提交论文后，毕业生需要对论文进行检测。我们可以知道论文进行检测现在越来越严格。那么论文检测的要求是什么呢？检测部分是什么？接下来，paperfree小编详细告诉你。我希望它能帮助你。 一、论文检测的要求是什么？ 1.字数。 当然，一篇论文首先要检测的是字数。只有字数符合文章要求，才能进行下一步检测。一般企业来说，本科毕业论文字数在5000字左右，硕士毕业论文字数在3万左右，博士论文字数在5万字左右，随着学历的增加，字数要求也要搞。 2.论文文档。word文档是撰写论文的首选，便于检测和查看。 3.论文内容格式。例如，根据论文写作的要求，需要对文献进行排写。 二、论文检测部分有哪些？ 1.论文正文部分。论文正文是论文中最重要的部分。学生应该在正文内容中包含观点论证，这很可能引用他人的文献。因此，重点检测论文正文可以有效反映论文的重复率。正文是论文的核心部分，写作时要注意原创性，防止检测失败。 2.论文摘要。论文摘要一般为中文，需要重点检测。不同的论文应该在各自的领域有不同的含义，写新的东西，表达新的思想和想法。
知网数据里查询不到，并不意味着知网检测不到哦。只要在知网论文检测的比对库中的论文，就一定会被查重出来。而知网搜索的论文和知网论文检测的比对库中的论文是两个不同的论文集。知网搜索里面都是已经发表或者正式提交学校的论文，这些论文并不一定会进入知网论文检测的比对库中。同样，知网论文检测的比对库中的论文，也不一定能在知网搜索到。比如检测本科论文的知网PMLC系统，里面的大学生论文联合比对库中的论文就不一定能在知网搜索到。又比如检测研究生论文的知网VIP5.1系统，里面的学术论文联合比对库中的论文也不一定能在知网搜索到。
每个大学生毕业都要写毕业论文，然后交给学校。而且写完论文提交了还需要进行后续的步骤，那就是论文查重和论文答辩。 一、如何检查本科毕业论文的步骤 学校将严格审查本科毕业生的毕业论文。首先将毕业生提交的毕业论文送到查重系统进行查重，筛选出重复率合格的毕业论文。没有通过论文查重的文章，学校会要求学生重新进行修改。为了让毕业论文快速顺利通过查重，提前对论文进行检测是非常有必要的？接下小编来介绍本科毕业论文查重的步骤。 首先、整理一下自己的毕业论文，然后咨询一下领导和学长，看他们有没有好的查重系统推荐。如果没有，可以在网上搜索一下网友评价较高的论文查重网站，或者通过相关社交平台与他人交流一下哪个论文查重网站更好用，更适合自己。当然，你也可以自己选择查重系统，然后对论文进行查重； 其次、选择论文查重网站后，将论文上传到网站。先登录一个网站账号，然后找到网站的查重入口，根据网页上的提示输入书名和作者名，然后上传论文文档，按照网站的提示进行操作； 第三、上传后需要付费，可以按照网站收费标准付费； 最后、上传成功后耐心等待查询分析结果。显示查询结果后，您可以下载查询报告。根据学生查询报告，可以修改毕业论文。
论文中期检查表的论文进展情况如下：
一、选题质量：（主要从以下四个方面填写：选题是否符合专业培养目标，能否体现综合训练要求；题目难易程度；题目工作量；题目与生产、科研、经济、社会、文化及实验室建设等实际的结合程度）
1、本题目符合机械设计专业的培养目标，能够充分锻炼和培养分析问题和实际操作能力，能够体现综合训练的要求。
2、本题目难易适中，符合本科毕业设计要求。
3、本题目工作量适中，能在规定的时间内完成。
4、所选题目10t桥式起重机总体的设计与实际贴合比较紧密，在实际的应用中比较广泛。在设计过程中，对机器的零件的设计和计算对我来说是以往所学知识的总结和应用，所以能够满足综合训练的要求。
二、开题报告完成情况：根据自己在各方面资料的收集和整理，通过对可行性的分析，结合老师给的题目的选择，我完成了这次设计的选题。在选题结束之后，通过自己认真查阅相关的资料，最后结合本身的实际情况和设计的时间任务完成了开题报告。
三、阶段性成果：
1、通过对10t桥式起重机的了解，再加上老师对我们的讲解，算是对10t桥式起重机有了一个大概的了解。前期阶段主要是对有关于10t桥式起重机的各方面的文献和资料进行搜集，为设计以后的设计做了必要的准备。
2、中期阶段主要是依据参考资料，从上面找到一些关于关于10t桥式起重机的信息，首先对其零部件有了大致的了解，其次是已有了大概的设计方法，并开始了一些基本的结构设计。
3、正在进行装配图的CAD画图和设计说明书。
四、存在主要问题：
由于这是我第一次单独进行10t桥式起重机总体设计，所以刚开始进展的并不是很顺利。
而我对这方面的知识掌握比较少，所以需要在图书馆和网上查找更多的相关资料，对有关起重机的知识进行更深入的了解。不过我坚信，只要自己努力和在指导老师的指引下，我能把各方面的问题逐个击破，最终顺利完成毕业设计。
五、指导教师对学生在毕业实习中，劳动、学习纪律及毕业设计（论文）进展等方面的评语。
写论文中期检查表的论文进展情况的注意事项：
1、“专业、 指导教师、类型、论文题目、支撑论文科研课题来源、 论文类型、论文经费”来源 务必填写准确，特别要注 意与论文选题报告中相关内容及学位论文相关内容保持-致。
2、“论文工作实际进展、取得的研究成果”中的内容注意与选题报告、学位论文相关内容保持一致，特别是各种时间进度。
3、“存在的问题及解决方案” 要结合选题报告和学位论文的内容来写，不能空洞无物。“导师对论文工作的评价”要手写，不能打印。
5、打印时要双面打印，一式二份。
按照论文写作流程，选题之后，学生开始撰写开题报告，具体工作是：
1、你的实习场地能干什么？
2、实习场地定了，大概选题类型就知道了。然后看看自己能够获得哪些资料，能够得到哪些帮助。根据能够获得的资源，确定选题方向。
3、检索文献，收集参考资料
根据选题方向，检索已有文献，看看别人怎么定题目，怎么写的，确定论文框架。
（1）搜集相关方面论文、阅读论文；
（2）撰写研究现状、确定研究的突破点。当前出版的关于学术论文写作的书籍，多是按照这一顺序进行阐述。
4、获取数据
根据论文框架，需要做实验的做实验，需要调查的调查，获得实验数据或调查数据。
5、模仿写作，填充框架
根据获得的数据，模仿同类型优秀论文写作，把自己的数据填充进去。
6、调整格式，修改降重
完成论文初稿并多读几遍，无错别字，明显逻辑错误，格式正确，根据老师意见修改，提交学校查重之前完成降重。
最后，论文选题很重要，合适的题目能让论文事半功倍。
1.选择优秀的Paperfree论文检测系统原因不用多说也知道，论文检测系统何 其多？其中的淘宝以及其他网站代理也是良莠不齐，最重要去一些不安全的网站极有可能会被泄露，以前就有过新闻有硕士生去淘宝买查重结果几年后被查出同一届 的学生通过店家购买了他的论文，导致双方都涉嫌抄袭而撤销学位。所以在选择论文检测网站的时候要慎重，建议使用的有知网、PaperRater论文检测系 统等这些权威且使用人数众多的网站，这样不仅自己放心而且结果也会更加精准。2.了解学校的相关政策很多同学只知道一味地埋头苦写，以至于学校的检测标准都没法及时收取到，简单的说，假若你们学校要求你全文检测，你弄个正文检测，学校要正文检测， 你弄个全文检测，机器不会讲人情，这内容不一样结果一定不一样。所以最好是做个好学生，按照学校要求的格式排好。万事俱备，只欠检测。（这要看各校的要 求，尽量保持跟学校要求一致）3.控制相似率低于学校标准如果学校要求本科学位论文的重复率不得高于30％，当你第一次自查后结果刚刚位于这个数值的上的话，一定不要大意，因为你自查的时间和学校统一论文 查重的时间是不一样的，像PaperFree这类专业的查重系统会针对互联网的资源进行实时抓取，所以自查完之后一定要改重，改到不能改为止。4.合理引用，避免抄袭论文写作引用内容是准许存在的，但写作时必需对引用来源进行标注，标注的方式学校有统一的规定，如果标注和引用不合法，同样也会视为抄袭
我 们， 是做的 给的， 好的， 来的。
随着建筑工程的发展，建筑工程材料也变得越来越重要，建筑项目的完成质量往往取决于建筑材料质量的好坏。下文是我为大家搜集整理的关于建筑材料论文2000字的内容，欢迎大家阅读参考!
浅析建筑材料检测的相关技术
1、建筑材料的分类与检验项目
房屋建筑材料根据其在建筑物中的部位或使用性能，大体上分为三大类，即建筑结构材料(建筑物受力构件和结构所用的材料)、墙体材料(建筑物内、外及隔墙所用的材料)、建筑功能材料(承担某建筑功能的非承重用的材料)。施工现场所用的建筑材料品种繁多，进场检测、试验材料项目要服从国家、行业及当地建设主管部门(或所属有关部门)的规定，并服从《省建筑工程竣工技术档案编制办法》。
例如配制混凝土用的水泥，需按批检验其安定性、 强度、凝结时间和细度;混凝土用粗骨料按常规进行颗粒级配、密度、含泥量及泥块含量、针片状颗粒含量等检验项目，如若用于≥C35的混凝土须做压碎指标，新采用的质地疏松的骨料还应做坚固性试验，活性骨料做活性试验等。对于合成高分子防水材料，按GB18173.1―2000《高分子防水材料――第一部分片材》，应按批检验其物理性能，例如断裂拉伸强度、胶断伸长率、不透水性和低温弯折。材料检测试验项目的确定应以确保工程质量为前提，只检验其原始合格证明而不按规定抽样试验，或虽抽样试验但检测项目不全，都是不符合要求的。
2、取样的数量和方法
取样要有代表性，一般是以一批材料不同部位随机抽取规定数量的样品(钢材是从规定部位截取)，即不仅取样数量要正确，而且取样部位及方法也要按规定进行。试样的数量关系到试验结果的准确性，数量过少、取样部位及方法的偏差，都会使试验误差增大，甚至会得出相反的结果。但是，在实际检测中经常会出现取样不具有代表性、取样的数量不够、取样方法不正确等问题。例如袋装水泥要从该批不少于20袋水泥中任取等量样品，总质量至少12kg。
在实际工作中，多次遇到送检人员一次性提取半袋或整袋水泥作为样品，经检测水泥强度值不符合标准要求的情况，后经现场按标准要求取样后复试，试验结果则完全符合国家标准;又如送检钢筋焊接试件时，有的是用工地的废钢筋头作为模拟试件或者取样方法不正确;再如钢筋气压焊焊件按标准应送检6根，3根做拉伸试验，3根做弯曲试验，而有的只送检3根试件，这样即使3根试件的拉伸试验结果全部合格，仍无法判定该批试件是否合格。
3、常用建筑材料检测技术要点分析
在建筑材料质量控制的实践中，我们深刻地体会到，工程材料的质量监控要采取施工单位自检和监理单位平行检测、跟踪检测、见证取样相结合的办法，检测和试验相结合，完善“企业自检、社会监理、政府监督” 的质量保证体系，牢固树立“百年大计、质量第一” 的方针。 现总结几种建筑材料的检测取样试验方法。
3.1 钢筋的检测
钢筋进场时，应按照现行国家标准《钢筋砼用热轧带肋钢筋》GB1499等的规定抽取试件作力学性能检验，其质量必须符合有关标准规定。1)取样时，从任一钢筋端头，截取500mm2～1000mm的钢筋，再进行取样。2)冷拉钢筋：应进行分批验收，每批重量不大于20t的同等级、 同直径的冷拉钢筋为一个检验批。3)钢筋焊接。钢筋焊接在建筑施工中一般分为：闪光对焊、电阻点焊、电弧焊、电渣压力焊、预埋件T型接头埋弧压力焊、钢筋气压焊。
(1)闪光对焊：其机械性能试验包括拉伸试验和弯曲试验，拉伸试件长度一般≥500mm(500mm～650mm)，冷弯试件长度一般250mm(250mm～350mm)。
(2)电阻点焊：热轧钢筋点焊做抗剪试验，试件长度一般≥600mm;拔低碳钢丝焊点，除作抗剪试验外，还应对较小钢丝做拉伸试验，试件长度一般≥500mm(500mm～650mm)。
(3)电弧焊与电渣压力焊：在现场安装条件下都做拉伸试验，试件长度一般≥500mm(500mm～650mm)。
3.2 水泥、砂石的检测
砂石、水泥、外加剂是建筑工程中最基本的、也是用量最大的建筑材料，以往建筑工程在对这些产品检验时，只是检验产品的强度和一些与强度有关的常规性技术指标。而如今对砂、石和水泥甚至包括回填上都要进行放射性的检测。
水泥进场验收：水泥进场时应对其品种、级别、包装或散装仓号、出厂日期等进行检查，并应对其强度、安定性及其他必要的性能指标进行复验，其质量必须符合现行国家标准《硅酸盐水泥、普通硅酸盐水泥》GB175等的规定。当在使用中对水泥质量有怀疑或水泥出厂日期超过3个月(快硬硅酸盐水泥超过1个月)时，应进行复验，并按复验结果使用。?
砂石取样方法：在料堆水取样时，取样部位应均匀分布。在料堆的顶部、中部、底部各均匀分布的5个不同部位取得，组成一组样品，砂子在各部位抽取大致相等的8份，石子在各部位抽取大致相等的15份。砂石、水泥送检的同时，进行砼配合比、砂浆配比的检验工作，一般是与砂石、水泥检验报告同期出示。在第一次使用配合比搅拌砼或砌筑砂浆时，应至少留置一组标准标养试件(标养条件：温度为20±30℃，相对湿度为90%，试件间距为10mm～20mm)作为验证配合比的依据。同时，根据砂浆配比，对所搅拌的砌筑砂浆用砂的粒径、水泥用量、搅拌时间、砂浆和易性等进行检验试验。
3.3 砼工程
结构混凝土的强度等级必须符合设计要求，用于检查结构构件混凝土强度的试件，应在混凝土的浇筑地点随机抽取，应及时检查施工记录及试件强度实验报告。对有抗渗要求的混凝土结构，其混凝土试件应在浇筑地点随机取样 ，抗渗试验报告也应随时检查以保障施工质量。
检测时环境温度与湿度的控制温度和湿度对一些建筑材料的性能有很大的影响，故在标准中对材料养护、测试时的环境条件有明确的规定，必须严格遵守。如GB/T17671―1999《水泥胶砂强度检验方法》规定，试体成型时的环境温度应稳定保持在20℃±2℃，相对湿度应>50%;试体拆模前的养护温度为20℃±1℃，相对湿度应>90%;试体在水中养护的温度控制在200C±10C。又如弹性体改性沥青防水卷材(SBS)等防水材料，其性能对环境温度较为敏感，进行拉伸试验时要求室温控制在23℃±2℃。
4、结束语
随着我国建筑行业的发展飞速，人们越来越关注建筑材料的质量。建筑材料作为构建建筑工程的基础，其质量好坏对建筑工程的安全性造成直接的影响。在施工之前，一定要高度重视建筑材料的检测工作，严格执行质量标准，并不断地总结经验教训，不断提高实际操作水平，保证检测结果的准确性，从中确保建筑材料的质量和工程的使用安全。
>>>下页带来更多的建筑材料论文2000字
耐热钢[1][2]在高温条件下，具有抗氧化性和主够的高温强度以及良好的耐热性能的钢称作耐热钢。耐热钢包括抗氧化钢和热强钢两类。抗氧化钢又简称不起皮钢。热强钢是指在高温下具有良好的抗氧化性能并具有较高的高温强度的钢。耐热钢主要用于在高温下长期使用的零件heat-resisting steels在高温下具有较高的强度和良好的化学稳定性的合金钢。它包括抗氧化钢(或称高温不起皮钢)和热强钢两类。抗氧化钢一般要求较好的化学稳定性，但承受的载荷较低。热强钢则要求较高的高温强度和相应的抗氧化性。耐热钢常用于制造锅炉、汽轮机、动力机械、工业炉和航空、石油化工等工业部门中在高温下工作的零部件。这些部件除要求高温强度和抗高温氧化腐蚀外，根据用途不同还要求有足够的韧性、良好的可加工性和焊接性，以及一定的组织稳定性。中国自1952年开始生产耐热钢。以后研制出一些新型的低合金热强钢，从而使珠光体热强钢的工作温度提高到600～620℃；此外，还发展出一些新的低铬镍抗氧化钢种。耐热钢和不锈耐酸钢在使用范围上互有交叉，一些不锈钢兼具耐热钢特性，既可用作为不锈耐酸钢，也可作为耐热钢使用。合金元素的作用铬、铝、硅 这些铁素体形成的元素，在高温下能促使金属表面生成致密的氧化膜，防止继续氧化，是提高钢的抗氧化性和抗高温气体腐蚀的主要元素。但铝和硅含量过高会使室温塑性和热塑性严重恶化。铬能显著提高低合金钢的再结晶温度,含量为2％时，强化效果最好。镍、锰 可以形成和稳定奥氏体。镍能提高奥氏体钢的高温强度和改善抗渗碳性。锰虽然可以代镍形成奥氏体，但损害了耐热钢的抗氧化性。钒、钛、铌 是强碳化物形成元素，能形成细小弥散的碳化物，提高钢的高温强度。钛、铌与碳结合还可防止奥氏体钢在高温下或焊后产生晶间腐蚀。碳、氮 可扩大和稳定奥氏体，从而提高耐热钢的高温强度。钢中含铬、锰较多时，可显著提高氮的溶解度，并可利用氮合金化以代替价格较贵的镍。硼、稀土 均为耐热钢中的微量元素。硼溶入固溶体中使晶体点阵发生畸变，晶界上的硼又能阻止元素扩散和晶界迁移，从而提高钢的高温强度；稀土元素能显著提高钢的抗氧化性，改善热塑性。类别 耐热钢按其组织可分为四类：珠光体钢 合金元素以铬、钼为主，总量一般不超过5％。其组织除珠光体、铁素体外,还有贝氏体。这类钢在500～600℃有良好的高温强度及工艺性能，价格较低，广泛用于制作 600℃以下的耐热部件。如锅炉钢管、汽轮机叶轮、转子、紧固件及高压容器、管道等。典型钢种有：16Mo，15CrMo，12Cr1MoV， 12Cr2MoWVTiB，10Cr2Mo1,25Cr2Mo1V,20Cr3MoWV等。马氏体钢 含铬量一般为7～13%,在650℃以下有较高的高温强度、抗氧化性和耐水汽腐蚀的能力，但焊接性较差。含铬12%左右的1Cr13、2Cr13,以及在此基础上发展出来的钢号如1Cr11MoV，1Cr12WMoV,2Cr12WMoNbVB等,通常用来制作汽轮机叶片、轮盘、轴、紧固件等。此外,作为制造内燃机排气阀用的4Cr9Si2,4Cr10Si2Mo等也属于马氏体耐热钢。铁素体钢 含有较多的铬、铝、硅等元素，形成单相铁素体组织，有良好的抗氧化性和耐高温气体腐蚀的能力,但高温强度较低,室温脆性较大，焊接性较差。如1Cr13SiAl,1Cr25Si2等。一般用于制作承受载荷较低而要求有高温抗氧化性的部件。奥氏体钢 含有较多的镍、锰、氮等奥氏体形成元素，在 600℃以上时，有较好的高温强度和组织稳定性，焊接性能良好。通常用作在 600℃以上工作的热强材料。典型钢种有 1Cr18Ni9Ti, 1Cr23Ni13, 1Cr25Ni20Si2，2Cr20Mn9Ni2Si2N,4Cr14Ni14W2Mo等。生产工艺冶炼 耐热钢一般在电弧炉或感应炉中熔炼。质量要求高的往往采用真空精炼和炉外精炼工艺。铸造 某些高合金耐热钢难以加工变形，生产铸件不仅比轧材合算，而且铸件还有较高的持久强度。所以在耐热钢中耐热铸钢占有相当大的比例。铸造方法除采用砂型铸造外，还可用精密铸造工艺以获得表面光滑、尺寸精确的产品。对合成氨和乙烯裂解用的高温炉管往往采用离心铸造的方法。热处理 珠光体热强钢通常经正火或调质后使用；马氏体耐热钢用调质处理，以稳定组织，得到良好的综合力学性能和高温强度。铁素体钢不能通过热处理强化。为消除因冷塑性变形加工和焊接所导致的内应力，可在650～830℃进行退火处理，退火后快速冷却,以便迅速地经过475℃脆性温度范围。奥氏体抗氧化钢大多采用高温固溶热处理，以获得良好的冷变形性。奥氏体热强钢则先用高温固溶处理，然后在高于使用温度60～100℃条件下进行时效处理,使组织稳定化，同时析出第二相，以强化基体。耐热铸钢多在铸态下使用，也有根据耐热钢的种类采用相应的热处理的。[编辑本段]耐热钢焊接工艺1. 锅炉及压力容器对钢材性能的要求按工作条件分为两大类：一、用以制造室温及中温承压元件的钢板与钢管具有特点：1 有较高的室温强度通常以屈服极限σs和强度极限σb为设计依据，要求有较大的σs和σb良好的韧性性能材料需具有足够的韧性防止脆性断裂，在考虑强度的同时也不能忽略韧性，(1) 材料的韧性通常用冲击韧性值αk表示。压力容器用钢的冲击韧性要求冲击韧性值αk(N·m/cm2)20℃ -40℃>=60 >=35(2)还需要考虑时效韧性时效就是钢材经冷加工变形后，在室温或较高温度下，冲击韧性随时间变化。通常在200-300℃，冲击韧性值显著降低。一般要求下降率不超过50%。由于容器断裂过程包括在缺陷处形成裂纹和裂纹扩散两个阶段，相应两种防止断裂方法(1)选用具有足够韧性的钢材以防止裂纹产生，要求如上表所示(2)选用韧性更高的材料，以求在裂纹产生后能够阻止裂纹扩展。(要求温度比无塑性转变温度NPT高一定数值，例如元件的设计应力为屈服极限σs一半时，要高17℃3 较低的缺口敏感性制造过程中，开孔和焊接会产生局部应力集中，要求材料有较低的缺口敏感性，以防止产生裂纹4 良好的加工工艺性能和焊接性能由于焊接热循环作用，会(1)降低热影响区材料的韧性、塑性(2)在焊缝内产生各种缺陷其中(1)、(2) 均会产生裂纹在选材料时需考虑(1)材料中碳的当量值(保证材料具有较好的可焊性)(2)适当的焊接材料和焊接工艺(3)材料具有良好的塑性(碳钢和碳锰钢δs不低于16%，合金钢δs不低于14%)(4)良好的低倍组织(5)钢材的分层、非金属夹杂物、气孔、疏松等缺陷尽可能减少(防止裂纹的产生)二、用以制造高温承压元件的钢管1 具有足够的蠕变强度、持久强度和持久塑性通常以持久强度为设计依据，保证在蠕变的条件下安全运行2 具有良好的高温组织稳定性长期高温下不发生组织变化3 具有良好的的高温抗氧化性要求材料在高温条件下的氧化腐蚀速度小于0.1mm/a4 具有良好的加工工艺性要求冷加工性(冷态弯曲)和焊接性2. 锅炉与压力容器用钢的分类一、工作温度低于500℃的钢材碳素钢和低合金结构钢1 铁素体-珠光体结构钢屈服强度σs为300-450MPa16Mn，15MnV，15MnVN加入合金元素，固溶强化，结晶强化作用2 低碳贝氏体类型钢屈服强度σs为500-700Mpa14CrMnMoVB延缓奥氏体分解，得到贝氏体，增加强度3 马氏体型调质高碳钢屈服强度σs为600Mpa以上18MnMoNb和14MnMoNbB正火加回火，有良好的低温韧性二、工作温度高于500℃的钢材低合金热强钢和奥氏体不锈钢1 低合金珠光体热强钢15CrMo和12Cr1MoV，结晶强化，沉淀强化2 低合金贝氏体热强钢12Cr2MoWVTiB和12Cr3MoVSiTiB，特点：合金数量多而量少，高温强度高，抗氧化性强3 奥氏体不锈钢18-8型铬镍奥氏体不锈钢：1Cr18Ni9Ti和0Cr18Ni9Ti，高温强度高，抗氧化性强，且具有很高的韧性和较好的加工工艺性3. 碳素钢一、碳素钢中主要成分对性能的影响1 碳的影响碳增加，强度增大，塑性减少，可焊性变差，时效敏感性降低2 锰的影响脱氧(FeO)脱硫，改善热加工性能3 硅的影响脱氧4 硫的影响热脆性5 磷的影响冷脆性6氧的影响降低强度、塑性7 氮的影响提高强度、硬度，降低塑性8 氢的影响氢脆二、碳钢的分类化学成分：高(含碳量在于0.65%)、中(含碳量0.25-0.65%)、低碳钢(含碳量小于0.25%)用途：普通碳素结构钢、优质碳素结构钢和碳素工具钢1 普通碳素结构钢甲类钢：按机械性能供应(A)，钢板，角钢等2 优质碳素结构钢按机械性能和化学成分供应含碳量低：钢板、容器、螺钉、螺母含碳量中：齿轮、轴含碳量高：弹簧、钢丝绳3 碳素工具钢(T)高硬度和耐磨性，制造刀具、量具、模具三、锅炉与压力容器常用碳素钢承压元件主要使用低碳钢，因为塑性、韧性、加工工艺性和可焊性好(1) 优质碳素结构钢10号和20号无缝钢管20号钢含碳量比10号钢多一倍，强度高，屈服极限σs和强度极限σb高20%，时效敏感性低，多采用20号钢(2) 专用碳素钢A3g A3R 15g 20g，冲击韧性好，金属表面和内部缺陷少4. 普通低合金结构钢低合金钢是在碳素钢的基础上加入少量Si,Mn,Cu,Ti,V,Nb,P等合金元素构成的，它的含碳量较低，多数小于0.2%。其组织多数仍为F+P。由于少量合金元素的加入可以大大提高钢材的强度，并改善了钢材的耐腐蚀性能和低温性能。低合金钢可轧制成各种钢材，如板材，管材，棒材和型材等。它广泛用于制造远洋轮船、大跨度桥梁，高压锅炉，大型容器，汽车，矿山机械及农业机械等。大型化工容器材料采用16MnR，生量比碳钢可减轻1/3。用15MnV制造球形贮罐，与碳钢相比节省45%。焊接5. 低合金热强钢在原油加热，裂解，催化设备中，常用到许多能耐高温的钢材。如裂解炉管，要求承受650～800℃高温。20号钢在540℃下于氧化性气体中，因氧化强度只有50MPa。因为石墨化。常用的抗氧化钢——Cr13SiAl,Cr25Ti,Cr17Ti,Cr25Ni2热强钢——12CrMo,Cr5Mo,1Cr18Ni9Ti,Cr25Ni206. 不锈耐酸钢是不锈钢(耐大气)和耐酸钢(不锈)的总称，铬不锈钢——1Cr13多用作化工机器中受力大的耐蚀零件，如轴，活塞杆，阀件，螺栓，浮阀等0Cr13,Cr17Ti F组织，有良好塑性铬镍不锈钢——1Cr18Ni9 18-8不锈钢有较高的抗拉强度，较低屈服点，极好的塑性和韧性，焊接性能和冷弯成型性能好，用来制造贮罐，塔器，反应釜，应用最广。7. 低温用钢深冷分离，空分，液化气贮罐低温使用。低温钢平均含碳量0.08～0.18%，单相F组织，加入适量的Mn,Al,Ti,Nb,Cu,V,N等元素改善钢的综合机械性能。常用低温用钢1) 低合金低温用钢16MnDR -40℃ 机械性能优于一般低碳钢2) 镍钢2.25% -60℃3.5% -100℃9% -200℃3) 高锰奥氏体钢15Mn25Al4 其中Mn是形成A的基本元素，Al作为稳定A的元素。4) 铬镍奥氏体不锈钢18-8奥氏体不锈钢国外低温设备用钢，以高铬镍为主，其次用镍钢，铜，铝。
人们的生活中汽车已经成为了不可或缺的重要代步工具，汽车在迅速发展的科学技术背景下并没有停下脚步。下面是我为大家精心推荐的汽车检测与维修技术论文，希望能够对您有所帮助。
汽车检测诊断与维修技术分析
[摘 要]人们的生活中汽车已经成为了不可或缺的重要代步工具，汽车在迅速发展的科学技术背景下并没有停下脚步。在汽车运用的检测与维修体系中，逐渐增加了科技手段与设备，能够为汽车提供各种更好的使用性能。本文主要分析了汽车运用的检测与维修技术发展现状，汽车运用的检测与维修技术发展前景，建设汽车运用的综合检测维修站。
[关键词]汽车运用;检测与维修;科学技术
中图分类号： F407.471文献标识码： A 文章 编号
1 汽车运用的检测与维修技术发展现状
我国从上世纪逐渐开始研究和分析汽车运用的检测与维修技术，为了能够符合汽车在检测与维修过程中产生的要求，当时交通部主要开发与研究了汽车发动机中气缸检测漏气量的仪器、点火正时灯等相关设备。之后我国重点对汽车运用的检测维修技术实施了研究，国家发改委在开发应用项目中对汽车在不解体情况下的检测维修技术与设备进行了研究。交通部亲自主持并且研究开发了反力式汽车制动试验台、惯性式汽车制动试验台以及发动机综合检测设备和国民经济在20 世纪80 年代开始快速发展，在各个领域中科学技术都出现了很快的发展，随之发展的还包括汽车检测与维修技术，再加上我国汽车的制造行业和交通运输业的迅猛发展，日益增加了对汽车运用的检测与维修技术设备的需要。由于我国迅速增加的汽车保有量，随之产生了较为严重的环保与交通安全等系列问题。例如怎样确保汽车经济、快速，同时尽量对社会不会产生公害等问题，已经成为重要议事被相关政府部分提到了日常工作之中，因此对汽车运用的检测与维修技术的发展发挥了促进作用，例如交通部研制开发了汽车制动试验台、侧滑试验台、轴重仪等。
在研制检测单台设备获得成功的前提下，为了确保良好的汽车运用的检测与维修技术情况，应对正在使用的汽车加强管理，充分使用汽车检测设备，其实在1980 年交通部已经提供技术在全国范围内的运输与管理车辆体系建设汽车检测站。交通部在20 世纪80 年代初期建设了我国首个汽车检测站。建设该检测站以后，交通部提出在多个省市逐渐建设汽车检测站，公安部在交通部构建汽车检测站的前提下迅速推广与发展了汽车监理，全国在1990 年底已经拥有600 多个汽车检测站， 编织 了全国范围内的汽车检测网络。同时，汽车运用的检测与维修技术及设备已经获得了较快的发展。全国范围内目前生产汽车运用的检测设备厂家已经超过了60 个，除了交通部之外，城建、机械等系列部门也快速进入了研制、生产汽车运用的检测设备领域。我们已经完全可以自己生产一整套的汽车运用的检测与维修技术设备，例如具有复杂技术的大型汽车底盘测功机、综合分析发动机仪器等。为了能够与汽车运用的检测与维修技术互相配合，我国已经相继颁布并实行了与汽车相关的检测与维修的国家及行业标准。从综合性能的汽车运用的检测与维修站到汽车检测与维修拥有的相关项目，这些基本上都已经达到了有法可依。
2 、汽车运用的检测与维修技术发展前景
我国汽车运用的检测与维修技术经历了漫长的发展过程;从技术、检测与维修设备的引入，到自主性的开发研究及应用推广;从单一功能的检测与维修到综合性能的检测与维修，获得了极大的进步。特别是研制生产检测与维修设备已获得迅速的发展，逐渐拉近了与国外先进技术之间的距离。例如汽车运用的检测与维修中的制动试验台、侧滑试验台等，国内基本上可以自给自足，并且具有了各种形式结构。我们在这方面已经取得了较大的进步，可是相较于世界先进水平来说，还是存在着一定的差距.
2.1 规范汽车运用的检测与维修技术基础
我国在检测与维修技术发展的过程之中，一般对硬件技术非常看重，轻视甚至忽略了较大难度、较多投入以及具有显著社会效益的检测与维修 方法 、标准限值等基础技术的研究。伴随着检测与维修方法的不断完善，和硬件相匹配的检测与维修软件技术将会日趋完善。我国在今后将会着重对下列汽车运用的检测与维修技术基础开展研究.
制定和完善汽车运用的检测维修方法，例如滑行过程中的距离、加速产生的距离和时间、汽车发动机耗损燃料的工作效率等。2)企业在营运过程中需要制定关于技术状况的检测评定规则，统一规范全国范围内的检测维修技术要求。3) 针对具有综合性能的大型检测与维修设备编制正式的规则，同时确保该检测站严格履行自身职责。
2.2 智能化的汽车检测与维修设备
外国当前的汽车检测与维修设备已经大量使用了机、电、光一体化技术，同时在测控工作中科学应用计算机，一些检测与维修设备已经设计了专家职能体系，可以对汽车运用技术情况进行检测，并且对发生故障的汽车具体位置与原因进行诊断，帮助维修人员对发生的故障情况迅速解决。我国汽车运用的检测与维修设备当前在应用专家智能体系方面与国外还是存在着较大的差距。例如重点依赖进口的四轮检测定位系统、发动机电喷综合性能的检测仪器等。我们应当在汽车运用的检测与维修设备智能化方面加强发展力度。
2.3 管理汽车运用的检测与维修网络化
我国综合性的汽车检测站一部分已经实现了管理计算机检测系统，虽然管理计算机系统已经利用了计算机测控，可是各个站具有不同的计算机监控，即便已经利用了计算机技术网络，网络化的实现也仅仅是在站内。伴随着不断进步的管理与技术，汽车运用的检测与维修技术在今后将会真正意义上的实现网络化，进而完成共享信息资源、共享硬件和软件资源。在这个前提下，应用高速信息公路将全国范围内的综合汽车检测站编织成一个网络，有利于交通部门对各个地区的车辆情况及时掌控。
3 建设汽车运用的综合检测维修站
汽车运用的综合检测维修站是一种集合了现代化的检测技术、电子信息技术、计算机应用技术，在对汽车不解体的情况下进行检测与维修的企业。它能够在室内对车辆的各种参数功能进行检测和维修，检查出极有可能出现的故障，为准确、全面评价汽车的使用功能和技术情况提供重要根据。汽车运用的综合检测维修站既能够在动力、经济、环保、安全等方面对车辆进行检测与维修，同时还能够在科学教研方面对参数功能实行测试，检测项目比较广并且具有一定的深度，可以为汽车检测、维修、设计等有关部门提供重要的依据。汽车运用的综合检测维修站重点是由一条甚至多条检测线构成。检测站具有的独立完整性决定了其除了检测线以外，还应当具有停车场所、试车道、清洗站、电气维修区域、办公与生活规划区等。
为了节省汽车检测的费用、场地、人员和提高汽车的检测效率，当前汽车检测设备的功能正从单机单功能向单机多功能的综合测试台方向发展 为了节省汽车检测的费用、场地、人员和提高汽车的检测效率，当前汽车检测设备的功能正从单机单功能向单机多功能的综合测试台方向发展
结束语
汽车运用的检测与维修技术是伴随着汽车技术而迅速发展起来的。汽车在发展的初级阶段，人们解决汽车产生的问题重点利用检测与维修人员的工作 经验 。随着科学技术的不断进步，尤其是计算机技术的迅速发展，汽车运用的检测与维修技术也蓬勃发展起来。目前人们可以依赖各种现代化的设备仪器，在对汽车不解体的前提下实施检测与维修。为了节省汽车检测的费用、场地、人员和提高汽车的检测效率，当前汽车检测设备的功能正从单机单功能向单机多功能的综合测试台方向发展。
[参考文献]
[1] 郭鸿瑞.汽车主动安全新技术及其发展趋势[J].车实用技术,2009.
[2] 王菊贞.浅谈汽车维修行业的现状及对策[J].现代商业,2010.
[3] 王静文. 汽车诊断与检测技术[M]. 北京: 人民交通出版社, 1998: 90-
点击下页还有更多>>>汽车检测与维修技术论文
好呢，俺YOU，本身就是大学里的
我们学校的汽车检测与运营工程师专业就是大专学历的 你可以来看看 在番禺市桥这里的
论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：
论文原文：
YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：
每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：
其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）
举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：
在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。
得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图：
在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：
解决方法：
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为0.88（ImageNet2012 validation set），与GoogleNet模型准确率相当。
然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为0.9，学习速率延迟为0.0005。Learning schedule为：第一轮，学习速率从0.001缓慢增加到0.01（因为如果初始为高学习速率，会导致模型发散）；保持0.01速率到75轮；然后在后30轮中，下降到0.001；最后30轮，学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5；data augmentation包括：random scaling，translation，adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点：
1、 YOLO检测物体非常快
因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误，产生false positives
不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。
尽管YOLO有这些优点，它也有一些缺点：
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。