1、传感器技术：自动驾驶汽车上，前后左右装有认识周围环境、道路、交通状况的各种传感器。光学摄像头包括单摄像头、多摄像头，多普勒雷达包括短距离雷达、远距离雷达，还有激光雷达就是车顶上那个旋转的机器，GPS定位装置，等等，构成汽车认识环境的眼睛。2、芯片技术：也就是能够处理多个传感器采集的数据，并能整合的类似小计算机的超级芯片，使汽车的“总计算机”体积、成本大为减小，并能应用于汽车成为可能。否则汽车里将没有人坐的地方、老百姓也买不起这些庞大计算机群的汽车。3、操作系统：计算机控制系统将处理结果与操作硬件结合起来，实现加速减速、刹车停车、变向避让，以及人机对话等等。无人驾驶汽车具备了替代人工操纵的能力。4、网络技术：无人驾驶汽车要能上路，必须具备与互联网、局域网联络和识别功能，包括车与车的联络对话、车与卫星通讯、车与天气预报的联络、车与交通指挥网的联络，才能正确识别和选择道路、正确服从交通警察的指挥、正确决定通过交叉路口、正确避让危险和安全行车。总之，万里长征刚走了第一步，距离进入百姓家庭，还相当遥远。比如，那个车顶上老是旋转的东西就让人感到很不雅观。汽车制造商真的搞无人驾驶，自己把自己推给了芯片公司、计算机公司、网络公司，沦为装配厂的一员，也是很不情愿的事。
车道线检测算法通常分为两种类型：一种是基于基于视觉特征来做语义分割或者实例分割，例如 LaneNet 和 SCNN ；另一种是通过视觉特征来预测车道线所在位置的点，以此来解决 no-visual-clue 问题的模型，比如本文提到的 Ultra-Fast-Lane-Detection 。
offical github ： paper ： Ultra Fast Structure-aware Deep Lane Detection
下图展示了整个模型的结构，基本可以分为三个部分： Backbone 、 Auxiliary 部分和用于车道线候选点选择的 Group Classification 部分。可以看出，由于整个 pipeline 中参与最终 inference 的部分只进行了下采样而不像分割模型还进行了多轮的上采样，因此模型整体的计算量是相当低的，根据论文给出的结果可以达到 300FPS 。
Backbone 部分采用了较小的 ResNet18 或者 ResNet34 ，下采样到 4X 的部分作为最终的特征，这里其实是较为浅层的特征，一般分割模型要下采样到 16x 或者 32x 。论文里也提到了使用较大的感受野就可以达到不错的检测效果，这样就可以极大的提高模型的推理速度。
Auxiliary 部分对三层浅层特征进行了 concat 和上采样，用来进行实例分割。其目的是在训练过程中增强视觉特征，不参与推理。
Group Classification 部分如下所示，论文称之为 row-based selecting method based on global image features ，即在全局特征上进行行索引来计算候选点，这样的方法将先验假设融入到了车道线检测的任务中。
在分割任务上，最终的特征图的大小是 HxWxC 。分类是要沿着 C 方向的， C 方向的向量代表一个像素位置的特征向量属于哪一个类别；在本方法中，最终的特征图的大小是 hx(w+1)xC 。 h 是要在垂直方向上采样的行的数量（ row anchor ）， h 文章中使用的 Loss 函数分为三部分，分别是多分类损失 L_cls , 分割损失 L_seg 和车道结构化损失 L_str 。其中 L_cls 和 L_seg 是常用的分类、分割任务中常用的两种损失。 结构损失的目的是利用车道结构的先验知识来约束预测出来的车道线的形状。其中 L_sim 为相似度损失， L_shp 为形状损失。 相似度损失的出发点是同一个车道中，相邻的两个点之间的距离应该尽可能的近，这里使用 L1 范式来进行距离的约束。 形状损失的出发点是基于大多的的车道线都是直线，即使是曲线其大部分也是近似的直线。对于同一条车道线，在相邻 row achor 上的车道线的候选点的位置的选择应该尽可能的相近。理想的状况下它的值应该为 0 。 Loc 函数的含义是第 i 条车道的第 j 个 row anchor 中车道点的期望。 Prob 代表的是第 i 条车道的第 j 个 row anchor 中，第 k 个位置是车道点的概率。因为背景不被计算在内，因此 k 的取值从 1 开始。 论文给出 metric 结果如下所示，其评估硬件应该为 NVIDIA GTX 1080TI 。该方法在保证精度接近的情况下，极大的提升了推理速度，很适合实时检测的任务。 为了测试其真实的推理性能，我在 NVIDIA RTX 3070+CUDA11+ 的环境性进行了测试。模型的 backbone 为 resnet18 ，输入尺寸为 (288， 800， 3) 的情况下， Ultra-Fast-Lane-Detection 的推理性能如下所示，单 batch 推理速度约为 350FPS ，其性能与论文给出的结果基本一致。 本文将对论文 Towards End-to-End Lane Detection: an Instance Segmentation Approach 进行解读。这篇论文是于2018年2月挂在arxiv上的。 文中提出了一种端到端的车道线检测算法，包括LaneNet和H-Net两个网络模型。其中，LaneNet是一种将 语义分割 和 对像素进行向量表示 结合起来的多任务模型，负责对图片中的车道线进行 实例分割 ；H-Net是由卷积层和全连接层组成的网络模型，负责预测转换矩阵H，使用转换矩阵H对属于同一车道线的像素点进行回归（我的理解是对使用坐标y对坐标x进行修正）。 根据论文中的实验结果，该算法在图森的车道线数据集上的准确率为，在NVIDIA 1080 TI上的处理速度为52FPS。 如图1所示，对于同一张输入图片，LaneNet输出实例分割的结果，为每个车道线像素分配一个车道线ID，H-Net输出一个转换矩阵H，使用转换矩阵H对车道线像素进行修正，并对修正的结果拟合出一个三阶的多项式作为预测得到的车道线。 论文中将实例分割任务拆解为 语义分割 和 聚类 两部分，如图2所示，LaneNet中decoder分为两个分支，Embedding branch对像素进行嵌入式表示，训练得到的embedding向量用于聚类，Segmentation branch负责对输入图像进行语义分割（对像素进行二分类，判断像素属于车道线还是背景）。最后将两个分支的结果进行结合得到实例分割的结果。 在设计语义分割模型时，论文主要考虑了以下两个方面： 1.在构建label时，为了处理遮挡问题，论文对被车辆遮挡的车道线和虚线进行了还原； 2. Loss使用 交叉熵 ，为了解决样本分布不均衡的问题（属于车道线的像素远少于属于背景的像素），参考论文 ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation ，使用了boundedinverse class weight对loss进行加权: 其中，p为对应类别在总体样本中出现的概率，c是超参数（ENet论文中是，使得权重的取值区间为[1,50]）。 为了区分车道线上的像素属于哪条车道，embedding_branch为每个像素初始化一个embedding向量，并且在设计loss时， 使得属于同一条车道线的像素向量距离很小，属于不同车道线的像素向量距离很大 。 这部分的loss函数是由两部分组成：方差loss(L_var)和距离loss(L_dist)： 其中，x_i为像素向量，μ_c为车道线的均值向量，[x]+ = max(0,x) 为了方便在推理时对像素进行聚类，在图4中实例分割loss中设置δ_d > 6*δ_v。 在进行聚类时，首先使用mean shift聚类，使得簇中心沿着密度上升的方向移动，防止将离群点选入相同的簇中；之后对像素向量进行划分：以簇中心为圆心，以2δ_v为半径，选取圆中所有的像素归为同一车道线。重复该步骤，直到将所有的车道线像素分配给对应的车道。 LaneNet是基于 ENet 的encoder-decoder模型，如图5所示，ENet由5个stage组成，其中stage2和stage3基本相同，stage1,2,3属于encoder，stage4,5属于decoder。 如图2所示，在LaneNet中，语义分割和实例分割两个任务 共享stage1和stage2 ，并将stage3和后面的decoder层作为各自的分支(branch)进行训练；其中， 语义分割分支(branch)的输出shape为W*H*2，实例分割分支(branch)的输出shape为W*H*N，W,H分别为原图宽和高，N为embedding vector的维度；两个分支的loss权重相同。 LaneNet的输出是每条车道线的像素集合，还需要根据这些像素点回归出一条车道线。传统的做法是将图片投影到鸟瞰图中，然后使用2阶或者3阶多项式进行拟合。在这种方法中，转换矩阵H只被计算一次，所有的图片使用的是相同的转换矩阵，这会导致地平面（山地，丘陵）变化下的误差。 为了解决这个问题，论文训练了一个可以预测转置矩阵H的神经网络H-Net， 网络的输入是图片 ， 输出是转置矩阵H ： 由图6可以看出，转置矩阵H只有6个参数，因此H-Net的输出是一个6维的向量。H-Net由6层普通卷积网络和一层全连接网络构成，其网络结构如图7所示： Curve fitting的过程就是通过坐标y去重新预测坐标x的过程：LaneNet和H-Net是分别进行训练的。在论文的实验部分，两个模型的参数配置如下所示： • Dataset : Tusimple • Embedding dimension = 4 • δ_v= • δ_d=3 • Image size = 512*256 • Adam optimizer • Learning rate = 5e-4 • Batch size = 8 • Dataset : Tusimple • 3rd-orderpolynomial • Image size =128*64 • Adam optimizer • Learning rate = 5e-5 • Batch size = 10 车道线检测算法通常分为两种类型：一种是基于基于视觉特征来做语义分割或者实例分割，例如 LaneNet 和 SCNN ；另一种是通过视觉特征来预测车道线所在位置的点，以此来解决 no-visual-clue 问题的模型，比如本文提到的 Ultra-Fast-Lane-Detection 。 offical github ： paper ： Ultra Fast Structure-aware Deep Lane Detection 下图展示了整个模型的结构，基本可以分为三个部分： Backbone 、 Auxiliary 部分和用于车道线候选点选择的 Group Classification 部分。可以看出，由于整个 pipeline 中参与最终 inference 的部分只进行了下采样而不像分割模型还进行了多轮的上采样，因此模型整体的计算量是相当低的，根据论文给出的结果可以达到 300FPS 。 Backbone 部分采用了较小的 ResNet18 或者 ResNet34 ，下采样到 4X 的部分作为最终的特征，这里其实是较为浅层的特征，一般分割模型要下采样到 16x 或者 32x 。论文里也提到了使用较大的感受野就可以达到不错的检测效果，这样就可以极大的提高模型的推理速度。 Auxiliary 部分对三层浅层特征进行了 concat 和上采样，用来进行实例分割。其目的是在训练过程中增强视觉特征，不参与推理。 Group Classification 部分如下所示，论文称之为 row-based selecting method based on global image features ，即在全局特征上进行行索引来计算候选点，这样的方法将先验假设融入到了车道线检测的任务中。 在分割任务上，最终的特征图的大小是 HxWxC 。分类是要沿着 C 方向的， C 方向的向量代表一个像素位置的特征向量属于哪一个类别；在本方法中，最终的特征图的大小是 hx(w+1)xC 。 h 是要在垂直方向上采样的行的数量（ row anchor ）， h 文章中使用的 Loss 函数分为三部分，分别是多分类损失 L_cls , 分割损失 L_seg 和车道结构化损失 L_str 。其中 L_cls 和 L_seg 是常用的分类、分割任务中常用的两种损失。 结构损失的目的是利用车道结构的先验知识来约束预测出来的车道线的形状。其中 L_sim 为相似度损失， L_shp 为形状损失。 相似度损失的出发点是同一个车道中，相邻的两个点之间的距离应该尽可能的近，这里使用 L1 范式来进行距离的约束。 形状损失的出发点是基于大多的的车道线都是直线，即使是曲线其大部分也是近似的直线。对于同一条车道线，在相邻 row achor 上的车道线的候选点的位置的选择应该尽可能的相近。理想的状况下它的值应该为 0 。 Loc 函数的含义是第 i 条车道的第 j 个 row anchor 中车道点的期望。 Prob 代表的是第 i 条车道的第 j 个 row anchor 中，第 k 个位置是车道点的概率。因为背景不被计算在内，因此 k 的取值从 1 开始。 论文给出 metric 结果如下所示，其评估硬件应该为 NVIDIA GTX 1080TI 。该方法在保证精度接近的情况下，极大的提升了推理速度，很适合实时检测的任务。 为了测试其真实的推理性能，我在 NVIDIA RTX 3070+CUDA11+ 的环境性进行了测试。模型的 backbone 为 resnet18 ，输入尺寸为 (288， 800， 3) 的情况下， Ultra-Fast-Lane-Detection 的推理性能如下所示，单 batch 推理速度约为 350FPS ，其性能与论文给出的结果基本一致。 本文将对论文 Towards End-to-End Lane Detection: an Instance Segmentation Approach 进行解读。这篇论文是于2018年2月挂在arxiv上的。 文中提出了一种端到端的车道线检测算法，包括LaneNet和H-Net两个网络模型。其中，LaneNet是一种将 语义分割 和 对像素进行向量表示 结合起来的多任务模型，负责对图片中的车道线进行 实例分割 ；H-Net是由卷积层和全连接层组成的网络模型，负责预测转换矩阵H，使用转换矩阵H对属于同一车道线的像素点进行回归（我的理解是对使用坐标y对坐标x进行修正）。 根据论文中的实验结果，该算法在图森的车道线数据集上的准确率为，在NVIDIA 1080 TI上的处理速度为52FPS。 如图1所示，对于同一张输入图片，LaneNet输出实例分割的结果，为每个车道线像素分配一个车道线ID，H-Net输出一个转换矩阵H，使用转换矩阵H对车道线像素进行修正，并对修正的结果拟合出一个三阶的多项式作为预测得到的车道线。 论文中将实例分割任务拆解为 语义分割 和 聚类 两部分，如图2所示，LaneNet中decoder分为两个分支，Embedding branch对像素进行嵌入式表示，训练得到的embedding向量用于聚类，Segmentation branch负责对输入图像进行语义分割（对像素进行二分类，判断像素属于车道线还是背景）。最后将两个分支的结果进行结合得到实例分割的结果。 在设计语义分割模型时，论文主要考虑了以下两个方面： 1.在构建label时，为了处理遮挡问题，论文对被车辆遮挡的车道线和虚线进行了还原； 2. Loss使用 交叉熵 ，为了解决样本分布不均衡的问题（属于车道线的像素远少于属于背景的像素），参考论文 ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation ，使用了boundedinverse class weight对loss进行加权: 其中，p为对应类别在总体样本中出现的概率，c是超参数（ENet论文中是，使得权重的取值区间为[1,50]）。 为了区分车道线上的像素属于哪条车道，embedding_branch为每个像素初始化一个embedding向量，并且在设计loss时， 使得属于同一条车道线的像素向量距离很小，属于不同车道线的像素向量距离很大 。 这部分的loss函数是由两部分组成：方差loss(L_var)和距离loss(L_dist)： 其中，x_i为像素向量，μ_c为车道线的均值向量，[x]+ = max(0,x) 为了方便在推理时对像素进行聚类，在图4中实例分割loss中设置δ_d > 6*δ_v。 在进行聚类时，首先使用mean shift聚类，使得簇中心沿着密度上升的方向移动，防止将离群点选入相同的簇中；之后对像素向量进行划分：以簇中心为圆心，以2δ_v为半径，选取圆中所有的像素归为同一车道线。重复该步骤，直到将所有的车道线像素分配给对应的车道。 LaneNet是基于 ENet 的encoder-decoder模型，如图5所示，ENet由5个stage组成，其中stage2和stage3基本相同，stage1,2,3属于encoder，stage4,5属于decoder。 如图2所示，在LaneNet中，语义分割和实例分割两个任务 共享stage1和stage2 ，并将stage3和后面的decoder层作为各自的分支(branch)进行训练；其中， 语义分割分支(branch)的输出shape为W*H*2，实例分割分支(branch)的输出shape为W*H*N，W,H分别为原图宽和高，N为embedding vector的维度；两个分支的loss权重相同。 LaneNet的输出是每条车道线的像素集合，还需要根据这些像素点回归出一条车道线。传统的做法是将图片投影到鸟瞰图中，然后使用2阶或者3阶多项式进行拟合。在这种方法中，转换矩阵H只被计算一次，所有的图片使用的是相同的转换矩阵，这会导致地平面（山地，丘陵）变化下的误差。 为了解决这个问题，论文训练了一个可以预测转置矩阵H的神经网络H-Net， 网络的输入是图片 ， 输出是转置矩阵H ： 由图6可以看出，转置矩阵H只有6个参数，因此H-Net的输出是一个6维的向量。H-Net由6层普通卷积网络和一层全连接网络构成，其网络结构如图7所示： Curve fitting的过程就是通过坐标y去重新预测坐标x的过程：LaneNet和H-Net是分别进行训练的。在论文的实验部分，两个模型的参数配置如下所示： • Dataset : Tusimple • Embedding dimension = 4 • δ_v= • δ_d=3 • Image size = 512*256 • Adam optimizer • Learning rate = 5e-4 • Batch size = 8 • Dataset : Tusimple • 3rd-orderpolynomial • Image size =128*64 • Adam optimizer • Learning rate = 5e-5 • Batch size = 10 布拉格条件： 2d sin θ = nλ， 式中，λ为X射线的波长，λ= Å， 衍射的级数n为任何正整数； d和θ是对应的一组数据；当X射线以掠角θ(入射角的余角，又称为布拉格角)入射到晶体或部分晶体样品的某一具有点阵平面间距d的原子面上时,就能满足布拉格方程或者布拉格条件，从而产生三维衍射，衍射强度用感光照片或者闪烁接收器等进行接收、从而获得一组X射线粉末衍射图或资料。 这是一个十分复杂的问题，但是布拉格、劳厄等简化了这个问题。在对衍射原理进行讨论或者对衍射谱图进行解析的过程中，引入了晶面间距d和衍射指数n的概念，于是使问题得到了简化。当把衍射指数指标化后，在布拉格方程中，一般可只取n=1，即都把衍射峰看作某晶面的一级衍射峰。 如440衍射斑点或衍射峰可以解析为110晶面的4级衍射贡献、或者220晶面的2级衍射贡献、或者440晶面的1级衍射贡献；待到指标化后，它只被看作440晶面的一级衍射。如此类推。 X射线衍射分析法进行物相分析时，常用照相法和衍射仪法获得样品衍射花样。它们都要遵循衍射原理，衍射原理中最重要的就是布拉格公式或布拉格方程。 厄瓦尔德反射球，可以用图解的方式解释衍射原理： 倒易点阵最重要的应用就是用厄瓦尔德反射球图解并阐述了衍射原理。调整一级布拉格公式2d sin θ = λ 为： sin θ =λ/(2d) = (1/d)/(2/λ)， 这个式子表明，一级布拉格公式的所有元素都可以集中到一个直角三角形，θ角的正弦可以表示为晶面间距d的倒数（1/d作θ角相对的直角边）与2倍波长λ倒数（2/λ作斜边）的商。 [图1 厄瓦尔德反射球] 图1是著名的Ewald反射球。以样品位置C为中心，1/λ为半径作圆球，入射X射线ACO（直径）的A、O两点均在球赤道圆上，设想晶体内与X射线AC成θ角的晶面（hkl）形成衍射线CG交赤道圆于G，则AG⊥OG。∠OAG=θ，OG=1/d。G点是符合布拉格方程的（hkl）晶面的衍射斑点，G点必在这个球面上。此球称为厄瓦尔德反射球。CG是衍射线方向，∠OCG=2θ是衍射角。G点还可以看作是以O点为原点的衍射面（hkl）的法线方向上的一点，该法线长度等于衍射面系列的晶面间距dhkl的倒数，不同于真实晶体的虚幻的点O、G及衍射面等组成了以晶体为正点阵的倒易点阵诸元素。O点是倒易点阵原点，OG是倒易矢量Hhkl。 单晶体的倒易阵是在三维空间有规律排列的阵点，根据厄瓦尔德图解可以领悟到单晶体的衍射斑点组成。粉末多晶体由无数个任意取向的晶粒组成，所以其某一确定值晶面（hkl）的倒易点如（110）在三维空间是均匀分布的，所有晶粒这些倒易点的集合构成了一个以O为球心、半径为1/dhkl（=Hhkl）的倒易球壳，显然这个倒易球壳来源于那个｛hkl｝晶面族的衍射。不同晶面间距d晶面的衍射对应不同半径的同心倒易球壳,它们与反射球相交,得到一个个圆。以该圆为底面、以反射球心为顶点的旋转圆锥称为衍射圆锥或衍射锥，它的顶角夹角等于4θ。因为，当样品单晶旋转时或样品是多晶体时，满足布拉格方程的倒易点阵点不仅是一个已标出的G点，而是以C为顶点、以CO为对称轴、以CG为母线的旋转圆锥面都是样品中一个（hkl）晶面系列的衍射方向，该旋转圆锥面的顶角为4θ，其与反射球交点轨迹就是G点所在的垂直于直径ACO的圆。 [图2 旋转晶体的倒易点阵] 这是（hkl）晶面等于某一组特定值时的情况。当（hkl）值换为另一组值，衍射面自然也变为另一组值，布拉格角θhkl随hkl值变换而不同于前一个θ角，衍射角2θhkl也随之改变，衍射斑点的位置也相应改变。晶面指数不是连续变化，衍射圆锥面也相应地断续发生。旋转晶体在其转轴[001]方向获得如图2的倒易点阵结构：以转轴为轴的以晶体处即反射球心为顶点的以2θ为半顶角的一系列不连续的圆锥面再与反射球的交线圆。这些圆平面垂直于纸面，故在纸面上投影画为直线。从中心向两侧分别标以l=0、±1、±2、……。用感光胶片在垂直于l轴或C*轴方向（*表示属于倒易点阵空间）接收，会得到一系列同心圆环（或称为德拜圆环）。放感光胶片到平行于l轴方向，接收到的由衍射锥留下的交线图案就是一系列类双曲线极限球。 图3是平板照相法（平面底片法）获得X射线衍射图原理的图解；感光胶片垂直于X射线摆放。图3中的样品就是无规取向聚甲醛POM。 这种照相法的优点是一次实验可获得较多的衍射记录。解析衍射图案可以获得样品的许多结构信息，如取向情况，结晶情况等。 园筒底片法（又叫回转照相法或旋晶法）： 研究晶体结构时，特别是研究对称性较低晶体结构时，几乎总是使和易于处理和解析的单晶法。 回转照相法 单晶固定在测试头上射线束照射的中心位置，使某晶轴平行于旋转轴。感光胶片装在园筒形相盒内，相盒园筒的中心轴线与转轴重合。使用单色X射线，垂直地入射位于转轴上的单晶某轴。设该晶轴为C轴，单色光波长入是常数，则单晶衍射的反射球具有固定的半径1/λ。当单晶在其平衡位置附近不断地来回转动（回转或回摆）或单向转动时，倒易点阵也随之摆动或转动。一切能使感光胶片感光的衍射线必然满足 c(cosγ—cosγo)=lλ， 固晶轴与λ射线垂直，转动的衍射线集合组成了一套套同轴的L是层线数。圆锥面（特称劳厄锥），见图4。图4是回转照相、衍射劳厄锥、衍射底片层线晶胞参数求解图示图。λ射线所在的平面是一个大圆，在圆筒底片引发感光形成赤道线，指数为hko；在展开的相平面中是位于中央的水平真线，称为O级层线（l=0）。向上（或向下）依次是第1，2，…层线（指数分别为hk1，hk2等），它们与0层线都是互相平行的水平直线。 图5是多晶粉末德拜-谢乐照相法示意图。胶片贴内壁安装。粉晶圆锥衍射面被德拜-谢乐园筒形感光胶片所截，每个劳厄锥的截线都是一对关于X射线入射点为对称的弧线。 多晶粉末衍射仪法 衍射仪的接收器把获得的光的闪烁信号转化为强度输出，如果用X-Y型记录仪画出谱图，就是多晶粉末衍射谱。横坐标是衍射角（2θ）；纵坐标是衍射强度 钢结构无损检测 摘要：通过对应用于建筑钢结构行业中的几种常规无损检测方法的简述，归纳了被检对象所适用的不同无 损检测方法。为广大工程技术人员和管理人员了解、学习、应用无损检测技术提供参考。 关键词：建筑钢结构；无损检测 1 前言 建筑钢结构由于其强度高、工业化程度高以及综合经济效益好等优点，自上世纪 90 年代，特别是近年来得 到了迅猛发展，广泛应用于工业和民用等领域。由于一些重点工程，建筑钢结构发生了严重的质量事故， 如郑州中原博览中心网架曾发生了崩塌事故，所以建筑钢结构的安全性和可靠性越来越受到重视。 建筑钢结构的安全性和可靠性源于设计，其自身质量则源于原材料、加工制作和现场安装等因素。评价建 筑钢结构的安全性和可靠性一般有三种方式：⑴模拟实验；⑵破坏性实验；⑶无损检测。模拟实验是按一 定比例模拟建筑钢结构的规格、材质、结构形式等，模拟在其运行环境中的工作状态，测试、评价建筑钢 结构的安全性和可靠性。模拟实验能对建筑钢结构的整体性能作出定量评价，但其成本高，周期长，工艺 复杂。破坏性实验是采用破坏的方式对抽样试件的性能指标进行测试和观察。破坏性实验具有检测结果精 确、直观、误差和争议性比较小等优点，但破坏性实验只适用于抽样，而不能对全部工件进行实验，所以 不能得出全面、综合的结论。无损检测则能对原材料和工件进行 100%检测，且经济成本相对较低。 上世纪 50 年代初，无损检测技术通过前苏联进入我国。作为工艺过程控制和产品质量控制的手段，如今在 核电、航空、航天、船舶、电力、建筑钢结构等行业中得到广泛的应用，创造了巨大的经济效益和社会效 益。无损检测技术是建立在众多学科之上的一门新兴的、综合性技术。无损检测技术是以不损伤被检对象 的结构完整性和使用性能为前提，应用物理原理和化学现象，借助先进的设备器材，对各种原材料，零部 件和结构件进行有效的检验和测试，借以评价它们的完整性、连续性、致密性、安全性、可靠性及某些物 理性能。无损检测经历了三个阶段，即无损探伤（Non-destructive Inspection，简称 NDI）、无损检测 （Non-destructive testing，简称 NDT）、无损评价（Non-destructive Evaluation，简称 NDE）、无损 探伤的含义是探测和发现缺陷。无损检测不仅仅要探测和发现缺陷，而且要发现缺陷的大小、位置、当量、 性质和状态。无损评价的含义则更广泛、更深刻， 它不仅要求发现缺陷，探测被检对象的结构、性质、状 态，还要求获得更全面、更准确的，综合的信息，从而评价被检对象的运行状态和使用寿命。应用于钢结 构行业中的常规无损检测方法有磁粉检测（Magnetic Testing 简称 MT）、渗透检测（Penetrate Testing， 简称 PT）、涡流检测（Eddy current Testing 简称 ET）、声发射检测（Acoustic Emission Testing 简称 AET）、超声波检测（Ultrasonic Testing，简称 UT）、射线检测（Radiography Testing，简称 RT）。在 建筑钢结构行业中，按检测缺陷产生的时机，无损检测方法可以按下图分类。 2 检测方法的简述 磁粉检测（MT） 原理 铁磁性材料被磁化后，产生在被检对象上的磁力线均匀分布。由于不连续性的存在，使工件表面和近表面 的磁力线发生了局部畸变而产生了漏磁场，漏磁场吸附施加在被检对象表面的磁粉，形成在合适光照下可 见的磁痕,从而达到检测缺陷的目的。 适用范围 可以对铁磁性原材料，如钢板、钢管、铸钢件等进行检测，也可以对铁磁性结构件进行检测。 局限性 仅适用铁磁性材料及其合金的表面和近表面的缺陷检测，对检测人员的视力、工作场所、被检对象的规格、 形状等有一定的要求。 优点 经济、方便、效率高、灵敏度高、检测结果直观。 渗透检测（PT） 原理 在被检对象表面施加含有荧光染料或着色染料的渗透液，渗透液在毛细血管的作用下，经过一定时间 后，渗透液可以渗透到表面开口的缺陷中去。经过去除被检对象表面多余的渗透液，干燥后，再在被检对 象表面施加吸附介质（显象剂）。同样在毛细血管的作用下，显象剂吸附缺陷中的渗透液，使渗透液回渗 到显象剂中，在一定的光照下，缺陷中的渗透液被显示。从而达到检测缺陷的目的。 适用范围 适用于非多孔状固体表面开口缺陷。 局限性 仅适用于表面开口缺陷的检测，而且对被检对象的表面光洁度要求较高，涂料、铁锈、氧化皮会覆盖表面 缺陷而造成漏检。对检测人员的视力有一定要求，成本相对较高。 优点 设备轻便、操作简单，检测灵敏度高，结果直观、准确。 涡流检测（ET） 原理 金属材料在交变磁场的作用下产生了涡流，根据涡流的分布和大小可以检测出铁磁性材料和非铁磁性材料 的缺陷。 适用范围 适用于各种导电材料的表面和近表面的缺陷检测。 局限性 不适用不导电材料检测，对形状复杂的试件很难应用，比较适合钢管、钢板等形状规则的轧制型材的检测， 而且设备较贵；无法判定缺陷的性质。 优点 检测速度快，生产效率高，自动化程度高。 声发射检测（AET） 原理 材料或结构件受到内力或外力的作用产生形变或断裂时， 以弹性波的形式释放出应变能的现象称为声发射， 也称为应力波发射。声发射检测是通过受力时材料内部释放的应力波判断被检对象内部结构损伤程度的一 种新兴动态无损检测技术。 适用对象 适用于被检对象的动态监测，如对大型桥梁、核电设备的实时动态监测。 局限性 无法监测静态缺陷、干扰检测的因素较多；设备复杂、价格较贵、检测技术不太成熟。 优点 可以远距离监控设备的运行情况和缺陷的扩展情况，对结构的安全性和可靠性评价提供依据。 超声波检测（UT） 原理 超声波是指频率大于 20 千兆赫兹的机械波。根据波动传播时介质的振动方向相对于波的传播方向不同，可 将波动分为纵波、横波、表面波和板波等。用于钢结构检测的主要是纵波和横波。 超声波探伤仪激励探头产生的超声波在被检对象的介质中按一定速度传播，当遇到异面介质（如气孔、夹 渣）时，一部分超声波反射回来，经仪器处理后，放大进入示波屏，显示缺陷的回波。 适用对象 适用于各类焊逢、板材、管材、棒材、锻件、铸件以及复合材料的检测，特别适合厚度较大的工件。 局限性 检测结果可追溯性较差；定性困难，定量不精确，人为因素较多；对被检工件的材质规格，几何形状有一 定要求。 优点 检测成本低、速度快、周期短、效率高；仪器小、操作方便；能对缺陷进行精确定位；对面积型缺陷的检 出率较高（如裂纹、未熔合等） 射线检测（RT） 原理 射线是一种波长短、频率高的电磁波。 射线检测，常规使用×射线机或放射性同位素作为放射源产生射线，射线穿过被检对象，经过吸收和衰减， 由于被检试件中存在厚度差的原因，不同强度的射线到达记录介质（如射线胶片），射线胶片的不同部位 吸收了数量不等的光子，经过暗室处理后，底片上便出现了不同黑度的缺陷影象，从而判定缺陷的大小和 性质。 适用范围 适用较薄而不是较厚（如果工件的厚度超过 80mm 就要使用特殊设备进行检测，如加速器）的工件的内部体 积型缺陷的检测。 局限性 检测成本高、周期长，工作效率低；不适用角焊逢、板材、管材、棒材、锻件的检测；对面状的缺陷检出 率较低；对缺陷的高度和缺陷在被检对象中的深度较难确定；影响人体健康。 优点 检测结果直观、定性定量准确；检测结果有记录，可以长期保存，可追溯性较强。 3 小结 综上所述，每种无损检测方法的原理和特点各不相同，且适用的检测对象也不一样。在建筑钢结构的行业 中应根据结构的整体性能，检测成本及被检对象的规格、材质、缺陷的性质、缺陷产生的位置等诸多因素 合理选择无损检测方法。一般地，选择无损检测方法及合格等级，是设计人员依据相关规范而确定的。有 的工程，业主也有无损检测方法及合格等级的要求，这就需要供需双方相互协商了。 钢结构在加工制作及安装过程中无损检测方法的选择见表 1 被检对象 原材料检验 板材 锻件及棒材 管材 螺栓 焊接检验 坡口部位 清根部位 对接焊逢 角焊逢和 T 型焊逢 UT 检测方法 UT、MT（PT） UT（RT）、MT（PT） UT、MT（PT） UT、PT（MT） PT（MT） RT（UT）、MT（PT） UT（RT）、PT（MT） 被检对象所适用的无损检测方法见表 2 内部缺陷 表面缺陷和近表面 检测方法 UT ● ○ ● ● MT ● ● ● ● PT ● ○ ○ ● ET △ △ ● × AET △ △ △ △ 发生中缺陷检 测 检测方法 RT 被检对象 试 件 分 类 锻件 铸件 压延件（管、板、型材） 焊逢 × ● × ● 分层 疏松 气孔 内部 缩孔 缺陷 未焊透 未熔合 缺陷 分类 夹渣 裂纹 白点 表面裂纹 表面 缺陷 表面气孔 折叠 断口白点 × × ● ● ● △ ● ○ × △ ○ — × ● ○ ○ ○ ● ● ○ ○ ○ △ × — × — — — — — — — — — ● △ ○ ● — — — — — — — — — ● ● ○ ● — — — — — — — — — ● △ ○ — — — — — △ △ △ △ △ △ — — — 注：●很适用；○适用；△有附加条件适用；×不适用；—不相关 参 1. 考 文 献 强天鹏 射线检测 [M] 云南科技出版社 2001 2. 3. 4. 5. 周在杞等 张俊哲等 无损检测技术及其应用 [M] 科学出版社 王小雷 锅炉压力容器无损检测相关知识 [M] 李家伟等 无损检测 冉启芳 2001 1993 [M] 机械工业出版社 2002 无损检测方法的分类及其特征的介绍 [J] 无损检测 1999 2 钢网架结构超声波检测及其质量的分 [J] 无损检测 2001 6 磁粉检测（MT） 磁粉检测（MT） 原理 铁磁性材料被磁化后，产生在被检对象上的磁力线均匀分布。由于不连续性的存在，使工件表面和近表面 的磁力线发生了局部畸变而产生了漏磁场，漏磁场吸附施加在被检对象表面的磁粉，形成在合适光照下可 见的磁痕,从而达到检测缺陷的目的。 磁粉探伤的原理及概述 磁粉探伤的原理 磁粉探伤又称 MT 或者 MPT（Magnetic Particle Testing），适用于钢铁等磁性材料的表面附近进行探伤 的检测方法。利用铁受磁石吸引的原理进行检查。在进行磁粉探伤检测时，使被测物收到磁力的作用，将 磁粉（磁性微型粉末）散布在其表面。然后，缺陷的部分表面所泄漏出来泄露磁力会将磁粉吸住，形成指 示图案。指示图案比实际缺陷要大数十倍，因此很容易便能找出缺陷。 磁粉探伤方法 磁粉探伤检测的顺序分为前期处理、磁化、磁粉使用、观察，以及后期处理。 前期处理→磁化→磁粉使用→观察→后期处理 以下分别说明各个步骤的概要。 （1）前期处理 探探伤面如果有油脂、涂料、锈、或其他异物附着的情况下，不仅会妨碍磁粉吸附在伤痕上，而且还会出 现磁粉吸附在伤痕之外的部分形成疑私图像的情况。因此在磁化之前，要采用物理或者化学处理，进行去 除污垢异物的步骤。 （2）磁化 将检测物适当磁化是非常重要的。通常，采用与伤痕方向与磁力线方向垂直的磁化方式。另外为了适当磁 化，根据检测物的形状可以采用多种方法。日本工业规格（JIS G 0565-1992）中规定了以下 7 种磁化方法。 ①轴通电法……在检测物轴方向直接通过电流。 ②直角通电法……在检测物垂直于轴的方向直接通过电流。 ③Prod 法……在检测物局部安置 2 个电极（称为 Prod）通过电流。 ④电流贯通法……在检测物的孔穴中穿过的导电体中通过电流。 ⑤线圈法……在检测物中放入线圈，在线圈中通过电流。 ⑥极间法……把检测物或者要检测的部位放入电磁石或永磁石的磁极间。 ⑦磁力线贯通法……对通过检测物的孔穴的强磁性物体施加交流磁力线，使感应电流通过检测物。 （3）磁粉使用磁粉探伤的原理 ① 磁粉的种类 为了让磁粉吸附在伤痕部的磁极间形成检出图像，使用的磁粉必须容易被伤痕部的微弱磁场磁化，吸附在 磁极上，也就是说需要优秀的吸附性能。另外，要求形成的磁粉图像必须有很高的识别性。 一般，磁粉探伤中使用的磁粉有在可见光下使用的白色、黑色、红色等不同磁粉，以及利用荧光发光的荧 光磁粉。另外，根据磁粉使用的场合，有粉状的干性磁粉以及在水或油中分散使用的湿性磁粉。 ② 磁粉的使用时间 磁粉使用时间分为一边通过磁化电流一边使用磁粉的连续法，以及在切断磁化电流的状态即利用检测物的 残留磁力的残留法两种。 （4）观察 为了便于观察附着在伤痕部位的磁粉图像，必须创造容易观察的环境。普通磁粉需要在尽可能明亮的环境 下观察，荧光磁粉则要使用紫外线照射灯将周围尽量变暗才容易观察。 （5）后期处理 磁粉探伤结束，检测物有可能仍作为产品或是需要送往下一个加工步骤接受机械加工等。这时就需要进行 退磁、去除磁粉、防锈处理等后期处理。 适用范围 可以对铁磁性原材料，如钢板、钢管、铸钢件等进行检测，也可以对铁磁性结构件进行检测。 局限性 仅适用铁磁性材料及其合金的表面和近表面的缺陷检测，对检测人员的视力、工作场所、被检对象的规格、 形状等有一定的要求。 优点 经济、方便、效率高、灵敏度高、检测结果直观。 生产厂家： 生产厂家：济宁联永超声电子有限公司 仪器设备名称： 仪器设备名称：CDX-Ⅲ该机型磁粉探伤仪 Ⅲ 仪器概况：CDX-Ⅲ该机型磁粉探伤仪是具有多种磁化方式的磁粉探 伤仪设备。仪器采用可控硅作无触点开关，噪音小、寿命长、操作简 单、方便、适应性强、工作稳定。是最近推出新产品，它除具有便携 式机种的一切优点，还具有移动机种的某些长处，扩展了用途，简化 了操作，还具有退磁功能。 该设备有四种探头： 1、旋转探头： 型）能对各种焊缝、各种几何形状的曲面、平面、 （E 管道、锅炉、球罐等压力容器进行一次性全方位显示缺陷和伤痕。 2、电磁轭探头： 型）它配有活关节，可以对平面、曲面工件进行 （D 探伤。 3、马蹄探头： 型）它可以对各种角焊缝，大型工件的内外角进行 （A 局部探伤。 4、磁环： 型）它能满足所有能放入工件的周向裂纹的探伤，用它 （O 来检测工件的疲劳痕（疲劳裂痕均垂于轴向）及为方便，用它还可以 对工件进行远离法退磁。 总之，该仪器是多种探伤仪的给合体，功能与适用范围广，尤其应用 于不允许通电起弧破表面零件的探伤。 无损检测概论及新技术应用 无损检测概论及新技术应用 概论 摘要： 摘要：综述了无损检测的定义、方法、特点、要求等基本知识，以及无损检测在 现今社会中的应用实例，其中包括混凝土超声波无损检测技术、涡流无损检测技 术、渗透探伤技术。 关键词： 关键词：无损检测；混凝土缺陷；涡流检测;渗透探伤。 引言： 引言：随着现代工业的发展，对产品的质量和结构的安全性、使用的可靠性提出 了越来越高的要求，无损检测技术由于具有不破坏试件、检测灵敏度高等优点， 所以其应用日益广泛。无损检测是工业发展必不可少的有效工具，在一定程度上 反映了一个国家的工业发展水平，其重要性已得到公认。 1、 无损检测概论 、 无损检测 检测概论 无损检测就是利用声、光、磁和电等特性，在不损害或不影响被检对象使用 性能的前提下，检测被检对象中是否存在缺陷或不均匀性，给出缺陷的大小、位 置、性质和数量等信息，进而判定被检对象所处技术状态（如合格与否、剩余寿 命等）的所有技术手段的总称。 常用的无损检测方法有射线照相检验(RT)、超声检测(UT)、磁粉检测(MT)和 液体渗透检测(PT) 四种。 其他无损检测方法： 涡流检测(ET)、 声发射检测 （AT） 、 （TIR） 泄漏试验 、 （LT） 交流场测量技术 、 （ACFMT） 漏磁检验 、 （MFL)、 热像/红外 远场测试检测方法（RFT)等。 基于以上方法，无损检测具有一下应用特点： 1>不损坏试件材质、结构 无损检测的最大特点就是能在不损坏试件材质、 结构的前提下进行检测， 所以实施无损检测后，产品的检查率可以达到 100%。但是，并不是所有需要测 试的项目和指标都能进行无损检测，无损检测技术也有自身的局限性。某些试验 只能采用破坏性试验， 因此， 在目前无损检测还不能代替破坏性检测。 也就是说， 对一个工件、材料、机器设备的评价，必须把无损检测的结果与破坏性试验的结 果互相对比和配合，才能作出准确的评定。 2>正确选用实施无损检测的时机 在无损检测时， 必须根据无损检测的目的,正确选择无损检测的时机,从而顺利 地完成检测预定目的,正确评价产品质量。 3>正确选用最适当的无损检测方法 由于各种检测方法都具有一定的特点，为提高检测结果可靠性，应根据设备 材质、制造方法、工作介质、使用条件和失效模式，预计可能产生的缺陷种类、 形状、部位和取向，选择合适的无损检测方法。 4>综合应用各种无损检测方法 任何一种无损检测方法都不是万能的，每种方法都有自己的优点和缺点。应 尽可能多用几种检测方法，互相取长补短，以保障承压设备安全运行。此外在无 损检测的应用中，还应充分认识到，检测的目的不是片面追求过高要求的“高质 量”，而是应在充分保证安全性和合适风险率的前提下，着重考虑其经济性。只 有这样，无损检测在承压设备的应用才能达到预期目的。[1] 通过各种检测方法，最终对于无损检测的要求是：不仅要发现缺陷，探测试 件的结构、状态、性质，还要获取更全面、准确和综合的信息，辅以成象技术、 自动化技术、计算机数据分析和处理技术等，与材料力学、断裂力学等学科综合 应用，以期对试件和产品的质量和性能作出全面、准确的评价。 2、 无损检测在各领域的应用 、 无损检测基于以上优点,在现今社会受到广泛关注和应用,为实际生产工作减 少了废料成本,提供了极大的方便。其中超声波检测技术、涡流检测、渗透探伤 技术、霍尔效应无损探伤技术应用极为出色。 混凝土超声无损检测 混凝土是我国建筑结构工程最为重要的材料之一，它的质量直接关系到结构 的安全。多年来，结构混凝土质量的传统检测方法是以按规定的取样方法，制作 立方体试件，在规定的温度环境下，养护 28d 时按标准实验方法测得的试件抗压 强度来评定结构构件的混凝土强度。用试件实验测得的混凝土性能指标，往往是 与结构物中的混凝土性能有一定差别。因此，直接在结构物上检测混凝土质量的 现场检测技术，已成为混凝土质量管理的重要手段。 所谓混凝土“无损检测”技术，就是要在不破坏结构构件的情况下，利用测 试仪器获取有关混凝土质量等受力功能的物理量。 因该物理量与混凝土质量之间 有较好的相互关系，可采用获取的物理量去推定混凝土质量。[2] 混凝土超声检测是用超声波探头中的压电陶瓷或其他类型的压电晶体加载某 频率的交流电压后激发出固定频率的弹性波， 在材料或结构内部传播后再由超声 波换能器接收，通过对采集的超声波信号的声速、振幅、频率以及波形等声学参 数进行分析，以此推断混凝土结构的力学特性、内部结构及其组成情况。超声波 检测可用于混凝土结构的测厚、探伤、混凝土的弹性模量测定以及混凝土力学强 度评定等方面. [3] 涡流无损检测 涡流检测的基本原理：将通有交流电的线圈置于待测的金属板上或套在待测 的金属管外。这时线圈内及其附近将产生交变磁场，使试件中产生呈旋涡状的感 应交变电流，称为涡流。涡流的分布和大小，除与线圈的形状和尺寸、交流电流 的大小和频率等有关外，还取决于试件的电导率、磁导率、形状和尺寸、与线圈 的距离以及表面有无裂纹缺陷等。因而，在保持其他因素相对不变的条件下，用 一探测线圈测量涡流所引起的磁场变化，可推知试件中涡流的大小和相位变化， 进而获得有关电导率、缺陷、材质状况和其他物理量(如形状、尺寸等)的变化或 缺陷存在等信息。但由于涡流是交变电流，具有集肤效应，所检测到的信息仅能 反映试件表面或近表面处的情况。[4] 应用：按试件的形状和检测目的的不同，可采用不同形式的线圈,通常有穿过 式、探头式和插入式线圈 3 种。穿过式线圈用来检测管材、棒材和线材，它的内 径略大于被检物件， 使用时使被检物体以一定的速度在线圈内通过， 可发现裂纹、 夹杂、凹坑等缺陷。探头式线圈适用于对试件进行局部探测。应用时线圈置于金 属板、管或其他零件上，可检查飞机起落撑杆内筒上和涡轮发动机叶片上的疲劳 裂纹等。插入式线圈也称内部探头，放在管子或零件的孔内用来作内壁检测，可 用于检查各种管道内壁的腐蚀程度等。为了提高检测灵敏度，探头式和插入式线 圈大多装有磁芯。涡流法主要用于生产线上的金属管、棒、线的快速检测以及大 批量零件如轴承钢球、汽门等的探伤（这时除涡流仪器外尚须配备自动装卸和传 送的机械装置） 、材质分选和硬度测量，也可用来测量镀层和涂膜的厚度。[5] 优缺点：涡流检测时线圈不需与被测物直接接触，可进行高速检测,易于实现 自动化,但不适用于形状复杂的零件,而且只能检测导电材料的表面和近表面缺陷, 检测结果也易于受到材料本身及其他因素的干扰。 渗透探伤技术 液体渗透检测的基本原理：零件表面被施涂含有荧光染料或着色染料的渗透 剂后，在毛细管作用下，经过一段时间，渗透液可以渗透进表面开口缺陷中；经 去除零件表面多余的渗透液后，再在零件表面施涂显像剂，同样，在毛细管的作 用下，显像剂将吸引缺陷中保留的渗透液，渗透液回渗到显像剂中，在一定的光 源下 （紫外线光或白光） 缺陷处的渗透液痕迹被现实， 黄绿色荧光或鲜艳红色） ， （ ， 从而探测出缺陷的形貌及分布状态。[6] 渗透检测适用于具有非吸收的光洁表面的金属、非金属，特别是无法采用磁 性检测的材料，例如铝合金、镁合金、钛合金、铜合金、奥氏体钢等的制品，可 检验锻件、铸件、焊缝、陶瓷、玻璃、塑料以及机械零件等的表面开口型缺陷。 渗透检测的优点是灵敏度较高（已能达到检测开口宽度达 的裂缝） ，检测 成本低，使用设备与材料简单，操作轻便简易，显示结果直观并可进一步作直观 验证（例如使用放大镜或显微镜观察） ，其结果也容易判断和解释，检测效率较 高。缺点是受试件表面状态影响很大并只能适用于检查表面开口型缺陷，如果缺 陷中填塞有较多杂质时将影响其检出的灵敏度。[7] 3、 结语 、 随着现代科学技术的发展，激光、红外、微波、液晶等技术都被应用于无损 检测领域，而传统的常规无损检测技术也因为现代科技的发展，大大丰富了应用 方法，如射线照相就可细分为 X 射线、γ射线、中子射线、高能 X 射线、射线 实时照相、层析照相……等多种方法。 无损检测作为一种综合性应用技术，无损检测技术经历了从无损探伤，到无 损检测，再到无损评价，并且向自动无损评价、定量无损评价发展。相信在不远 的将来， 新生的纳米材料、 微机电器件等行业的无损检测技术将会得到迅速发展。 参考文献【1】李喜孟.无损检测.机械工业出版社.2011 】 【2】父新漩. 混凝土无损检测手册.人民交通出版社.2003 】 【 3】 冯子蒙.超声波无损检测于评价的关键技术问题及其解决方案.煤矿机 】 械.2009(9) 【4】唐继强.无损检测实验.机械工业出版社.2011 】 【5】李丽茹.表面检测.机械工业出版社.2009 】 【6】国防科技工业无损检测人员资格鉴定与认证培训教材编审委员会.机械工业 出版社.2004 【7】胡学知主编. 中国劳动社会保障出版社.2007 】 以paperfree官网举例，微信扫码登录，提交检测报告，等论文检测完成时候，点击“查看报告”，在报告列表找到要打开的论文，点击右侧“查看报告”。 1、论文包含目录、摘要、正文、参考文献、附录，检测内容根据学校的要求来提交，目录和参考文献格式正确被系统识别到了的话系统是不参与检测，所以目录和参考文献的格式一定要正确；2、论文检测系统是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。3、检测查重报告解读，全文标明引文中标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。4、论文重复率要求：本科院校一般是15%-30%之间；硕博要求一般是5%-10%，所以同学们在查重前咨询下学校的要求，这样才能够有把握。 5、检测系统多少还是会有一点浮动，同学为了保险起见提交到学校之前用定稿系统检测一遍比学校要求底个5%最为保险6、知网查重价格和次数都有一定的限制，同学在初稿检测的时候可以用paperfree系统检测，这个系统有免费检测的次数，关键是方便修改。 工具／原料： oppo真我q2、安卓、WPS Office最新版本。 1、首先打开WPS Office，点击右下角应用，如图。 2、接着点击论文查重。 3、其次点击选择文档，如下。 4、选择你要查重的论文，如图所示。 5、点击开始查重，就可以啦。 论文查重是借助论文查重系统进行的，论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。 1、在查重报告中，标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。 2、查重是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。 3、论文中引用的参考文献部分也是会计算相似度的。 4、在知网的对比文库中，外文资料相对较少。 5、对比文库里不包括书籍，教材等。但有一个问题要注意，当你“参考”这些书籍教材中的一些经典内容时，很可能别人已经“参考”过了，如果出现这样子的情况，那就会被检测到相似。 6、检测系统对论文的分节是以“章”作为判断分节的。封面、摘要、绪论、第一章、第二章、等等这样一系列的都会各自分成一个片段来检测，每一个片段都计算出一个相似度，再通过这样每章的相似度来计算出整篇论文的总重复率。 7、当查重系统识别到你论文中有某句话涉嫌抄袭的时候，它就会对这句话的前面后面部分都重点进行模糊识别，这个时候判断标准就变得更严格，仅仅加一些副词或虚词(比如“的”、“然后”、“但是”、“所以”此类词语）是能够识别出来的。 8、在查重进行中，检测系统只能识别文字部分，论文中的图片、word域代码、mathtype编辑的公式、是不检测的，因为检测系统尚无法识别这些复杂的内容格式。可以通过[全选]——[复制]——[选择性粘贴]——[只保留文字]这样步骤的操作来查看具体的查重部分。另外，在编辑公式时，建议使用用mathtype，不要用word自带的公式编辑器。 9、在论文提交到学校之前，一定要自己先到网站查一下，如果有检测出来相似度较高的片段，自己先改一改。 论文修改一次以后，不要以为就肯定能过了，因为系统会根据论文内容的不同自动调整着重检测的段落，所以有时候第一次查重的时候是正常的，一模一样的句子，第二次检测的时候会判断为“抄袭”。这也是没有办法的，只能多查多改。 10、官方检测系统不对个人开放，学生自己是无法自行到知网去检测论文的，只能通过第三方检测平台进行。 论文查重的相关说明 论文查重，不同学校要求也不同，当然对于硕博与本科等区别也比较大；本科院校30%以内的也有，15%的也有；硕博的10%内的也有，所以同学们在查重前咨询下学校的要求，这样才能够有把握。 对于查重的原理基本上是一致的，没有区别；但是对于投稿的论文查重，建议使用跟杂志社要求的系统一致，比如知网期刊；如果需要排除作者自己的论文，那么只有查知网的才可以，其他的系统无法进行排除。 对于论文查重系统，并不是什么内容都查的出的，主要看文献库是否收录了当前内容，如果没有，那么就是查不出的。 对于论文查重系统来说并没有那么神秘的地方，同学们查重完成后，只要根据查重报告好好的修改，基本上都是没问题的。matlab车道线检测论文
车道线检测论文推荐
射线检测相关论文
笔记论文查重检测