基于改进YOLO的无人机入侵检测方法

针对现有的基于深度学习的目标检测方法在面对现实场景的无人机目标时,存在鲁棒性差、准确率低、模型复杂度高的问题,提出一种基于动态卷积的YOLO目标检测方法——OD-YOLO。该算法针对无人机目标低、慢、小的特点,采取了以下改进措施:首先针对下采样过程可能导致学习信息丢失和目标信息不突出的问题,提出空间到深度卷积来实现下采样过程,不丢失学习信息的同时突出无人机目标的特征;其次为了进一步提高目标检测的精度和对不同背景的泛化性,采用全维度动态卷积进一步提高目标检测的精度和对不同背景的泛化性;最后对模型骨干网络进行改进,增强无人机目标的语义特征,并缩减骨架大小,减少参数量,既提高模型的计算效率,又保持对无人机目标的有效表示能力。通过实验仿真,对比了OD-YOLO和当前先进的目标检测算法。结果表明,OD-YOLO在精度和轻量化方面都有显著提升。mAP和Recall分别相比原模型提高了3.4%和5.1%。

基于语义分割网络的AGV路径规划算法

针对基于栅格地图的路径规划技术在面对大地图、高分辨率地图的情况下,存在的规划速度慢、内存占用高的问题,提出一种基于语义网络的网络搜索算法。首先使用语义分割网络对栅格地图进行预采样,其次通过图像学膨胀拓宽最优路径形成最优路径范围,增强算法鲁棒性,最后利用语义网络的特征图指导搜索算法规划,加快了高分辨率栅格地图的路径规划的速度。实验仿真表明,网络搜索算法较传统搜索算法,时间平均缩短72.5%,遍历点数平均减少51.6%,路径长度平均延长0.73%,网络搜索算法可以有效加快路径搜索速度,减少内存占用。

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中,存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题,本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值,增强了蚁群早期搜索的方向性,避免了算法陷入局部最优;设计兼顾距离因素和方向因素的启发函数,改善了航迹规划质量;采用自适应挥发因子控制信息素的挥发,提高了算法的收敛速度。通过两组实验表明,该算法相比传统算法规划的航迹平均长度均减少18.6%,平均迭代次数分别减少63.3%和78.7%,平均拐角次数分别减少62.5%和42.3%。

一种有界Petri网的可诊断性验证方法

离散事件系统满足可诊断性是设计故障诊断算法的前提,因此研究可诊断性验证方法具有重要意义.故障发生后无死锁是研究可诊断性问题常见的假设之一,限制了可诊断性验证方法的应用范围.本文在去掉故障发生后无死锁假设的基础上,首先提出了标签可达图的概念和构建算法,其次提出了一种新的可诊断性验证算法来验证有界Petri网是否满足可诊断性.最后通过例子详细说明可诊断性验证算法的计算过程.

一种Petri网禁止状态控制器综合方法

针对含有不可控变迁Petri网的禁止状态问题,提出了一种基于整数线性规划的控制器综合方法,该方法适用于任意普通Petri网模型。首先,根据Petri网的结构特性构建所有不可控变迁应满足的约束条件集合,其次通过求解整数线性规划问题将给定的线性约束转换为允许线性约束;最后,利用库所不变量方法设计控制器将转换后的约束综合到Petri网中。以某零件加工系统为例进行实验,实验结果表明,提出的方法简单高效,对实际自动制造系统的禁止状态监控问题具有一定借鉴意义。

一种基于Petri网的无人机物流配送建模方法

针对传统物流配送操作流程繁琐、易受人为因素影响的问题,提出了将无人机引入物流进行配送的方法。首先,利用随机Petri网理论分别对传统物流配送系统以及无人机物流配送系统进行Petri网建模;其次,基于随机Petri网构建马尔科夫链,利用马尔科夫链对模型进行性能分析;再利用随机Petri网的化简规则对两个模型进行等效变换,计算一次配送业务流程的平均作业时间;最后,再对分析结果进行对比研究。研究对比结果表明,相比传统物流配送,利用无人机进行物流线路的再规划,在满足全线路由合理化的同时,时效履约提高了25.6%,由此可知,利用无人机进行物流配送可以明显缩短配送时间,有效提高配送效率,对实际物流问题具有一定理论借鉴意义。

一种离散事件系统边界可诊断性验证方法

针对有效验证离散事件系统故障后是否具有可诊断性问题,设计了一种基于Petri网的边界可诊断性的验证方法。首先,根据Petri网的结构特性,提出了显示可达图的概念及其构建算法;其次,提出了一种基于显示可达图的验证器及其构造算法,分析系统故障发生后是否具有可诊断性以及计算满足系统可诊断性的边界值;最后,通过实例对所设计的方法进行验证。实验结果表明,设计方法可以有效验证系统故障后是否具有可诊断性并计算系统满足可诊断性的边界值,计算过程较为简单,对实际工业应用中离散事件系统故障可诊断性问题具有借鉴意义。