论文链接： tensorflow源码链接： SSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别速度，还能把mAP提升到较高的水平。 原作者给了两种SSD结构，SSD 300和SSD 512，用于不同输入尺寸的图像识别。本文中以SSD 300为例，图1上半部分就是SSD 300，下半部分是YOLO，可以对比来看。SSD 300中输入图像的大小是300x300，特征提取部分使用了VGG16的卷积层，并将VGG16的两个全连接层转换成了普通的卷积层（图中conv6和conv7），之后又接了多个卷积（conv8_1，conv8_2，conv9_1，conv9_2，conv10_1，conv10_2），最后用一个Global Average Pool来变成1x1的输出（conv11_2）。a、重新启用了Faster R-CNN中anchor的结构 在SSD中如果有多个ground truth，每个anchor（原文中称作default box，取名不同而已）会选择对应到IOU最大的那个ground truth。一个anchor只会对应一个ground truth，但一个ground truth都可以对应到大量anchor，这样无论两个ground truth靠的有多近，都不会出现YOLO中bbox冲突的情况。 b、同时使用多个层级上的anchor来进行回归 作者认为仅仅靠同一层上的多个anchor来回归，还远远不够。因为有很大可能这层上所有anchor的IOU都比较小，就是说所有anchor离ground truth都比较远，用这种anchor来训练误差会很大。例如图2中，左边较低的层级因为feature map尺寸比较大，anchor覆盖的范围就比较小，远小于ground truth的尺寸，所以这层上所有anchor对应的IOU都比较小；右边较高的层级因为feature map尺寸比较小，anchor覆盖的范围就比较大，远超过ground truth的尺寸，所以IOU也同样比较小；只有图2中间的anchor才有较大的IOU。通过同时对多个层级上的anchor计算IOU，就能找到与ground truth的尺寸、位置最接近（即IOU最大）的一批anchor，在训练时也就能达到最好的准确度。SSD的优点在前面章节已经说了：通过在不同层级选用不同尺寸、不同比例的anchor，能够找到与ground truth匹配最好的anchor来进行训练，从而使整个结构的精确度更高。 SSD的缺点是对小尺寸的目标识别仍比较差，还达不到Faster R-CNN的水准。这主要是因为小尺寸的目标多用较低层级的anchor来训练(因为小尺寸目标在较低层级IOU较大)，较低层级的特征非线性程度不够，无法训练到足够的精确度。 下图是各种目标识别结构在mAP和训练速度上的比较，可以看到SSD在其中的位置：
论文: Pelee: A Real-Time Object Detection System on Mobile Devices
基于DenseNet的稠密连接思想，论文通过一系列的结构优化，提出了用于移动设备上的网络结构PeleeNet，并且融合SSD提出目标检测网络Pelee。从实验来看，PeleeNet和Pelee在速度和精度上都是不错的选择。
PeleeNet基于DenseNet思想，加入了几个关键的改进。
受GoogLeNet的启发，论文将原来的dense layer改为2-way dense layer，如图1b所示，新的路径叠加两个 卷积来学习获取不同的感受域特征，特别是大物体特征。
DenseNet使用stride=2的 卷积对输入进行初步处理，受Inception-v4和DSOD启发，论文设计了一个高效的stem block，结构如图2所示，两条路径能提取不同的特征。这样可以在不带来过多计算耗时的前提下，提高网络的特征表达能力。
在DenseNet中，使用bottleneck layer进行输入特征的压缩，但是bottleneck layer的输出固定为dense layer输出的4倍。在网络的早些层中，会存在bottleneck layer的输出比输入更多的情况，导致效率下降。为此，论文将bottleneck layer的输出大小跟输入挂钩，保证不大于输入大小，从图4可以看出，修改后计算效率提升了一倍。
DenseNet在dense layer间使用transition layer进行特征维度压缩，压缩比为。论文通过实验发现这个操作会减弱网络特征的表达能力，所以将transition layer的输出维度固定为输入的大小，不再压缩。
DenseNet使用Conv-Relu-BN的预激活方式，论文将其修改为Conv-BN-Relu的后激活方式，这样卷积层和BN层在inference时能够进行合并运算，提高计算速度。另外，论文在最后的dense layer添加了 卷积，用以获得更强的特征表达能力。
PeleeNet的结构如表1所示，包含一个stem block、4个特征提取阶段以及最后的stride为2的平均池化层。论文纠结使用3个特征提取阶段还是4个特征提取阶段，3个阶段需要stem block更多地缩减特征图大小，考虑到开头过快地减小特征图会大小会减弱网络的表达能力，最终仍采用4个阶段。
基于SSD，将PeleeNet作为主干网络并做了几个优化，提出目标检测网络Pelee，主要的优化点如下：
对PeleeNet的key feature进行验证。
与其它轻量级网络对比。
PeleeNet在各种设备上的实际推理速度对比。
Pelee与其它网络的设置对比。
各改进措施的性能对比。
与其它网络的在VOC上的性能对比。
各设备上的推理速度对比。
与其它网络的在COCO上的性能对比。
PeleeNet是DenseNet的一个变体，没有使用流行的深度可分离卷积，PeleeNet和Pelee仅通过结构上的优化取得了很不错的性能和速度，读完论文可以学到很多网络设计的小窍门
作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体。
目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。
Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行，虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景。因而此次我们主要介绍一下SSD和YOLO系列框架。
SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。
SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：
用多尺度特征图进行检测 作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减小，允许我们在不同的尺度下进行预测。越是深层小的特征图，用来预测越大的物体。
用卷积网络进行预测 不同于YOLO的全连接层，对每个用于预测的 通道特征图，SSD的分类器全都使用了 卷积进行预测，其中 是每个单元放置的先验框的数量， 是预测的类别数。
设置先验框 对于每一个特征图上的单元格，我们都放置一系列先验框。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的 维偏移量和每一类的置信度。例如，对于一个 的特征图，若每一个特征图对应 个先验框，同时需要预测的类别有 类，那输出的大小为 。（具体体现在训练过程中） 其中，若用 表示先验框的中心位置和宽高， 表示预测框的中心位置和宽高，则实际预测的 维偏移量 是 分别是：
下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了 卷积（或者最后一层的平均池化）用于预测，得到了一个 的输出，随后通过极大值抑制（NMS）获得最终的结果。
图中网络用于检测的特征图有 个，大小依次为 ， ， ， ， ， ；这些特征图每个单元所对应的预置先验框分别有 , , , , , 个，所以网络共预测了 个边界框，（进行极大值抑制前）输出的维度为 。
未完待续
参考： chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector 小小将的知乎专栏：目标检测|SSD原理与实现 littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）
作者的其他相关文章： 图像分割：全卷积神经网络（FCN）详解 PointNet：基于深度学习的3D点云分类和分割模型 详解 基于视觉的机器人室内定位
深度学习目前已经应用到了各个领域，应用场景大体分为三类：物体识别，目标检测，自然语言处理。 目标检测可以理解为是物体识别和物体定位的综合 ，不仅仅要识别出物体属于哪个分类，更重要的是得到物体在图片中的具体位置。 2014年R-CNN算法被提出，基本奠定了two-stage方式在目标检测领域的应用。它的算法结构如下图 算法步骤如下： R-CNN较传统的目标检测算法获得了50%的性能提升，在使用VGG-16模型作为物体识别模型情况下，在voc2007数据集上可以取得66%的准确率，已经算还不错的一个成绩了。其最大的问题是速度很慢，内存占用量很大，主要原因有两个 针对R-CNN的部分问题，2015年微软提出了Fast R-CNN算法，它主要优化了两个问题。 R-CNN和fast R-CNN均存在一个问题，那就是 由选择性搜索来生成候选框，这个算法很慢 。而且R-CNN中生成的2000个左右的候选框全部需要经过一次卷积神经网络，也就是需要经过2000次左右的CNN网络，这个是十分耗时的（fast R-CNN已经做了改进，只需要对整图经过一次CNN网络）。这也是导致这两个算法检测速度较慢的最主要原因。 faster R-CNN 针对这个问题， 提出了RPN网络来进行候选框的获取，从而摆脱了选择性搜索算法，也只需要一次卷积层操作，从而大大提高了识别速度 。这个算法十分复杂，我们会详细分析。它的基本结构如下图 主要分为四个步骤： 使用VGG-16卷积模型的网络结构： 卷积层采用的VGG-16模型，先将PxQ的原始图片，缩放裁剪为MxN的图片，然后经过13个conv-relu层，其中会穿插4个max-pooling层。所有的卷积的kernel都是3x3的，padding为1，stride为1。pooling层kernel为2x2, padding为0，stride为2。 MxN的图片，经过卷积层后，变为了(M/16) x (N/16)的feature map了。 faster R-CNN抛弃了R-CNN中的选择性搜索（selective search）方法，使用RPN层来生成候选框，能极大的提升候选框的生成速度。RPN层先经过3x3的卷积运算，然后分为两路。一路用来判断候选框是前景还是背景，它先reshape成一维向量，然后softmax来判断是前景还是背景，然后reshape恢复为二维feature map。另一路用来确定候选框的位置，通过bounding box regression实现，后面再详细讲。两路计算结束后，挑选出前景候选框（因为物体在前景中），并利用计算得到的候选框位置，得到我们感兴趣的特征子图proposal。 卷积层提取原始图像信息，得到了256个feature map，经过RPN层的3x3卷积后，仍然为256个feature map。但是每个点融合了周围3x3的空间信息。对每个feature map上的一个点，生成k个anchor（k默认为9）。anchor分为前景和背景两类（我们先不去管它具体是飞机还是汽车，只用区分它是前景还是背景即可）。anchor有[x,y,w,h]四个坐标偏移量，x,y表示中心点坐标，w和h表示宽度和高度。这样，对于feature map上的每个点，就得到了k个大小形状各不相同的选区region。 对于生成的anchors，我们首先要判断它是前景还是背景。由于感兴趣的物体位于前景中，故经过这一步之后，我们就可以舍弃背景anchors了。大部分的anchors都是属于背景，故这一步可以筛选掉很多无用的anchor，从而减少全连接层的计算量。 对于经过了3x3的卷积后得到的256个feature map，先经过1x1的卷积，变换为18个feature map。然后reshape为一维向量，经过softmax判断是前景还是背景。此处reshape的唯一作用就是让数据可以进行softmax计算。然后输出识别得到的前景anchors。 另一路用来确定候选框的位置，也就是anchors的[x,y,w,h]坐标值。如下图所示，红色代表我们当前的选区，绿色代表真实的选区。虽然我们当前的选取能够大概框选出飞机，但离绿色的真实位置和形状还是有很大差别，故需要对生成的anchors进行调整。这个过程我们称为bounding box regression。 假设红色框的坐标为[x,y,w,h], 绿色框，也就是目标框的坐标为[Gx, Gy,Gw,Gh], 我们要建立一个变换，使得[x,y,w,h]能够变为[Gx, Gy,Gw,Gh]。最简单的思路是，先做平移，使得中心点接近，然后进行缩放，使得w和h接近。如下：我们要学习的就是dx dy dw dh这四个变换。由于是线性变换，我们可以用线性回归来建模。设定loss和优化方法后，就可以利用深度学习进行训练，并得到模型了。对于空间位置loss，我们一般采用均方差算法，而不是交叉熵（交叉熵使用在分类预测中）。优化方法可以采用自适应梯度下降算法Adam。 得到了前景anchors，并确定了他们的位置和形状后，我们就可以输出前景的特征子图proposal了。步骤如下： 1，得到前景anchors和他们的[x y w h]坐标。 2，按照anchors为前景的不同概率，从大到小排序，选取前pre_nms_topN个anchors，比如前6000个 3，剔除非常小的anchors。 4，通过NMS非极大值抑制，从anchors中找出置信度较高的。这个主要是为了解决选取交叠问题。首先计算每一个选区面积，然后根据他们在softmax中的score（也就是是否为前景的概率）进行排序，将score最大的选区放入队列中。接下来，计算其余选区与当前最大score选区的IOU（IOU为两box交集面积除以两box并集面积，它衡量了两个box之间重叠程度）。去除IOU大于设定阈值的选区。这样就解决了选区重叠问题。 5，选取前post_nms_topN个结果作为最终选区proposal进行输出，比如300个。 经过这一步之后，物体定位应该就基本结束了，剩下的就是物体识别了。 和fast R-CNN中类似，这一层主要解决之前得到的proposal大小形状各不相同，导致没法做全连接。全连接计算只能对确定的shape进行运算，故必须使proposal大小形状变为相同。通过裁剪和缩放的手段，可以解决这个问题，但会带来信息丢失和图片形变问题。我们使用ROI pooling可以有效的解决这个问题。 ROI pooling中，如果目标输出为MxN，则在水平和竖直方向上，将输入proposal划分为MxN份，每一份取最大值，从而得到MxN的输出特征图。 ROI Pooling层后的特征图，通过全连接层与softmax，就可以计算属于哪个具体类别，比如人，狗，飞机，并可以得到cls_prob概率向量。同时再次利用bounding box regression精细调整proposal位置，得到bbox_pred，用于回归更加精确的目标检测框。 这样就完成了faster R-CNN的整个过程了。算法还是相当复杂的，对于每个细节需要反复理解。faster R-CNN使用resNet101模型作为卷积层，在voc2012数据集上可以达到的准确率，超过yolo ssd和yoloV2。其最大的问题是速度偏慢，每秒只能处理5帧，达不到实时性要求。 针对于two-stage目标检测算法普遍存在的运算速度慢的缺点， yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。 yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式， yolo可实现45帧每秒的运算速度，完全能满足实时性要求 （达到24帧每秒，人眼就认为是连续的）。它的网络结构如下图： 主要分为三个部分：卷积层，目标检测层，NMS筛选层。 采用Google inceptionV1网络，对应到上图中的第一个阶段，共20层。这一层主要是进行特征提取，从而提高模型泛化能力。但作者对inceptionV1进行了改造，他没有使用inception module结构，而是用一个1x1的卷积，并联一个3x3的卷积来替代。（可以认为只使用了inception module中的一个分支，应该是为了简化网络结构） 先经过4个卷积层和2个全连接层，最后生成7x7x30的输出。先经过4个卷积层的目的是为了提高模型泛化能力。yolo将一副448x448的原图分割成了7x7个网格，每个网格要预测两个bounding box的坐标(x,y,w,h)和box内包含物体的置信度confidence，以及物体属于20类别中每一类的概率（yolo的训练数据为voc2012，它是一个20分类的数据集）。所以一个网格对应的参数为（4x2+2+20) = 30。如下图 其中前一项表示有无人工标记的物体落入了网格内，如果有则为1，否则为0。第二项代表bounding box和真实标记的box之间的重合度。它等于两个box面积交集，除以面积并集。值越大则box越接近真实位置。 分类信息： yolo的目标训练集为voc2012，它是一个20分类的目标检测数据集 。常用目标检测数据集如下表： | Name | # Images (trainval) | # Classes | Last updated | | --------------- | ------------------- | --------- | ------------ | | ImageNet | 450k | 200 | 2015 | | COCO | 120K | 90 | 2014 | | Pascal VOC | 12k | 20 | 2012 | | Oxford-IIIT Pet | 7K | 37 | 2012 | | KITTI Vision | 7K | 3 | | 每个网格还需要预测它属于20分类中每一个类别的概率。分类信息是针对每个网格的，而不是bounding box。故只需要20个，而不是40个。而confidence则是针对bounding box的，它只表示box内是否有物体，而不需要预测物体是20分类中的哪一个，故只需要2个参数。虽然分类信息和confidence都是概率，但表达含义完全不同。 筛选层是为了在多个结果中（多个bounding box）筛选出最合适的几个，这个方法和faster R-CNN 中基本相同。都是先过滤掉score低于阈值的box，对剩下的box进行NMS非极大值抑制，去除掉重叠度比较高的box（NMS具体算法可以回顾上面faster R-CNN小节）。这样就得到了最终的最合适的几个box和他们的类别。 yolo的损失函数包含三部分，位置误差，confidence误差，分类误差。具体公式如下： 误差均采用了均方差算法，其实我认为，位置误差应该采用均方差算法，而分类误差应该采用交叉熵。由于物体位置只有4个参数，而类别有20个参数，他们的累加和不同。如果赋予相同的权重，显然不合理。故yolo中位置误差权重为5，类别误差权重为1。由于我们不是特别关心不包含物体的bounding box，故赋予不包含物体的box的置信度confidence误差的权重为，包含物体的权重则为1。 Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。而yolo则相反，速度快，但准确率和漏检率不尽人意。SSD综合了他们的优缺点，对输入300x300的图像，在voc2007数据集上test，能够达到58 帧每秒( Titan X 的 GPU )，的mAP。 SSD网络结构如下图： 和yolo一样，也分为三部分：卷积层，目标检测层和NMS筛选层 SSD论文采用了VGG16的基础网络，其实这也是几乎所有目标检测神经网络的惯用方法。先用一个CNN网络来提取特征，然后再进行后续的目标定位和目标分类识别。 这一层由5个卷积层和一个平均池化层组成。去掉了最后的全连接层。SSD认为目标检测中的物体，只与周围信息相关，它的感受野不是全局的，故没必要也不应该做全连接。SSD的特点如下。 每一个卷积层，都会输出不同大小感受野的feature map。在这些不同尺度的feature map上，进行目标位置和类别的训练和预测，从而达到 多尺度检测 的目的，可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo中，只在最后一个卷积层上做目标位置和类别的训练和预测。这是SSD相对于yolo能提高准确率的一个关键所在。 如上所示，在每个卷积层上都会进行目标检测和分类，最后由NMS进行筛选，输出最终的结果。多尺度feature map上做目标检测，就相当于多了很多宽高比例的bounding box，可以大大提高泛化能力。 和faster R-CNN相似，SSD也提出了anchor的概念。卷积输出的feature map，每个点对应为原图的一个区域的中心点。以这个点为中心，构造出6个宽高比例不同，大小不同的anchor（SSD中称为default box）。每个anchor对应4个位置参数(x,y,w,h)和21个类别概率（voc训练集为20分类问题，在加上anchor是否为背景，共21分类）。如下图所示： 另外，在训练阶段，SSD将正负样本比例定位1：3。训练集给定了输入图像以及每个物体的真实区域（ground true box），将default box和真实box最接近的选为正样本。然后在剩下的default box中选择任意一个与真实box IOU大于的，作为正样本。而其他的则作为负样本。由于绝大部分的box为负样本，会导致正负失衡，故根据每个box类别概率排序，使正负比例保持在1：3。SSD认为这个策略提高了4%的准确率 另外，SSD采用了数据增强。生成与目标物体真实box间IOU为 的patch，随机选取这些patch参与训练，并对他们进行随机水平翻转等操作。SSD认为这个策略提高了的准确率。 和yolo的筛选层基本一致，同样先过滤掉类别概率低于阈值的default box，再采用NMS非极大值抑制，筛掉重叠度较高的。只不过SSD综合了各个不同feature map上的目标检测输出的default box。 SSD基本已经可以满足我们手机端上实时物体检测需求了，TensorFlow在Android上的目标检测官方模型，就是通过SSD算法实现的。它的基础卷积网络采用的是mobileNet，适合在终端上部署和运行。 针对yolo准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了yoloV2。它主要还是采用了yolo的网络结构，在其基础上做了一些优化和改进，如下 网络采用DarkNet-19：19层，里面包含了大量3x3卷积，同时借鉴inceptionV1，加入1x1卷积核全局平均池化层。结构如下 yolo和yoloV2只能识别20类物体，为了优化这个问题，提出了yolo9000，可以识别9000类物体。它在yoloV2基础上，进行了imageNet和coco的联合训练。这种方式充分利用imageNet可以识别1000类物体和coco可以进行目标位置检测的优点。当使用imageNet训练时，只更新物体分类相关的参数。而使用coco时，则更新全部所有参数。 YOLOv3可以说出来直接吊打一切图像检测算法。比同期的DSSD(反卷积SSD), FPN（feature pyramid networks）准确率更高或相仿，速度是其1/3.。 YOLOv3的改动主要有如下几点：不过如果要求更精准的预测边框，采用COCO AP做评估标准的话，YOLO3在精确率上的表现就弱了一些。如下图所示。 当前目标检测模型算法也是层出不穷。在two-stage领域， 2017年Facebook提出了mask R-CNN 。CMU也提出了A-Fast-RCNN 算法，将对抗学习引入到目标检测领域。Face++也提出了Light-Head R-CNN，主要探讨了 R-CNN 如何在物体检测中平衡精确度和速度。 one-stage领域也是百花齐放，2017年首尔大学提出 R-SSD 算法，主要解决小尺寸物体检测效果差的问题。清华大学提出了 RON 算法，结合 two stage 名的方法和 one stage 方法的优势，更加关注多尺度对象定位和负空间样本挖掘问题。 目标检测领域的深度学习算法，需要进行目标定位和物体识别，算法相对来说还是很复杂的。当前各种新算法也是层不出穷，但模型之间有很强的延续性，大部分模型算法都是借鉴了前人的思想，站在巨人的肩膀上。我们需要知道经典模型的特点，这些tricks是为了解决什么问题，以及为什么解决了这些问题。这样才能举一反三，万变不离其宗。综合下来，目标检测领域主要的难点如下： 一文读懂目标检测AI算法：R-CNN，faster R-CNN，yolo，SSD，yoloV2 从YOLOv1到v3的进化之路 SSD-Tensorflow超详细解析【一】：加载模型对图片进行测试 YOLO C#项目参考： 项目实践贴个图。
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（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}= 。
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，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；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）。
在这篇文章中，我们将使用来自 AWS 上的 COCO 数据集（可定制）的图像设置和运行 YOLO。
一般来说，分类技术在自动驾驶 汽车 中没有多大帮助，因为它只预测图像中的一个对象，并且不给出该图像的位置。 而目标检测在自动驾驶 汽车 中非常重要，可以检测场景中的对象及其位置。 YOLO（你只看一次）是由 Joseph Redmon 等人创建的一种高速实时对象检测算法。 YOLO使用卷积神经网络 (CNN)解决概率的回归问题。 后来又进行了一些修改。 为了进行预测，YOLO 只需要通过 CNN 进行一次前向传播。 它输出具有相应边界框的对象。 它广泛用于自动驾驶 汽车 以检测场景中的物体。
第 1 步：设置帐户（这步可以跳过）
登录网站并复制以下内容：
来自 的 API 密钥 中的团队名称。 默认团队名称将是用户 ID。
第 2 步：创建 AWS 实例（如果你在本机训练这步也可以跳过）
在创建实例时，选择“Deep Learning AMI (Ubuntu ) Version — ami-01f1096e6659d38fa”AMI，因为它具有深度学习任务所需的库。 如果我们在“选择AWS机器映像 (AMI)”步骤中搜索“deep learning”，我们可以找到这。为“实例类型”选择 P3 实例。 实例类型 （V100） 就足够了。为了节省成本，请在“配置实例”步骤下选择 Spot 实例。
第 3 步：安装依赖项
登录 AWS 实例后，使用以下命令创建 conda 环境并设置 Weights & Bias 环境变量：
第 4 步：训练、验证和测试
第 5 步：检查指标
验证集真实标签
验证集预测标签
训练的损失
测试
以上所有结果都会保存在文件夹yolov5runsdetectexp下
数字图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。这里学术堂为大家整理了一些数字图像处理毕业论文题目，希望对你有用。1、基于模糊分析的图像处理方法及其在无损检测中的应用研究2、数字图像处理与识别系统的开发3、关于数字图像处理在运动目标检测和医学检验中若干应用的研究4、基于ARM和DSP的嵌入式实时图像处理系统设计与研究5、基于图像处理技术的齿轮参数测量研究6、图像处理技术在玻璃缺陷检测中的应用研究7、图像处理技术在机械零件检测系统中的应用8、基于MATLAB的X光图像处理方法9、基于图像处理技术的自动报靶系统研究10、多小波变换及其在数字图像处理中的应用11、基于图像处理的检测系统的研究与设计12、基于DSP的图像处理系统的设计13、医学超声图像处理研究14、基于DSP的视频图像处理系统设计15、基于FPGA的图像处理算法的研究与硬件设计
随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。我整理了图像识别技术论文，欢迎阅读!
图像识别技术研究综述
摘要：随着图像处理技术的迅速发展，图像识别技术的应用领域越来越广泛。图像识别是利用计算机对图像进行处理、分析和理解，由于图像在成像时受到外部环境的影响，使得图像具有特殊性，复杂性。基于图像处理技术进一步探讨图像识别技术及其应用前景。
关键词：图像处理;图像识别;成像
中图分类号：TP391 文献标识码：A 文章编号：1009-3044(2013)10-2446-02
图像是客观景物在人脑中形成的影像，是人类最重要的信息源，它是通过各种观测系统从客观世界中获得，具有直观性和易理解性。随着计算机技术、多媒体技术、人工智能技术的迅速发展，图像处理技术的应用也越来越广泛，并在科学研究、教育管理、医疗卫生、军事等领域已取得的一定的成绩。图像处理正显著地改变着人们的生活方式和生产手段，比如人们可以借助于图像处理技术欣赏月球的景色、交通管理中的车牌照识别系统、机器人领域中的计算机视觉等，在这些应用中，都离不开图像处理和识别技术。图像处理是指用计算机对图像进行处理，着重强调图像与图像之间进行的交换，主要目标是对图像进行加工以改善图像的视觉效果并为后期的图像识别大基础[1]。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。但是由于获取的图像本事具有复杂性和特殊性，使得图像处理和识别技术成为研究热点。
1 图像处理技术
图像处理(image processing)利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像图像处理，而图像处理一般指数字图像处理。这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
1)图像采集，图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像机、扫描仪、数码相机等设备经过采样数字化得到的图像，也包括一些动态图像，并可以将其转为数字图像，和文字、图形、声音一起存储在计算机内，显示在计算机的屏幕上。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
2)图像增强，图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化，数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分，使图像的主体结构更加明确，必须对图像进行改善，即图像增强。通过图像增强，以减少图像中的图像的噪声，改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量，使图像中的物体的轮廓更加清晰，细节更加明显。图像增强不考虑图像降质的原因，增强后的图像更加赏欣悦目，为后期的图像分析和图像理解奠定基础。
3)图像复原，图像复原也称图像恢复，由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊，为了提取比较清晰的图像需要对图像进行恢复，图像恢复主要采用滤波方法，从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建，该技术是从物体横剖面的一组投影数据建立图像。
4)图像编码与压缩，数字图像的显著特点是数据量庞大，需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频，那么必须对图像进行编码和压缩。目前，图像压缩编码已形成国际标准，如比较著名的静态图像压缩标准JPEG，该标准主要针对图像的分辨率、彩色图像和灰度图像，适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列，因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
5)图像分割技术，图像分割是把图像分成一些互不重叠而又具有各自特征的子区域，每一区域是像素的一个连续集，这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位，然后把目标从背景中分离出来。目前，图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法[2]。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰，使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
2 图像识别技术
图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别[3]。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。目前，图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。主要识别技术有：
指纹识别
指纹识别是生物识别技术中一种最实用、最可靠和价格便宜的识别手段，主要应用于身份验证。指纹识别是生物特征的一个部分，它具有不变性：一个人的指纹是终身不变的;唯一性：几乎没有两个完全相同的指纹[3]。一个指纹识别系统主要由指纹取像、预处理与特征提取、比对、数据库管理组成。目前，指纹识别技术与我们的现实生活紧密相关，如信用卡、医疗卡、考勤卡、储蓄卡、驾驶证、准考证等。
人脸识别 目前大多数人脸识别系统使用可见光或红外图像进行人脸识别，可见光图像识别性能很容易受到光照变化的影响。在户外光照条件不均匀的情况下，其正确识别率会大大降低。而红外图像进行人脸识别时可以克服昏暗光照条件变化影响，但由于红外线不能穿透玻璃，如果待识别的对象戴有眼镜，那么在图像识别时，眼部信息全部丢失，将严重影响人脸识别的性能[4]。
文字识别
文字识别是将模式识别、文字处理、人工智能集与一体的新技术，可以自动地把文字和其他信息分离出来，通过智能识别后输入计算机，用于代替人工的输入。文字识别技术可以将纸质的文档转换为电子文档，如银行票据、文稿、各类公式和符号等自动录入，可以提供文字的处理效率，有助于查询、修改、保存和传播。文字识别方法主要有结构统计模式识别、结构模式识别和人工神经网络[5]。由于文字的数量庞大、结构复杂、字体字形变化多样，使得文字识别技术的研究遇到一定的阻碍。
3 结束语
人类在识别现实世界中的各种事物或复杂的环境是一件轻而易举的事，但对于计算机来讲进行复杂的图像识别是非常困难的[6]。在环境较为简单的情况下，图像识别技术取得了一定的成功，但在复杂的环境下，仍面临着许多问题：如在图像识别过程中的图像分割算法之间的性能优越性比较没有特定的标准，以及算法本身存在一定的局限性，这使得图像识别的最终结果不十分精确等。
参考文献：
[1] 胡爱明，周孝宽.车牌图像的快速匹配识别方法[J].计算机工程与应用，2003，39(7)：90—91.
[2] 胡学龙.数字图像处理[M].北京：电子工业出版社，2011.
[3] 范立南，韩晓微，张广渊.图像处理与模式识别[M].北京：科学出版社，2007.
[4] 晓慧，刘志镜.基于脸部和步态特征融合的身份识别[J].计算机应用，2009，1(29)：8.
[5] 陈良育，曾振柄，张问银.基于图形理解的汉子构型自动分析系统[J].计算机应用，2005，25(7)：1629-1631.
[6] Sanderson C，Paliwal K Fusion and Person Verification Using Speech & Face Information[C].IDIAP-RR 02-33，Martigny，Swizerland，2002.
点击下页还有更多>>>图像识别技术论文
数字图像处理方面了解的了。
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（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}= 。
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，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；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）。
谈公路工程软基处理中PHC桩检测工作
论文关键词：公路工程软基处理PHC桩试验检测
论文摘 要 ：PHC桩应用于公路工程软基处理，已有多个年头，从应用到公路工程建设领域后，对于质量检测工作一直为人们所关注、重视。由于试验检测工作的准确性直接决定了软基处理质量，因此，必须确保试验数据和检测工作的质量。为了达到这一目的，必须对检测工作的各项要求进行了解掌握，下面，本人将结合自身检测工作经验，和大家一起来探讨一下关于PHC桩的各个检测事宜。 PHC桩（预应力砼管桩）在当今公路工程施工建设中，作为主要的软基处理方式之一，并不少见。对于其施工技术的和控制，目前已趋成熟，部、建设部近年来不断对PHC桩相关规范进行更新、修订，使其生产和施工得到了较好控制。然而，对于一名刚刚涉及试验检测工作的技术人员来说，如何对PHC桩进行进场检测，及如何在施打完成后对其进行事后检测，都是初次接触检测工作时必须面对的一个个问题。为了让更多初入行者能更快、更全面掌握PHC桩相关检测事宜，本人结合自身多年试验检测工作经验，从实践和便于监控检测的角度出发，对PHC桩的检测要求和相关检测事宜作一些和归纳。 一、进场质量主要检测要求 管桩无论是委托预制或是直接购买，都要把好原质量关，对于委托的单位或是购买的预制场家均应具备高强预应力管桩加工生产的施工资质，确定厂家前应会同监理、业主等前往实地认真考察，并了解该厂以前生产的产品使用效果，确保是正规的、合格的生产厂家。如果直接购买已有的产品，则在生产场地对产品进行认真论证，反复推敲?，各种证件、手续一应俱全，成品桩的外观应无蜂窝、露筋、裂缝、色感均匀、桩顶处无裂隙，桩径、管壁厚度、桩尖中心线、顶面平整度、桩体弯曲等规范有强制性要求的，必须符合有关要求，管桩起吊中应免受振动、冲撞，确保运至现场的产品是合格的产品。 管桩运到工地后，应对进入工地的所有管桩的规格、型号、尺寸、外观质量、尺寸偏差、管桩堆放及桩身破损情况等进行全面检查，不符合要求的桩禁止使用。应由有资质的检测单位对进入施工场地的管桩进行随机见证抽样检测，检测应符合下列规定： （一）沉桩前，每个厂家生产的每一种桩型随机抽取一节管桩桩节进行破坏性检测，检测项目为预应力钢筋的搞拉强度、钢筋数量、钢筋直径（可检查每延米重量）、钢筋布置、端板材质及厚度、尺寸偏差、外观质量、钢筋保护层厚度等。当抽检结果出现不符合质量要求时，应加倍检测，若再发现不合格的桩节，该批管桩不准使用并必须撤离现场。未经抽检不得施工工程桩。 （二）沉桩过程中每栋物应随机抽查已截下的桩头，进行钢筋数量、钢筋直径、预应力钢筋抗拉强度、钢筋布置、端板尺寸及钢筋保护层厚度的检测，检测数量每单体工程不应小于总管桩数的1%，且不得少于3根。 （三）应对闭口桩尖的钢板厚度、桩尖尺寸、焊缝质量等进行检测，检测数量每栋建筑物不应少于总桩数的1%，且不应少于2个桩尖。 工程桩施工前应按有关规定进行单桩竖向抗压静载荷试验，并应压至破坏。当拟采用高应变法进行单桩竖向抗压承载力的验收检测时，应先对试桩进行高应变检测，再进行单桩竖向静载荷试验并压至破坏，取得可靠的动静对比资料后，方可在验收检测中实施高应变法。对比试验数量不应少于3根，当预估总桩数少于50根时，不应少于2根。 二、单桩静载试验检测要求 当岩土工程条件简单且以压桩力控制桩长或岩石土工程条件简单且有类似经验时，可用工程桩进行单桩竖向抗压静载荷试验，但应按有关规定增加一倍的检测数量，检测应符合下列规定： （一）单栋建筑物每一条件下的桩的试验数量不应少于6根（总桩数少于50根时，不少于4根），其中有3根（总桩数少于50根时为2根）应在大量工程桩施工前进行试验。 （二）岩土工程条件相同的同一场地多栋物，当工程桩条件相同时，每栋建筑物的试验数量不应少于2根，且每一施工单位所施工桩的检测数量不应少于6根。其中每栋建筑物有1根，每个施工单位有3根桩应在大量工程桩施工前进行试验。高层建筑及试验结果离散性较大时，应由设计单位酌情增加试验数量。 （三）除去施工前进行的试验外，余下的试验宜在工程桩施工完成并按桩顶设计标高截桩后随机抽检试验；当基坑开挖较深、坑内试验困难时，也可由设计单位指定桩位，在工程桩施工过程中进行试验。 （四）单栋建筑物某一条件下的桩总数少于30根，且为裙楼、附楼下的次要桩时，至少应进行一根桩的静载荷试验。 （五）当按上述要求进行试验后，在施工正常的情况下，工程桩可不再进行单桩承载力的验收。 （六）不应采用高应变法部分或全部取代上述单桩竖向抗压静载荷试验的检测。所有工程桩应逐根对桩孔内壁进行灯光照射目测或孔内摄影检查，观察孔内是否进土、渗水，有无明显破损、错位、挠曲现象，并作出详细记录，注明发现缺陷的位置以及进土、进水的深度。 三、桩位、垂直度、水平位移的主要检测要求 （一）工程桩的`桩顶标高应进行检验，其偏差不应超过+20mm、-50mm。 （二）开挖基坑中应对工程桩的外露桩头或在桩孔内进行桩身垂直度检测，抽检数量不应少于总桩数的5%，在基坑开挖中如发现土体位移或运行影响桩身垂直度时，应加大检测数量。对倾斜率大于3%的桩不应使用：对倾斜率为1%~2%（含2%）及2%~3%的桩宜分别进行各不少于2根的单桩竖向抗压静载荷试验，并将试验得出的单桩抗压承载力乘以折减系数，作为该批桩的使用依据。载荷试验最大加载最量应为设计要求的单桩极限承载力，试验中可同时进行桩顶水平位移的测量。 四、桩身完整性检测主要要求 工程桩应进行桩身完整性的验收检测。采用低应变法检测时，甲级设计等级的桩基，抽栓数量不应小于总桩数的30%，且不应少于20根。其他桩基抽检数量不应少于总桩数的20%，且不应少于10根。 每个承台下抽检的桩数不应少于1根，且单桩、两桩承台下的桩应全数检测。抗拔桩、以桩身强度控制设计的抗压桩、超过25层的高层建筑基桩及倾斜度大于1%的桩应全数检测。当采用低应变法检测桩身完整性时，应符合以下规定： （一）出现裂缝和缺陷的永久结构的抗拔桩或以承受水平力为主的桩应意在为III类或IV类桩。 （二）桩身的混凝土受损及桩身出现斜裂缝或垂直裂缝的受压桩应判为III类或IV类桩。 （三）桩身出现轻微缺陷的受压桩宜先判为III类桩，最终判定桩的类别时，应挖开浅部的缺陷进行检查核对，结合低应变波形判别评价。挖开检查时，当裂缝长度小于桩截面周长的1/3且为水平裂缝时，可将相似波形的桩改判为II类桩。 五、结束语 总之，作为一名合格的试验检测技术人员，除了要对各种试验检测规程、检测规范的要求做到了如指掌之外，更重要的，要注得自身工作经验和专业技术的提高，因为当一组不合格的数据由于个人经验不足出现误判时，给工程带来的，往往是质量事故的发生。因此，作为质量评判的主要角色，我们必须严阵以待，谨小慎微，认真做好专业经验的培养和检测技能的提高，只有这样，才能为工程建设质量保驾护航。 参考文献： 1.建筑地基与基础施工质量验收规范GB50202-2002[S] 2.卢春华.静压高强度预应力混凝土管桩施工技术[J].科技情报,2005
请继续阅读相关推荐： 毕业论文 应届生求职
毕业论文范文查看下载 查看的论文开题报告 查阅参考论文提纲
查 阅更多的毕业论文致谢 相关毕业论文格式 查阅更多论文答辩
在建筑工程中，精确的工程测量对于工程建设来讲是不可忽视的部分，而受到内外因素的作用，工程测量会出现精度不足，这会制约工程测量的发展，并直接对工程建设造成影响。下面是我带来的关于工程测量 毕业 论文的内容，欢迎阅读参考!
试谈建筑工程测量常见错误
摘要:本文根据工程测量技术特点，针对建筑工程测量的任务及作用，对建筑工程测量工作过程中比较常见的错误及对测量过程中，避免出现错误的有效 措施 进行了分析。
关键词:工程测量测量技术;原因;措施
1工程测量技术特点
工程测量是一个过程操作，是施工质量的根本所在。在整个施工阶段，工程测量起到了非常重要的作用。众所周知，测量放线为工程施工开辟了道路，提供了方向。准确、周密的测量工作不但关系到一个工程是否能顺利按图施工，而且还给施工质量提供重要的技术保证，为质量检查等工作提供 方法 和手段。
2建筑工程测量的任务及作用
要明确建筑工程测量的任务
建筑工程测量是测量学的一个重要组成，它研究建筑工程在勘测、设计、施工和管理各阶段进行的各项测量科学、工作理论和方法的科学。其主要任务为把工程建筑地区各种地面物体的位置和形状，以及地面的起伏状态，用各种图例符号，依照一定的比例尺绘制成地形图，或者用数字表示出来，为工程建筑的规划设计提供必要的图纸和资料。反过来，也可以根据施工的需要把图纸上已设计好的建(构)筑物的平面位置和工程的设计要求，以一定的要求在现场标定出来，作为施工依据，并在工程施工过程中进行一系列的测量工作，以衔接和指导各工序间的施工.同时在施工过程中对建(构)筑物进行变形观测，为设计、施工提供重要的科学依据。
要认识测量工作的作用
建筑工程测量它服务于建筑工程建设的每一个阶段，贯穿于建筑工程的始终。从场地平整、建筑物定位、基础施工，到建筑物构件的安装等，都需要进行施工测量，才能使建筑物、构筑物备部分的尺寸、位置符合设计要求。
3建筑工程测量工作过程中比较常见的错误
轴线定位错误
在测量工作过程，轴线定位的错误会给工程造成严重的影响，会使整体建筑物的定位产生错误，导致规划布局以及前期的设计工作全部否定，造成极大的经济损失和社会影响。
特征点定位错误
造成错误的因素较多，因建筑物特征点测量定位的过程比较繁琐，出现各种各样的错误在施工中很常见，如在基础开挖之前发现问题，通常都可以补救，如在基础开挖后发现问题，则处理和补救比较困难。总之，无论怎样，造成的经济损失将较大。
造成测量放样错误的原因
造成测量错误的原因很多，主要可分为要几种:
(1)用地红线、建筑红线与设计图纸的相关位置错误。有的工程项目，为了赶施工进度，建筑施工单位在施工图纸还没有进行审核的情况下就开始进行施工，这样往往会出现建筑物放样整体移位的错误。因为设计资料的错误，从而导致测量放样的错误。
(2)坐标转换产生的错误。征地红线通常采用的是1954年北京坐标系或地方独立坐标系，而施工设计图通常采用的是施工坐标系，所以在建筑物放样前，必须对相关坐标进行转换计算，转换计算过程中，很容易出现错误。因为坐标计算错误，从而导致测量放样的错误。
(3)因设计总平面图与建筑施工图不一致而产生的错误。建筑物放样时，测量人员根据设计总平图放样轴线点，而施工图有时会出现和设计总平图不一致的情况。放样过程中，经常出现这类错误，所以这点要引起我们的高度重视。
(4)现场放样时，计算错误及距离丈量错误。因为建筑基础施工受天气、场地及其他因素的影响，可能会要求实时测量定位，由于时间紧，任务重，往往会出现计算错误，距离丈量错误等。(5)因测量仪器等设备故障而产生的错误。测量仪器出现故障，计算器的功能设置不当或损坏，在测量计算前没有校核都可能造成错误。
4测量过程中，避免出现错误的有效措施
明确建筑物定位测量的内容
建筑物的定位是根据设计所给定的条件，把建筑物四周外廓主轴线交点(称角桩)，测设到地面上，作为测设建筑物桩位轴线的依据，通常被称为建筑物定位测量。
熟悉设计资料
在测量放样之前，首先要熟悉设计资料，对设计资料的注记及相关距离等进行校核，包括用地红线、建筑红线、建筑物相对关系的校核;相邻建筑物相对关系的校核;建筑物本身尺寸标注的校核等。
编制桩位测量放线图及 说明书
在熟悉资料的基础上，为便于桩基础施工测量，在作业前需编制桩位测量放线图和说明书。(1)确定定位轴线。为便于施测放线，对平面成矩形，外形整齐的建筑物通常以外廓墙体中心线作为建筑物定位主轴线，对平面成弧行，外形不规则的复杂建筑物则是以十字轴线和圆心轴线作为定位主轴线。用桩位轴线作为承台桩的定位轴线。(2)根据桩位平面图所标定的尺寸，建立和建筑物定位主轴线相互平行的施工坐标系统，通常应以建筑物定位矩形控制网西南角的控制点当做坐标系的起算点，其坐标要假设成整数。(3)为避免桩位点测设时的混乱，要根据桩位平面布置图对所有桩点进行统一编号，桩点编号应由建筑物的西南角开始，从下而上，从左到右的顺序编号。
建筑物的定位
根据设计所给定的定位条件不同，建筑物的定位主要可以分为以下几种不同形式:(1)根据原建筑物定位;(2)根据建筑物施工方格网定位;(3)根据城市建设规划红线定位;(4)根据道路中心线(或路沿)定位;(5)根据三角点或导线点定位。
建筑物定位矩形网测量
对建筑物定位矩形网测量，根据复杂程度、工程大小不同，一般采用下列方法:(1)定位桩法。若需要测设A、B、C、D建筑物时，需要根据设计所给定的条件，先测设出A1和B1两点，再根据A1、B1测设出C1、D1两点，然后，以A1、B1、C1、D1定位矩形网为基础测设出ABCD建筑物所有的桩位轴线。这种方法适用于一股民用建筑以及精度要求不高的中小型厂房的定位测量。(2)主轴线法。大型厂房或复杂的建筑物，由于对定位精度要求高，采用定位桩法很难保证建筑物定位要求。因为主轴线法测设要求严格，精度高，误差分配均匀，但是工作量大，一般适用于大型工业厂房或复杂建筑物的定位测量。
建筑物桩位轴线及承台桩位测设
(1)桩位轴线测设的质量控制。建筑物桩位轴线测设是在建筑物定位矩形网测设完成后再进行的，以建筑物定位矩形网为基础，采取内分法，用经纬仪定线精密量距法进行桩位轴线引桩的测设。针对复杂建筑物圆心点的测设通常采用极坐标法测设。在桩位轴线测设完成后，要及时对桩位轴线间长度以及桩位轴线的长度进行检测，要求实量距离和设计长度之差，不应超过相关规范允许的误差。在桩位轴线检测满足设计要求后方能进行承台桩位的测设。
(2)建筑物承台桩位测设的质量控制。建筑物承台桩位的测设是以桩位轴线的引桩为基础进行测设的，根据地上建筑物的需要，桩基础设计分群桩和单排桩。规范规定3～20根桩为一组的称为群桩。1～2根为一组的称为单排桩。群桩的平面几何图形分为正方形、长方形、三角形、圆形、多边形和椭圆形等。测设时，可根据设计所给定的承台桩位与轴线的相互关系，选用直角坐标法、线交会法、极坐标法等进行测设。对于复杂建筑物承台桩位的测设，往往设计所提供的数据不能直接利用，而是需要经过换算后才能进行测设。在承台桩位测设后，应打入小木桩作为桩位标志，并撒上白灰，便于桩基础施工。在承台桩位测设后，应及时检测，包括本承台桩位间相对关系的检测，以及相邻承台桩位间相对关系的检测，检测结果均应符合相关规范的要求。
检验校正
建筑物放样前，必须对测量仪器进行检验校正，这是保证建筑物放样精度关键。
5结束语
建筑工程测量是一门实践性很强的专业技术。技能训练是提高实践技能的重要环节，在测量中必须明确测量工作的任务和作用。只有熟知各种注意事项，进行正确的指挥，才能达到事半功倍的效果，并要养成认真、负责、严格，实事求是的科学态度和工作作风，要具有吃苦耐劳的奉献精神和团结协作的集体观念。
试谈工程测量课程教学改革
摘要:随着科学技术的进步,工程测量技术快速发展、测量产品不断翻新,现有的工程测量教学模式已经无法满足企业对人才的需求。因而,相应的 教学方法 、内容需要随之革新,与之呼应。本文基于非测绘专业的工程测量课程体系现状,对当前非测绘工程专业工程测量教学中存在的诸多问题进行分析,并结合该院的教学实践,初步改革探讨了教学内容、教学方法、考核方式以及师资队伍建设等方面,提出了解决当前问题的一些切实可行的做法。力求通过各个环节的完善,提高我院工程测量课程的教学质量,改进教学效果,满足市场对人才的要求。
关键词:工程测量教学改革教学实践
工程测量课程是一门实践性很强的主干课程,其理论与实践并重,更加突出技能培养。目前,该院除了面向测绘专业开设之外, 其它 专业,如:土 木工 程、勘察技术与工程、工程管理、地质学、地球物理学、资源勘查工程、地下水科学与工程等非测绘专业都开设了这门重要的专业基础课。伴随着空间科学以及信息技术的快速进步,测绘领域也开始应用一些新的理论和方法,给传统教学内容、教学方法和考核方式带来了巨大的挑战。因此,亟需重新认识和改革《工程测量》课程教学,使教学质量不断得到提升。
1课程要求与分配内容与学时
(1)通过《工程测量学》的实验教学和理论教学,需要学生达到以下几点:①对工程测量的基本技能、基本原理的掌握;②对常用测量仪器的使用方法和基本性能的掌握;③主要掌握测量、计算、大比例尺地形图的测绘、用图及一般工程的施工放样。(2)其具体教学内容与学时分配包括:绪论(2学时);水准测量(10学时);角度测量(10学时);距离测量(2学时);测量误差的基本知识(4学时);控制测量(4学时);全站仪与全球卫星系统(6学时);地形图测绘(2学时);地形图应用(2学时);施工测量(4学时)。
2教学过程中存在的问题
教材内容陈旧
同过去相比,当前各高校使用的工程测量教材内容有了明显的改进,不过“重理论轻实践”的问题还存在,很少涉及到工程测量数据处理和项目实例等方面。再就是,虽然某些新仪器、新方法在教材中有所体现,但是教材内容远远不能满足实践所需。缺少测绘新技术和实用内容,直接影响了掌握全新现代测绘知识人才的培养。
教学内容多,课时少
从20世纪90年代以来,测绘科学获得了空前的发展,课堂上要讲授的理论知识越来越多。然而,不断探索和改革高校教学模式的同时,普遍压缩了工程测量学教学课时数[1]。在较少的教学时间内完成工程测量课程教学任务,导致很多必要的实验不能够开展。
太过单调的课程考核方式,科学性欠缺
理论与实践紧密结合是工程测量这门课最主要的特点。在理论和实践考试时,传统的考核方式通过学生平时表现、卷面成绩以及 实习 报告 等进行综合评定,但学生平时的作业、实习报告等抄袭现象普遍存在,考核太过形式化,不能很好地反映出教学效果。
学生上课积极性不够
90后的大学生们主动性较为缺乏。上课出勤率低、积极性不高、对所学知识缺乏内在追求的强烈动力。此外,工程测量这门课教学内容多、课时少这一问题又需要授课教师在有限的时间里不断补充新的授课内容。因此,如何提高学生课堂学习效率,激发学生学习热情成了一个亟需解决的问题。
3《工程测量》课程改革措施
结合专业特点确定教学内容侧重点
目前,很多专业如资源勘查、土木工程、地质工程等都开设了工程测量这门课程。因此,在进行教学内容安排时应结合专业特点,有重点、有取舍的进行工程测量基础知识的教授。比如,土木工程专业应侧重于对于角度、高程、距离及点位的施工放样测量和线路测量,以及测量新技术在土木工程测量中的应用部分的讲授;地质及资源勘查专业应以地形图测绘和应用等内容为侧重点[2],而对于内业计算的要求可以适当降低。
重视实践教学
作为一门服务于工程的应用学科,工程测量与工程施工的许多内容关系密切。所以,工程测量课程教学中重要的教学环节就是《工程测量》实习,可以让学生综合应用所学的知识。经过实习,学生对所学知识理解得更加深入和透彻,达到独立进行施工放样、高程控制、地形测绘等基本测量技术的目的,是加深理论教学、培养学生综合能力的一种重要途径。不过,测量实习教学还有很多的不足,主要包括设计的实习内容和工程建设结合的不是很好、实习课时太短、测量仪器不够先进等。因此,需要不断加大对实习设备的投入力度,使仪器使用率提高,引导学生通过课余时间加强对实习内容的训练。
另外,加强校企合作,设立一些实际的实践基体,或是让学生到生产一线去实习锻炼。学生可以通过寒暑假到企业去实习,这样就会学到施工放样、数字测图等工程测量施工中一些重要的实践内容。通过实践学习,学生才能更好地理解和掌握理论知识,从而很好地提高自身的综合能力水平。对于非测绘专业的学生来说,培养专门从事测绘任务和测绘科研人才的是其目的,而是让学生学习工程测量学的基本知识、基本理论,从而掌握各种常规测绘仪器和测量方法,因此在学校里面建立实习基地较为合适。对各专业的实验实习内容的区别进行重点考虑,对学校现有资源进行充分利用,使校内测量实习基地建立的更加合理、高效,以便实验实习的教学效果得到更好的提高[3]。
教学方法改革实践
工程测量教学的主要形式是课堂教学和课间实习相结合。在教学方法上,应重点培养学生的实际工作能力。“填鸭式”、“满堂灌”等教学模式已经不再适合工程测量教学,这就需要教师在教学过程中,针对教学内容和对象的不同,不断改进教学方法,从而提高学生的学习兴趣和启发学生思维。
理论教学方法改革实践
面对教学内容不断增加,而测量课时太少的问题,需要教学方法以及教学技巧灵活多变,从而使课堂教学质量得到提高。例如,在上课的时候,老师除了使用黑板书写外,还可以多借助现代多媒体技术进行教学。现在测量仪器品种甚多,更新迅速,而多数院校经费不足于购买一些品牌的测量仪器。遇到这样的情形,就可以通过网络或者是仪器厂家获得相关的新仪器图片以及介绍,让学生对此有所了解。此外,工程测量课程教学中,如测量仪器操作等内容的讲授比较抽象,对从未接触过仪器的学生,讲授内容一般难以理解。如果把一些理论课直接搬到实验室去上,可以使学生能够对测量仪器的基本构造和基本操作方法更好地掌握。
比如说,对水准仪的基本构造和操作进行介绍时,可以一边讲授基本知识,一边让学生以小组为单位,近距离观察仪器的构造并简单进行操作。此外,还可以将以往学生所做的实训操作时最容易犯错的一些地方播放出来进行强调,避免学生犯错。结合实际工程,对测图和放样部分组织学生去参观测量,从而激发他们的学习兴趣。而对于“仪器的检验与校正”一课,通常做法是通过教师讲解以及录像解说,让学生进行了解。但由于教师单方面讲授时间过长,导致课堂气氛沉闷,学生听课效果不佳。如果可以利用已淘汰的陈旧仪器,让学生进行实际操作,将对提高学生课堂兴趣及提高教学质量有很大帮助。
实践教学方法改革实践
作为实践性很强的专业技术基础课,工程测量必须要有丰富的实践教学,将理论联系实际,才能达到教学目的。但客观上测量实习是很辛苦的,非测量专业学生对测量实践大多不是很重视,只是应付了事,起不到很好的效果。为确保实训教学的效果,应该将测量仪器操作技能作为该门课程期末考核的重点。为了激发学生的学习兴趣,还可以将测量实习工作与大学生测绘大赛活动相结合,通过各种方法,使学生对完整的工作情境以及过程深有体会,并通过提出、分析和解决问题来实现对知识和技能的关联。同时,还可以结合实训内容,组织学生到实际工地进行实践操作,以提高解决实际问题的能力。此外,为了方便学生有更多的机会接触仪器,要把测量实验室建成开放性实验室,本校学生可凭学生证,在指定的时间内借领仪器[4]。
完善期末考核制度
科学合理的考核方法将极大地激发学生学习的主动性,使学生能够充分地融入到工程测量课程的学习中来,保证教学质量。通常工程测量的期末考核较偏重于笔试部分,但由于一般笔试考核内容大多以教材为中心,促使学生只注重对理论知识的学习,不重视实际操作能力的练习。所以,应该加大对平时表现和实践操作在考核中的比例,使学生不仅要掌握知识,还要懂得如何灵活运用所学知识,从而提高他们的动手操作能力。在具体的动手能力测试中,加入仪器构造、计算等方面的内容,将基础知识和动手能力有机结合。
师资队伍建设的改革
在教学活动中发挥主导作用的是老师,其直接影响到教学效果的好与否。当前测绘理论的不断完善,测量仪器、设备的推陈出新要求教师不得不紧跟快速发展的测绘科学技术新形势。该院大多数从事工程测量教学的青年教师多数是没有走出校门的,必要的工程实践 经验 较为缺乏。有必要定期派一定数量的教师去施工单位进修,来提高自身水平[5]。此外,要广泛开展教研、教改及学术交流等活动,发挥骨干教师及老教师的“传、帮、带”作用,促进教师教学水平的提高。
4结语
工程测量课程的教学,是着重培养学生解决实际工程问题的课程。随着测绘新技术的迅速发展,就要求任课教师深入探讨工程测量教学改革。通过对教学内容的调整、教学方法的改进、考核制度的完善、实践教学的加强等系列教学改革举措,有利于学生学习和解决实际问题能力的进一步提高,最终培养出具有实践创新能力的高素质人才。
低应变反射波法Low Strain Reflection Wave Method桩身完整性检测Inspection of pile integrity桩基础|pile foundation高层建筑 High-rise buildings(分类词汇：环境资源相关 )大型桥梁super-large bridges 深水码头Deep Water Wharf海上石油平台Offshore oil platform建筑结构building structure施工construction非线性弹性材料nonlinear elastic materials桩基工程质量问题这篇虽然是科技论文，但是我觉得他翻译成“pile foundation quality question”很不妥当，我将他修改成problems of pile foundation quality,，从汉语语法之角度考虑，这里的问题两个字是多余的，去掉更好，你自己看看吧！不确定性因素Incertitude Factors基桩Foundation Pile隐蔽性(Impercephbility)axial strain轴向应变研究热点research hotspot(也有用point的)桩身缺陷位置 positions of pile defects定性估计 qualitative estimation混凝土强度等级concrete strength gradethe signal of reflected_wave curve反射波曲线信号工程隐患Project Concealed Harzard一维波动模型one-way fluctuant model控制体(control volume),本构关系 constitutive relationFORTRAN语言编制程序program written in FORTRAN language响应时程曲线波形时程曲线response time history curvePile foundation is widely used as the main basic structure of high-rise buildings，super-large bridges，deep water wharf and Offshore oil platform. During recent years，there are many bases of pile foundation quality affecting the normal working and safety of the building structures. Pile construction has high impercephbility and whose quality presents many incertitude factors，from an angel of qualitative inspection of the foundation piles, it has important significance for ensuring the quality and safety of foundation pile projects to modify the inspection methods and improving the inspection quality and the reliability of inspection & assessment results，it is also one of the research hotspots in foundation pile field. The main functions of low strain reflection wave method is to inspect the pile integrity, such as the judgment of pile defects positions, the checkout of pile lengths, and the qualitative estimation of the concrete strength grade，the judgment of the pile quality using the signal of reflected_wave curve accurately, the elimination of the project concealed harzard，and the estimation of foundation pile quality. This paper studied on the low strain reflection wave method for measuring of pile integrity made of Kelvin nonlinear elastic materials, set up a new one-way fluctuant model to treat the problems of piles made of Kelvin nonlinear elastic materials, gave out a dynamics equation of control volume，and induced the relation between pile axial forces and axial strain using the constitutive relation of one-way nonlinear elastic materials, put forward a new calculation method for the fluctuation of one-way nonlinear elastic materials, simulated the pile-top speed response time history curve (or displacement, acceleration) numerically using program written in FORTRAN language, finally the author set up a curve database of the foundation piles existing integrity problem for the integrity inspection of foundation piles in the future.
公路工程地质信息 (一)强夯法处理液化地基的施工管理 江苏北部(如徐州、宿迁等)地区广泛分布废黄河泛滥沉积物，一般以亚砂土、亚粘土—细砂为主，埋层浅，地下水位高，天然地基承载力低，在地震作用下易产生液化现象。地基液化是引起构筑物破坏的主要形式，同时该地区又受到我省主要的地震危险带—郯庐地震带的影响，因此在该地区国道主干线京福、徐宿、连徐、宁宿徐、沂淮等高速公路建设中不可避免的遇到大面积液化地基处理问题。根据《公路工程抗震设计规范》(JTJ004—89)，对高速公路必须进行液化地基处理，这是减轻地震灾害的根本性措施。因此，如何控制和管理好处理液化地基的施工，做到既经济有效又安全可靠，对保证高速公路建成后的正常运营、减轻地震灾害具有重大现实意义。 1 液化地基的国内外研究概况 地基液化分析与处理一直是土动力学的主要研究课题之一。液化一词最早见于1920年的《动力冲填坝》用来说明卡拉弗拉斯冲填坝的毁坏。1936年Casagrande首先给出了砂土液化的判别方法——临界孔隙比法。上世纪50年代，各国学者对砂土液化进行了广泛研究，主要包括：砂土液化的机理，砂土液化的预估方法，砂土液化的地基处理等。 所谓液化是指由于孔隙水压增加及有效应力降低而引起粒状材料(砂土、粉土甚至包括砾石)由固态转变成液态的过程。影响液化的因素有：①颗粒级配，包括粘粒、粉粒含量，平均粒径d50；②透水性能；③相对密度；④结构；⑤饱和度；⑥动荷载，包括振幅、持时等。 我国《工业与民用建筑抗震设计规范》(TJ11—78)根据1971年以前8次大地震的数据，参考美国、日本的有关研究成果给出了以临界标准贯入击数为指标的砂土液化判别公式。现行规范《建筑抗震设计规范》(GBJ11—89)通过对海城、唐山地震的系统研究，结合国外大量资料，对原规范进行了修改，采用了两步评判原则，并对临界标贯击数公式进行了修改，使之更符合实际。在国标《岩土工程勘察规范》(GB50021—94)中，对此又进行了补充，给出了液化比贯入阻力临界值和液化剪切波速临界值公式，用来进行液化判别。在公路工程中，基本上沿用上术两步评判原则，采用了临界标贯击数判别方法，并根据公路工程中的研究成果，给出了临界标贯击数的计算公式。这些规范在我国工程界得到了广泛应用。 2 高等级公路可液化地基处理方案的确定。 液化地基处理恰当与否，关系到整个工程的质量、投资和进度。因此其重要性已越来越多地被人们所认识。对于高速公路这样大面积处理可液化土而言，强夯法和干振碎石桩法是首选的处理手段。当全液化地基路段较长，需处理面积大，公路沿线外缘较近范围内无村庄，无重要构造物时，强夯法是比较理想的地基处理方法。 强夯法处理地基是20世纪60年代末Menard技术公司首先创立的，该方法将80…400kN重锤从落距6—40m处自由落下，给地基以冲击和振动，从而提高地基土的强度并降低其压缩性。强夯法常用来加固碎石、砂土、粘性土、杂填土、湿隐性黄土等各类地基土。由于其具有设备简单、施工速度快、适用范围广、节约三材、经济可行、效果显著等优点，经过20多年来的应用与发展，强夯法处理地基受到各国工程界的重视，并得以迅速推广，取得了较大的经济效益和社会效益。 由于强夯处理的对象(即地基土)非常复杂，一般认为不可能建立对各类地基土均适合的具有普遍意义的理论，但对地基处理中经常遇到的几种类型土，还是有规律可循的。实践证明，用强夯法加固地基，一定要根据现场的地质条件和工程作用要求，正确选用强夯参数，一般通过试验来确定以下强夯参数： (1)有效加固深度：有效加固深度既是选择地基处理方法的重要依据，又反映了处理效果。 (2)单击夯击能：单击夯击能等于锤重×落距。 (3)最佳夯击能：从理论上讲，在最佳夯击能作用下，地基土中出现的孔隙水压力达到土的自重压力，这样的夯击能称最佳夯击能。因此可根据孔隙水压力的叠加值来确定最佳夯击能。在砂性土中，孔隙水压力增长及消散过程仅为几分钟，因此孔隙水压力不能随夯击能增加而叠加，可根据最大孔隙水压力增量与夯击次数关系来确定最佳夯击能。 夯点的夯击次数，可按现场试夯得到的夯击次数和夯沉量关系曲线确定，应同时满足下列条件：(①夯坑周围地面不应发生过大隆起；②不因夯坑过深而发生起锤困难；③每击夯沉量不能过小，过小无加固作用。夯击次数也可参照夯坑周围土体隆起的情况予以确定，就是当夯坑的竖向压缩量最大，而周围土体的隆起最小时的夯击数。对于饱和细粒土，击数可根据孔隙水压力的增长和消散来决定，当被加固的土层将发生液化时的击数即为该遍击数，以后各遍击数也可按此确定。 (4)夯击遍数：夯击遍数应根据地基土的性质确定，地基土渗透系数低，含水量高，需分3—4遍夯击，反之可分两遍夯击，最后再以低能量“搭夯”一遍，其目的是将松动的表层土夯实。 (5)间歇时间：所谓间歇时间，是指相邻夯击两遍之间的时间间隔。Menard指出，一旦孔隙水压力消散，即可进行新的夯击作业。 (6)夯点布置和夯点间距：为了使夯后地基比较均匀，对于较大面积的强夯处理，夯击点一般可按等边三角形或正主形布置夯击点，这样布置比较规整，也便于强夯施工。由于基础的应力扩散作用，强夯处理范围应大于基础范围，其具体放大范围，可根据构筑物类型和重要性等因素考虑确定。 夯点间距可根据所要求加固的地基土性质和要求处理深度而定。当土质差、软土层厚时应适当增大夯点间距，当软土层较薄而又有砂类土夹层或土夹石填土等时，可适当减少夯距。夯距太小，相邻夯点的加固效应将在浅处叠加而形成硬层，影响夯击能向深部传递。 3 强夯法处理液化地基的质量控制与管理 施工单位选择 对参与施工的强夯施工单位，各施工标段中标单位要先审查其施工资质、信誉和业绩，并附有前业主对该单位的书面评价报告；任何单位不得将强夯分包给个人施工。各中标单位将经初步筛选合格的施工队伍形成书面推荐报告，经驻地监理审核后，上报主管部门，经批准后方可进场。进场后不得再分包或转包，否则，驻地监理工程师将责令分包单位立即退场，损失自负。 施工准备 编写施工组织设计，经驻地监理组审查，监理组提出书面审查意见，报总监代表审批同意方可施工。 施工管理 (1)施工单位要按设计图要求编制夯点编号图，编号图要清晰、规范、科学。 (2)施工单位必须制定严格的安全管理措施，现场操作人员必须戴安全帽，并对施工机械定期作安全检查。在强夯区四周要设置醒目的危险警告标志和安全管理措施，不允许行人和非施工车辆进入强夯区，以确保操作员、过往行人和车辆的安全。 (3)施工单位要对强夯机械进行编号，每台强夯机械必须持有监理组发放的《施工许可证》方可进行强夯施工。 (4)施工单位除在强夯机械上挂《施工许可证》外，还必须挂有《机械操作主要人员》和《施工技术参数》两块醒目的牌子，进行机械操作的主要人员必须挂牌上岗。 (5)施工单位要制定施工要点供现场人员执行。 (6)铺设垫层前要对原地面进行清表并整平，且要按每20米一个断面，每个断面5个规定测点，测量清表后标高。 (7)用水准仪测量垫层铺设前、后的对应测点标高，初步确定垫层厚度，每20米一个断面，每个断面5个规定测点，再按每断面挖1处深坑，进一步确定垫层厚度(控坑必须在测点位置上)。 (8)垫层宽度按每20米一处用钢尺丈量。 (9)按设计要求进行夯点布置，夯点定位布置用钢尺按100%的频率丈量。 (10)夯锤必须过磅称重。夯击能在强夯施工前必须检测，并满足设计要求。每夯击100次，用钢尺量一次夯锤落距。 (11)施工单位必须及时排出夯坑内积水。 (12)主、副、满夯的间隙时间要根据现场情况作必要的调整，但间隙时间必须满足72小时。需要调整间隙时间由现场监理工程师确定。 (13)遇到不需拆迁的高压电线时，施工单位必须安排集中施工的方案，市高指向供电部门申请临时停电。 (14)施工人员要认真做好强夯施工记录，记录要求清楚、真实。 (15)施工人员必须注意观察已处理路段，发现异常情况及时报告驻地监理组和有关部门。 (16)在强夯区内的构造物必须在强夯完成后，才能进行构造物的下部施工。 4 用强夯法处理砂土液化地基的质量检验评定 基本要求 碎石垫层的碎石规格和质量必须符合设计要求。强夯施工必须按夯击点确定的技术参数进行。以各个夯击点的夯击数作为施工控制数值。 实测项目表 表1 强夯法处理砂土液化地基实测项目表 项次 检查 项目规定值 或允许偏差 检查方法和频率 规定分 1 夯击能 不小于设计 1次/工点查施工记录 15 2 夯击次数 符合设计 查施工记录 15 3 垫层厚度 不小于设计 4处/200m 15 4 垫层宽度 不小于设计 4处/200m 15 5 标贯击数 符合设计 2处/工点 20 6 瑞利波 ≥200m/s 1处/工点 20 注：(1)标准贯入试验，按需3点/5000�且不少于3点进行。孔位随机 布置。特殊地段适当加密。 (2)瑞利波法(SSW)按1点/40m，在中心线两侧各15m处交叉布点。 外观鉴定 (1)填筑碎石垫层前必须清表、整平，无明显凸凹点，整平不符合要求扣2分。 (2)夯坑内积水应及时排除，不符合要求扣2分。 (3)夯后场地应平整，无局部隆起，不符合要求扣2分。 分项工程质量等级评定 (1)分项工程评分在85分及以上者为优良；70~85分者为合格；70分以下者为不合格。 (2)若标贯击数、瑞利波不合格时，则该分项工程不合格，可进行加固处理，再重新评定其质量等级。 5 结语 在京福、徐宿、宁宿徐等高速公路液化地基强夯加固的施工实践中，由于建设、监理及施工单位的高度重视，严格按有关质量要求和“施工指导意见”进行控制，尤其对强夯参数的确定都是经反复试验论证后，选择合适的参数指导施工，使强夯法处理液化地基段达到了设计要求，从已建成的高速公路处理路段的工后路基沉降观测看，处理段液化地基强夯加固达到了预期目的。