本發(fā)明涉及電氣化鐵路安全檢測領域，具體地，涉及一種定位器坡度檢測系統(tǒng)。

背景技術：

發(fā)展電氣化鐵路是鐵路現(xiàn)代化建設的必然趨勢。而電氣化鐵路均采用電力牽引，電力機車必須在高速運行條件下可靠地從接觸網(wǎng)上取得電能，否則將影響列車運行和電氣驅(qū)動系統(tǒng)的性能。為了降低在接觸網(wǎng)在列車運行過程中的磨損，接觸網(wǎng)通常沿鋼軌上空“之”字形架設的。接觸網(wǎng)架設系統(tǒng)一般由接觸懸掛、支持裝置、定位裝置、支柱與基礎幾部分組成。

定位裝置是固定接觸線，保證接觸線在合理范圍內(nèi)架設的重要裝置，它的安裝精度直接影響接觸線的幾何參數(shù)，關系到接觸網(wǎng)持續(xù)穩(wěn)定的向受電弓供電。定位器是定位裝置中直接與接觸線接觸的部件，定位器坡度是受電弓運行安全密切相關的接觸網(wǎng)自身結構參數(shù)。為了避免受電弓滑動運行過程中與定位器碰撞而造成的打弓事件，對定位器坡度范圍應有一定要求。

目前鐵路行業(yè)內(nèi)較多使用的是接觸網(wǎng)靜態(tài)測量儀器，一般通過手持或者車載可調(diào)制檢測距離的激光器測量定位器兩點垂直投影高差的方法計算定位器坡度。然而，這種測量方式需要在鐵路非運營時段開展工作，且測量效率低。由于我國高速鐵路快速發(fā)展，接觸網(wǎng)安裝精度要求不斷提高，對接觸網(wǎng)日常維護工作日益增長。因此，傳統(tǒng)的接觸網(wǎng)靜態(tài)檢測方法無法滿足當前快速發(fā)展高速鐵路網(wǎng)的接觸網(wǎng)系統(tǒng)定位器檢測需求。

綜上所述，本申請發(fā)明人在實現(xiàn)本申請發(fā)明技術方案的過程中，發(fā)現(xiàn)上述技術至少存在如下技術問題：

在現(xiàn)有技術中，現(xiàn)有的定位器坡度檢測方法存在檢測效率和準確率較差的技術問題。

技術實現(xiàn)要素：

本發(fā)明提供了一種接觸網(wǎng)定位器坡度檢測系統(tǒng)，解決了現(xiàn)有的定位器坡度檢測方法存在檢測效率和準確率較差的技術問題，實現(xiàn)了高效準確的對定位器坡度進行檢測的技術效果。

為解決上述技術問題，本申請?zhí)峁┝艘环N接觸網(wǎng)定位器坡度檢測系統(tǒng)，所述系統(tǒng)包括視頻采集單元和主機單元，其中：

視頻采集單元安裝于列車車頂，圖像采集單元用于實時采集接觸網(wǎng)運行狀態(tài)視頻，并將視頻圖像實時傳輸?shù)杰噧?nèi)主機單元進行數(shù)據(jù)分析；

主機單元安裝于車廂內(nèi)部，接收視頻采集單元的視頻信號并進行壓縮存儲，并根據(jù)獲得弓網(wǎng)圖像數(shù)據(jù)計算定位器坡度。

進一步的，視頻采集單元包括：安裝底座、相機、補光光源；安裝底座與車頂接口固定連接；補光光源和相機均固定于所述安裝底座上，且相機和補光光源的射出光對準接觸網(wǎng)系統(tǒng)支架及定位器。

進一步的，所述系統(tǒng)還包括電源管理模塊和通訊控制模塊；所述電源管理模塊用于為視頻采集單元和主機單元供電；所述通訊控制模塊用于將視頻采集單元采集的視頻圖像傳輸?shù)街鳈C單元。

進一步的，所述系統(tǒng)還包括數(shù)據(jù)存儲模塊；所述數(shù)據(jù)存儲模塊用于保存視頻采集單元采集的視頻圖像。

進一步的，所述主機單元中設有第一GPU模塊；所述第一GPU模塊用于通過深度學習算法對定位器進行粗檢測，具體包括：

步驟1：首先獲得定位器圖像信息，然后基于定位器圖像信息構建深度學習模型；

步驟2：基于弓網(wǎng)圖像，構建定位器訓練樣本；

步驟3：基于步驟2中的訓練樣本訓練深度學習模型；

步驟4：基于訓練后的深度學習模型，對含有待檢測定位器的圖像進行處理，獲得待檢測定位器的位置信息；

步驟5：基于步驟4中的位置信息，對包含定位器的局部圖像區(qū)域，對圖像中的定位器進行精確定位，擬合定位器直線；

步驟6：對定位器圖像進行投影變換，計算定位器在世界坐標系下的坐標，得到世界坐標系下定位器坡度。

進一步的，所述步驟1具體包括：

步驟1.1：構建包含若干個隱藏層的深度卷積網(wǎng)絡，其中：包括卷積層，降采樣層和全連接層；通過卷積計算提取圖像的局部特征；

步驟1.2：通過池化對圖像的局部特征做降采樣處理；

步驟1.3：通過全連接層做進一步的逐層特征提取處理；

步驟1.4：通過分類器層預測定位器的類別概率和精確位置

步驟1.5：定義分類器損失函數(shù)，包括類別損失和位置損失。

進一步的，所述步驟4具體包括：

步驟4.1：對于待檢測圖像輸入優(yōu)化參數(shù)后的深度卷積網(wǎng)絡；

步驟4.2：得到測試圖像的網(wǎng)絡輸出值

步驟4.3：依據(jù)網(wǎng)絡輸出值可得到定位器類別和位置信息；

進一步的，所述主機單元中還設有第二CPU模塊；所述第二CPU模塊用于對定位器區(qū)域進行細檢測，并通過單目視覺立體幾何關系計算定位器在世界坐標系下的坡度，具體包括：

對包含定位器的局部圖像區(qū)域，利用基于hough直線檢測算法對圖像中的定位器進行精確定位，擬合定位器直線，具體包括：

首先，Canny提取圖像邊緣：

(a)圖像使用帶有指定標準偏差的高斯濾波器來平滑；

(b)在每一點處計算局部梯度和邊緣方向；

(c)針對步驟(b)中出現(xiàn)的圖像脊，考慮Canny算法追蹤所有脊的頂部，并將所有不在脊的頂部的像素設為零，在輸出中給出一條線；脊像素使用兩個閾值T₁和T₂做閾值處理，其中，T₁<T₂，像素值大于T₂的脊像素成為強邊緣像素，T₁和T₂之間的脊像素成為弱邊緣像素；

(d)通過將8連接的弱像素集成到強像素，執(zhí)行邊緣鏈接；

然后，Hough擬合定位器直線：

(a1)在經(jīng)過Canny算子變換的圖像中，進行hough直線變換，得到全部可能的直線段；

(b1)在全部直線段中選取長度大于閾值，且角度符合預設條件的直線作為定位器擬合實現(xiàn)。

進一步的，所述步驟6具體包括：

首先，對相機進行標定：

(a2)繪制攝像機標定盤，按照相機在車頂?shù)奈恢霉潭ㄏ鄼C；

(b2)從不同距離和角度對標定盤成像，且滿足標定盤與相機平面夾角小于45°；

(c2)將獲取的圖像導入計算機，得到相機的內(nèi)參數(shù)(f_x,f_y,u₀,v₀)與外參數(shù)(R,t)；

然后，利用投影矩陣計算定位器坐標：

(a3)建立圖像坐標系與世界坐標系的轉(zhuǎn)換關系：

(b3)將相機標定獲得的內(nèi)參數(shù)和外參數(shù)帶入轉(zhuǎn)換矩陣中，得到定位器世界坐標轉(zhuǎn)換關系；

(c3)對定位器進行采樣，由圖像坐標計算定位器在真實世界坐標系中的坐標，其中，定位器下端點坐標為(X_w1,Y_w1)和上端點坐標為(X_w2,Y_w2)；

然后，根據(jù)定位器坐標得到坡度，計算得到定位器坡度為：

進一步的，所述系統(tǒng)還包括異常報警模塊和控制系統(tǒng)模塊；所述異常報警模塊用于輸出定位器坡度異常信息；所述控制系統(tǒng)模塊用于對視頻采集單元和主機單元進行綜合控制。

其中，本申請中的接觸網(wǎng)定位器坡度檢測方法包括：

首先，利用圖像采集裝置獲得列車接觸網(wǎng)運行圖像信息；

然后，對列車接觸網(wǎng)運行圖像信息進行處理，獲得定位器圖像信息；

然后，基于定位器圖像信息，對定位器進行分析計算，獲得世界坐標系下定位器坡度。

其中，對定位器進行分析計算是利用車載接觸網(wǎng)運行檢測裝置的運行主機，通過基于深度學習的定位器線檢測算法，對圖像中的定位器進行檢測定位，然后利用立體單目視覺對定位器進行坡度計算。

其中，本申請中的圖像采集裝置可以為相機、攝像機、攝像頭等，如：是通過安裝于車頂?shù)母叻直媛矢咚贁z像裝置采集接觸網(wǎng)運行環(huán)境視頻(如圖3所示)。

并且，基于本申請中的方法對應的提供了一種接觸網(wǎng)定位器坡度檢測系統(tǒng)，該系統(tǒng)包括：

車載接觸網(wǎng)視頻采集裝置，其包括于高速動車車頂安裝的高分辨率高速攝像裝置，實時采集接觸網(wǎng)運行狀態(tài)視頻，并將視頻圖像實時傳輸?shù)杰噧?nèi)主機進行數(shù)據(jù)分析；

主機單元，包括電源管理，視頻直播，操控界面，異常報警，通訊控制，數(shù)據(jù)分析以及控制系統(tǒng)模塊。其中在數(shù)據(jù)分析模塊中，利用深度學習算法對圖像進行分析，得到定位器的準確位置并擬合定位器直線，在成功獲得定位器擬合直線后，利用立體單目視覺處理得到定位器在世界坐標系下的坡度。異常報警模塊針對前述得到的定位器坡度進行分析，當定位器坡度超過規(guī)定閾值時輸出報警信息，并給出定位器坡度超標時高速動車的位置信息。

其中，攝像裝置的安裝位置，方向，視野大小，圖像采集頻率滿足系統(tǒng)能針對每個接觸網(wǎng)支柱采集到足夠數(shù)量，適合進行定位器檢測的圖像，并且成像模型滿足使用立體單目視覺進行定位器坡度計算條件。

其中，本申請中的方法采用相機和計算機結合，自動對定位器坡度進行檢測，避免了傳統(tǒng)的人工手持設備進行檢測，檢測效率較高，且在檢測時間上沒有限制，無需在列車停運時檢測，檢測效率較高，并且采用了深度學習模型、圖像處理結合進行計算，能夠獲得準確的檢測結果。

本申請?zhí)峁┑囊粋€或多個技術方案，至少具有如下技術效果或優(yōu)點：

本申請中的定位器坡度檢測系統(tǒng)，基于深度學習對復雜環(huán)境下不同定位器進行了精確的檢測；并且基于直線擬合的思路，可以在局部區(qū)域內(nèi)精確的擬合定位器直線；進一步的基于投影方程的解決辦法，可以給出定位器在世界坐標系下的精確值；所以，有效解決了現(xiàn)有的定位器坡度檢測方法存在檢測效率和準確率較差的技術問題，進而實現(xiàn)了高效準確的對定位器坡度進行檢測的技術效果。

附圖說明

此處所說明的附圖用來提供對本發(fā)明實施例的進一步理解，構成本申請的一部分，并不構成對本發(fā)明實施例的限定；

圖1是本申請中定位器坡度檢測方法的流程示意圖；

圖2是本申請中定位器坡度檢測系統(tǒng)的組成示意圖；

圖3是本申請中定位器坡度檢測系統(tǒng)的視頻采集裝置安裝示意圖。

具體實施方式

本發(fā)明提供了一種接觸網(wǎng)定位器坡度檢測系統(tǒng)，解決了現(xiàn)有的定位器坡度檢測方法存在檢測效率和準確率較差的技術問題，實現(xiàn)了高效準確的對定位器坡度進行檢測的技術效果。

為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點，下面結合附圖和具體實施方式對本發(fā)明進行進一步的詳細描述。需要說明的是，在相互不沖突的情況下，本申請的實施例及實施例中的特征可以相互組合。

在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述范圍內(nèi)的其他方式來實施，因此，本發(fā)明的保護范圍并不受下面公開的具體實施例的限制。

請參考圖1-圖3，本申請?zhí)峁┝艘环N定位器坡度檢測方法，所述方法包括：

首先，利用圖像采集裝置獲得列車接觸網(wǎng)運行圖像信息；

然后，對列車接觸網(wǎng)運行圖像信息進行處理，獲得定位器圖像信息；

然后，基于定位器圖像信息，對定位器進行分析計算，獲得世界坐標系下定位器坡度。

其中，對定位器進行分析計算是利用車載接觸網(wǎng)運行檢測裝置的運行主機，通過基于深度學習的定位器線檢測算法，對圖像中的定位器進行檢測定位，然后利用立體單目視覺對定位器進行坡度計算。

其中，本申請中的圖像采集裝置可以為相機、攝像機、攝像頭等，如：是通過安裝于車頂?shù)母叻直媛矢咚贁z像裝置采集接觸網(wǎng)運行環(huán)境視頻。

并且，基于本申請中的方法對應的提供了一種定位器坡度檢測系統(tǒng)，請參考圖2，所述系統(tǒng)包括視頻采集單元和主機單元，其中：

視頻采集單元安裝于列車車頂，圖像采集單元用于實時采集接觸網(wǎng)運行狀態(tài)視頻，并將視頻圖像實時傳輸?shù)杰噧?nèi)主機單元進行數(shù)據(jù)分析；

主機單元安裝于車廂內(nèi)部，接收視頻采集單元的視頻信號并進行壓縮存儲，并根據(jù)獲得弓網(wǎng)圖像數(shù)據(jù)計算定位器坡度。

進一步的，視頻采集單元包括：安裝底座、相機、補光光源；安裝底座與車頂接口固定連接；補光光源和相機均固定于所述安裝底座上，且相機和補光光源的射出光對準接觸網(wǎng)系統(tǒng)支架及定位器。

其中，所述系統(tǒng)還包括電源管理模塊和通訊控制模塊；所述電源管理模塊用于為視頻采集單元和主機單元供電；所述通訊控制模塊用于將視頻采集單元采集的視頻圖像傳輸?shù)街鳈C單元。

其中，所述系統(tǒng)還包括數(shù)據(jù)存儲模塊；所述數(shù)據(jù)存儲模塊用于保存視頻采集單元采集的視頻圖像。

其中，所述主機單元中設有第一GPU模塊；所述第一GPU模塊用于通過深度學習算法對定位器進行粗檢測，具體包括：

步驟1：首先獲得定位器圖像信息，然后基于定位器圖像信息構建深度學習模型；

步驟2：基于弓網(wǎng)圖像，構建定位器訓練樣本；

步驟3：基于步驟2中的訓練樣本訓練深度學習模型；

步驟4：基于訓練后的深度學習模型，對含有待檢測定位器的圖像進行處理，獲得待檢測定位器的位置信息；

步驟5：基于步驟4中的位置信息，對包含定位器的局部圖像區(qū)域，對圖像中的定位器進行精確定位，擬合定位器直線；

步驟6：對定位器圖像進行投影變換，計算定位器在世界坐標系下的坐標，得到世界坐標系下定位器坡度。

其中，所述步驟1具體包括：

步驟1.1：構建包含若干個隱藏層的深度卷積網(wǎng)絡，其中：包括卷積層，降采樣層和全連接層；通過卷積計算提取圖像的局部特征；

步驟1.2：通過池化對圖像的局部特征做降采樣處理；

步驟1.3：通過全連接層做進一步的逐層特征提取處理；

步驟1.4：通過分類器層預測定位器的類別概率和精確位置

步驟1.5：定義分類器損失函數(shù)，包括類別損失和位置損失。

其中，所述步驟4具體包括：

步驟4.1：對于待檢測圖像輸入優(yōu)化參數(shù)后的深度卷積網(wǎng)絡；

步驟4.2：得到測試圖像的網(wǎng)絡輸出值

步驟4.3：依據(jù)網(wǎng)絡輸出值可得到定位器類別和位置信息；

其中，所述主機單元中還設有第二CPU模塊；所述第二CPU模塊用于對定位器區(qū)域進行細檢測，并通過單目視覺立體幾何關系計算定位器在世界坐標系下的坡度，具體包括：

對包含定位器的局部圖像區(qū)域，利用基于hough直線檢測算法對圖像中的定位器進行精確定位，擬合定位器直線，具體包括：

首先，Canny提取圖像邊緣：

(a)圖像使用帶有指定標準偏差的高斯濾波器來平滑；

(b)在每一點處計算局部梯度和邊緣方向；

(c)針對步驟(b)中出現(xiàn)的圖像脊，考慮Canny算法追蹤所有脊的頂部，并將所有不在脊的頂部的像素設為零，在輸出中給出一條線；脊像素使用兩個閾值T₁和T₂做閾值處理，其中，T₁<T₂，像素值大于T₂的脊像素成為強邊緣像素，T₁和T₂之間的脊像素成為弱邊緣像素；

(d)通過將8連接的弱像素集成到強像素，執(zhí)行邊緣鏈接；

然后，Hough擬合定位器直線：

(a1)在經(jīng)過Canny算子變換的圖像中，進行hough直線變換，得到全部可能的直線段；

(b1)在全部直線段中選取長度大于閾值，且角度符合預設條件的直線作為定位器擬合實現(xiàn)。

其中，所述步驟6具體包括：

首先，對相機進行標定：

(a2)繪制攝像機標定盤，按照相機在車頂?shù)奈恢霉潭ㄏ鄼C；

(b2)從不同距離和角度對標定盤成像，且滿足標定盤與相機平面夾角小于45°；

(c2)將獲取的圖像導入計算機，得到相機的內(nèi)參數(shù)(f_x,f_y,u₀,v₀)與外參數(shù)(R,t)；

然后，利用投影矩陣計算定位器坐標：

(a3)建立圖像坐標系與世界坐標系的轉(zhuǎn)換關系：

(b3)將相機標定獲得的內(nèi)參數(shù)和外參數(shù)帶入轉(zhuǎn)換矩陣中，得到定位器世界

坐標轉(zhuǎn)換關系；

(c3)對定位器進行采樣，由圖像坐標計算定位器在真實世界坐標系中的坐

標，其中，定位器下端點坐標為(X_w1,Y_w1)和上端點坐標為(X_w2,Y_w2)；

然后，根據(jù)定位器坐標得到坡度，計算得到定位器坡度為：

其中，所述系統(tǒng)還包括異常報警模塊和控制系統(tǒng)模塊；所述異常報警模塊用于輸出定位器坡度異常信息；所述控制系統(tǒng)模塊用于對視頻采集單元和主機單元進行綜合控制。

其中，利用深度學習算法對圖像進行分析，得到定位器的準確位置并擬合定位器直線，在成功獲得定位器擬合直線后，利用立體單目視覺處理得到定位器在世界坐標系下的坡度。異常報警模塊針對前述得到的定位器坡度進行分析，當定位器坡度超過規(guī)定閾值時輸出報警信息，并給出定位器坡度超標時高速動車的位置信息。圖3為定位器坡度檢測系統(tǒng)中車載接觸網(wǎng)視頻采集裝置的安裝示意圖，將采集裝置安裝在列車的頂部。

請參考圖1，定位器檢測步驟，利用深度學習算法，實時處理視頻圖像并檢測圖像中出現(xiàn)的定位器；

1構建深度學習模型：

如圖1所示，構建包含若干個隱藏層的深度卷積網(wǎng)絡，其中包括卷積層，降采樣層、全連接層和輸出層。其中卷積層、降采樣層和全連接層用于逐層提取圖像特征；輸出層包含分類器用于得到圖像定位器類別和區(qū)域。

步驟1.1：通過卷積計算提取圖像的局部特征，并對局部特征進行非線性變換。

步驟1.2：通過池化對圖像的局部特征做降采樣。

步驟1.3：通過全連接層做進一步的逐層特征提取。

步驟1.4：通過輸出層預測定位器的類別概率和精確位置。其中類別概率包括定位器的正定位與反定位；精確位置包括定位器區(qū)域的中心點坐標與長度和寬度。

步驟1.5：定義輸出層分類器損失函數(shù)，包括類別損失和位置損失。其中損失函數(shù)定位器真實類別和位置與深度卷積網(wǎng)絡輸出值的最小均方誤差。

上述卷積層，降采樣層，全連接層和分類器層的構建方法在Lecun等人1998年發(fā)表在IEEE上的文章“Gradient-based learning applied to document recognition”有具體介紹

2選擇樣本。

通過3C采集設備獲取大量的弓網(wǎng)圖像，從圖像中扣去定位器樣本，構建定位器訓練樣本集。選擇圖像中包含定位器區(qū)域，選擇定位器類別：正定位和反定位。記錄定位器在圖像中的位置，包含圖像塊的中心位置在全圖的坐標和圖像塊的長和寬。

3訓練深度學習模型；

利用梯度下降算法來最小化輸出層分類器損失函數(shù)，從而以迭代的方式對深度卷積網(wǎng)絡參數(shù)進行調(diào)整。求解方法在Rumelhart等人1986年發(fā)表在Nature上的文章″Learning representations by back-propagating errors″中有具體介紹。

4檢測定位器。

步驟4.1：對于待檢測圖像輸入優(yōu)化參數(shù)后的深度卷積網(wǎng)絡，；

步驟4.2：得到所述測試圖像的網(wǎng)絡輸出值。

步驟4.3：對輸出層中的圖像塊目標概率進行排序，選擇滿足閾值要求的圖像塊作為目標區(qū)域。

步驟4.4：依據(jù)輸出層得到目標區(qū)域計算類別概率，判別正定位與反定位。

步驟4.5：依據(jù)輸出層得到目標區(qū)域的中心的坐標與區(qū)域長度和寬度。

5直線擬合步驟，對包含定位器的局部圖像區(qū)域，利用基于hough直線檢測算法對圖像中的定位器進行精確定位，擬合定位器直線；

Canny提取圖像邊緣

a圖像使用帶有指定標準偏差的高斯濾波器來平滑，從而可以減少噪聲；

b在每一點處計算局部梯度和邊緣方向α(x,y)＝arctan(G_y/G_x)。邊緣點定義為梯度方向是其強度為局部最大的點。

c針對步驟b中出現(xiàn)的圖像脊，考慮算法追蹤所有脊的頂部，并將所有不在脊的頂部的像素設為零，從而在輸出中給出一條細線。脊像素使用兩個閾值T₁和T₂做閾值處理，其中T₁<T₂。像素值大于T₂的脊像素成為強邊緣像素，T₁和T₂之間的脊像素成為弱邊緣像素。

d通過將8連接的弱像素集成到強像素，執(zhí)行邊緣鏈接。

Hough擬合定位器直線

在經(jīng)過Canny算子變換的圖像中，進行hough直線變換[]，得到全部可能的直線段；

在全部直線段中選取長度大于閾值，且角度在[0°,45°]和[135°，180°]之間的直線作為定位器擬合實現(xiàn)；(對于正定位和反定位兩種安裝模式，定位器的安裝與水平面的夾角在5°～20°之間，由于相機的安裝角度和距離定位器的遠近不同，定位器在圖像中的角度通常是不同的，為了避免誤檢，要求定位器擬合直線段在圖像中的角度為[0°,45°]和[135°，180°])

坡度計算步驟，對定位器圖像進行投影變換，計算定位器在世界坐標系下的坐標，得到世界坐標系下定位器坡度。

對相機進行標定：

繪制攝像機標定盤，按照相機在車頂?shù)奈恢霉潭ㄏ鄼C；

從不同距離和角度對標定盤成像，且滿足標定盤與相機平面夾角小于45°；

將獲取的圖像導入程序，利用opencv中“CalibrateCamera2”函數(shù)得到相機的內(nèi)參數(shù)與外參數(shù)。

利用投影矩陣計算定位器坐標；

如公式所示，建立圖像坐標系與世界坐標系的轉(zhuǎn)換關系：

將相機標定獲得的內(nèi)參數(shù)(f_x,f_y,u₀,v₀)和外參數(shù)(R,t)帶入轉(zhuǎn)換矩陣中，得到定位器世界坐標轉(zhuǎn)換關系；

對定位器進行采樣，由圖像坐標計算定位器在真實世界坐標系中的坐標，其中定位器下端點坐標為(X_w1,Y_w1)和上端點坐標為(X_w2,Y_w2)。

根據(jù)定位器坐標得到坡度

根據(jù)公式，計算得到定位器坡度為：

上述本申請實施例中的技術方案，至少具有如下的技術效果或優(yōu)點：

本申請中的定位器坡度檢測系統(tǒng)，基于深度學習對復雜環(huán)境下不同定位器進行了精確的檢測；并且基于直線擬合的思路，可以在局部區(qū)域內(nèi)精確的擬合定位器直線；進一步的基于投影方程的解決辦法，可以給出定位器在世界坐標系下的精確值；所以，有效解決了現(xiàn)有的定位器坡度檢測方法存在檢測效率和準確率較差的技術問題，進而實現(xiàn)了高效準確的對定位器坡度進行檢測的技術效果。

盡管已描述了本發(fā)明的優(yōu)選實施例，但本領域內(nèi)的技術人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領域的技術人員可以對本發(fā)明進行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權利要求及其等同技術的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。