículo propuso un novedoso método de completado de disparidad combinado con filtrado bilateral y fusión piramidal para mejorar los problemas de salidas incorrectas debido a la falta o coincidencia errónea al lograr la posición 3D a partir de imágenes 2D en entornos de mundo abierto. En resumen, nuestro método propuesto tiene dos ventajas significativas en general. En primer lugar, la oclusión entre hojas, ramas y frutas es un fenómeno universal en entornos de huertos no estructurados, lo que resulta en que la mayoría de los algoritmos de estimación de profundidad enfrenten grandes desafíos para obtener salidas precisas en estas regiones ocultas. Para aliviar estos problemas, a diferencia de otros esfuerzos de investigación que ya existen, optimizamos el algoritmo de coincidencia semiglobal para obtener valores dispersos de alta precisión como un mapa de disparidad inicial; luego, se propone un algoritmo de filtrado bilateral mejorado para eliminar agujeros y regiones discontinuas causadas por la oclusión para obtener salidas de disparidad precisas y densas. En segundo lugar, debido a tener en cuenta los requisitos prácticos de alta eficiencia del robot de cosecha automatizado en su estado de funcionamiento, intentamos fusionar múltiples resultados de filtrado bilateral de baja resolución a través del modelo de fusión piramidal que va más allá del mecanismo de compensación para mejorar el rendimiento tanto en precisión como en costo temporal. Finalmente, se diseñó un robot de cosecha prototipo para realizar experimentos a tres tipos de distancias diferentes (0,6 a 0,75 m, 1 a 1,2 m y 1,6 a 1,9 m). Los resultados experimentales mostraron que nuestro método propuesto logró mapas de disparidad densos y eliminó agujeros y defectos discontinuos en el mapa de disparidad de manera efectiva. El error absoluto promedio de nuestro método propuesto es de 3,2 mm y el error relativo promedio es del 1,79%. Además, el costo temporal se reduce en más del 90%. Los resultados experimentales integrales demuestran que nuestro algoritmo propuesto proporciona una posibilidad potencial para el diseño de cosechadoras.