原文: Scalable Object Detection using Deep Neural Networks——学术范 最近,深度卷积神经网络在许多图像识别基准上取得了最先进的性能,包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络,它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文,但如果不天真地复制每个实例的输出数量,就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型,它预测了一组与类无关的边界框,每个框有一个分数,对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例,并允许在网络的最高级别上进行跨类泛化。 目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器,并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中,以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加,这个挑战变得更加困难,因为大多数方法都训练每个类单独的检测器。为了解决这个问题,人们提出了多种方法,从检测器级联到使用分割提出少量的对象假设。 关于对象检测的文献非常多,在本节中,我们将重点讨论利用类不可知思想和解决可伸缩性的方法。 许多提出的检测方法都是基于基于部件的模型,最近由于有区别学习和精心设计的特征,已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板,这是非常昂贵的。此外,它们在类的数量上是可伸缩的,这对像ImageNet这样的现代数据集来说是一个挑战。 为了解决前一个问题,Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题,Song et al.使用了一个低维部件基,在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。 另一种不同的工作,与我们的工作更接近,是基于对象可以本地化的想法,而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机,Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分,并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型,分割作为第一层,分割分类作为后续层。尽管它们编码了已证明的感知原理,但我们将表明,有更深入的模型,充分学习可以导致更好的结果。 最后,我们利用了DeepLearning的最新进展,最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而,基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能,但由于单个掩模回归的成本,不能扩展到多个类。 我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说,我们使用了深度神经网络(DNN),它输出固定数量的包围盒。此外,它为每个盒子输出一个分数,表示这个盒子包含一个对象的网络信任度。 为了形式化上述思想,我们将i-thobject框及其相关的置信度编码为最后一网层的节点值: Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值,可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸,以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。 Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的,后面跟着一个sigmoid。 我们可以组合边界盒位置sli,i∈{1,…K}为一个线性层。同样,我们可以将所有置信区间ci,i∈{1,…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层 在推理时,我们的算法生成kbound盒。在我们的实验中,我们使用ek = 100和K= 200。如果需要,我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此,它们可以通过后续的分类器进行分类,实现目标检测。由于盒子的数量非常少,我们可以提供强大的分类器。在我们的实验中,我们使用另一个dnn进行分类。 我们训练一个DNN来预测每个训练图像的边界框及其置信度得分,以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子,对象被标记为boundingboxesgj,j∈{1,…,M}。在实践中,pre- dictionary的数量远远大于groundtruthboxm的数量。因此,我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置,以提高他们的匹配度,最大化他们的信心。与此同时,我们将剩余预测的置信度最小化,这被认为不能很好地定位真实对象。为了达到上述目的,我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1,如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为 其中,我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外,我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为 最终的损失目标结合了匹配损失和信心损失 受式1的约束。α平衡了不同损失条款的贡献。 对于每个训练例子,我们通过解决一个最佳的赋值x*的预测到真实的盒子 约束执行赋值解决方案。这是二部匹配的一种变体,是一种多项式复杂度匹配。在我们的应用程序中,匹配是非常便宜的——每幅图像中标记的对象的数量少于一打,而且在大多数情况下只有很少的对象被标记。然后,通过反向传播优化网络参数。例如,反向传播算法的一阶导数计算w、r、t、l和c 尽管上述定义的损失在原则上是足够的,但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类,并找到这样的聚类/质心,我们可以使用这些聚类/质心作为每个预测位置的先验。因此,鼓励学习算法为每个预测位置学习一个残差到一个先验。 第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配,而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成,就会像之前一样计算目标的置信度。此外,位置预测损失也不变:对于任何一对匹配的(目标,预测)位置,其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配,并假设它促进了预测的多样化。 需要注意的是,尽管我们以一种与类无关的方式定义了我们的方法,但我们可以将它应用于预测特定类的对象盒。要做到这一点,我们只需要在类的边框上训练我们的模型。此外,我们可以预测每个类的kbox。不幸的是,这个模型的参数数量会随着类的数量线性增长。此外,在一个典型的设置中,给定类的对象数量相对较少,这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此,我们认为我们的两步过程——首先本地化,然后识别——是一个更好的选择,因为它允许使用少量参数利用同一图像中多个对象类型的数据 我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减,128的小批量,以及使用多个相同的网络副本进行并行分布式训练,从而实现更快的收敛。如前所述,我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外,使用非最大抑制对盒进行修剪,Jaccard相似度阈值为。然后,我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络,我们从训练集中生成了大约3000万幅图像,并对训练集中的每幅图像应用以下步骤。最后,样品被打乱。为了训练我们的本地化网络,我们通过对训练集中的每一幅图像应用以下步骤,从训练集中生成了大约3000万幅图像。对于每幅图像,我们生成相同数量的平方样本,使样本总数大约为1000万。对于每幅图像,样本被桶状填充,这样,对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例,都有相同数量的样本,其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中,我们没有探索任何非标准数据生成或正则化选项。在所有的实验中,所有的超参数都是通过对训练集。 Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成,其中包含了20种不同的对象类别的边界框。在我们的评估中,我们关注的是2007版VOC,为此发布了一个测试集。我们通过培训VOC 2012展示了结果,其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。 我们在一个由1000万作物组成的数据集上训练分类器,该数据集重叠的对象至少为 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。 在第一轮中,定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络,我们就可以得到上百个候选日期框。在对重叠阈值为的非最大抑制后,保留评分最高的前10个检测项,并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估,并用于计算精确查全曲线。 首先,我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量,正如Pascal检测标准所定义的那样,与生成的包围框的数量相对比。在图1中,我们展示了使用VOC2012进行训练所获得的结果。此外,我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)正如我们所看到的,当使用10个边界框的预算时,我们可以用第一个模型本地化的对象,用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能,例如对象度算法达到42%[1]。此外,这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象,但当使用更高分辨率的图像作物时,我们获得了额外的提升。进一步,我们用21-way分类器对生成的包围盒进行分类,如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是,与先进水平相当。注意,我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是,可视化检测是通过仅使用最大中心方形图像裁剪,即使用全图像获得的。然而,我们设法获得了相对较小的对象,例如第二行和第二列的船,以及第三行和第三列的羊。 在本工作中,我们提出了一种新的方法来定位图像中的对象,该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下,对1000个盒子进行非max-suppression,使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则,并学习在未见图像中预测这些位置。 我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果,在这两个基准上,所提出的方法具有竞争力。此外,该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明,deepmultibox的方法是可扩展的,甚至可以在两个数据集之间泛化,就能够预测感兴趣的定位,甚至对于它没有训练的类别。此外,它能够捕获同一类物体的多种情况,这是旨在更好地理解图像的算法的一个重要特征。 在未来,我们希望能够将定位和识别路径折叠到一个单一的网络中,这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下,双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估,每个评估的速度大约为1个CPU-sec(现代机器)。重要的是,这个数字并不与要识别的类的数量成线性关系,这使得所提出的方法与类似dpm的方法非常有竞争力。
对于目标检测方向并不是特别熟悉,本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based,主要思路就是根据一张图像,提取多个region,再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分,提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下:
在训练的时候,首先使用的是已经训练好的CNN网络作为特征提取器,但是由于预训练是在分类数据集上,因此在应用到检测之前要做finetune。也就是说,为了将用ImageNet数据集训练的网络应用到新的任务(检测),新的数据集(region)上,作者将原来的CNN最后的1000类的fc层,更改为了 层, 代表待检测的物体的类别数。然后,对于所有的region,如果它和ground truth的重叠率大于,就认为是正类。 对于分类器的训练,作者发现选择多大的IoU来区分正类和负类非常关键。并且,对于每一类,都会训练一个分类器。
框的回归非常重要,在对每一个region proposal使用分类器进行打分评价之后,作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中,输入是 region proposal 的 和ground truth的 ,目标是学习一种变换,使得region proposal通过该变换能够接近ground truth。同时,希望这种变换拥有尺度不变性,也就是说尺度变化的话,变换不会改变。 如下图所示,每一个regressor会学习一组参数,特征输入是pool 5的特征输出,拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取,会产生非常多的冗余计算,因此可以先对一张图像进行特征提取,再根据region proposal在相应的特征上进行划分得到对应region的特征(映射关系)。 这样便可以实现共享计算提高速度,但是与SPPnets不同,SPPnets在一副图像得到对应的特征后,从这张图像的特征上proposal对应的部分,采用空间金字塔池化,如下图:
RoI pooling的方法很简单,类似于空间金字塔pooling,它将proposal部分对应卷积层输出的特征(称之为RoI,因为用于做pooling的特征是 region of interest,也就是我们感兴趣的区域)划分成 块,然后对每一块求最大值,最终得到了一个 的特征图。可以看出,它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的,那么它到底不好在哪里呢?因为当每一个RoI都可能来源于不同的图像的时候(R-CNN和SPPnets的训练策略是从一个batch的不同图像中,分别挑选一个proposal region),SPPNets的训练非常地低效,这种低效来源于在SPPnets的训练中,每个RoI的感受野都非常地大,很可能对应了原图的整个图像,因此,得到的特征也几乎对应了整张图像,所以输入的图像也就很大。 为了提高效率,Fast-RCNN首先选取 个图像,再从每个图像上选择 个RoI,这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来,作者采用了多任务的loss,来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接,就是将RoI得到的特征接几个FC层后,分别接不同的输出层。对应于分类部分,特征会接一个softmax输出,用于分类,对于框回归部分,会接一个输出4维特征的输出层,然后分别计算loss,用于反向传播。loss的公式如下:
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢?主要原因是在这篇论文中提出了一个新的层:RPN(region proposal networks)用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的:
为了能够进行region proposal,作者使用了一个小的网络,在基础的卷积层输出的特征上进行滑动,这个网络输入大小为 ,输入后会映射(用 的卷积)为一个固定长度的特征向量,然后接两个并联的fc层(用 的卷积层代替),这两个fc层,一个为box-regressoin,一个为box-classification。如下图:
在每一个滑动窗口(可以参考 ),为了考虑到尽可能多的框的情况,作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置,在该位置对应的原图位置的基础上,按照不同的尺度,长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域,和ground truth,就可以给每一个滑动窗口的每一个anchor进行标记,也就是赋予label,满足一定条件标记为正类(比如和ground truth重叠大于一个值),一定条件为负类。对于正类,就可以根据ground truth和该anchor对应的原图的区域之间的变换关系(参考前面的R-CNN的框回归),得到回归器中的目标,用于训练。也就是论文中的loss function部分:
自然地,也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类,负类的概率,另一个输出4k个值,用于表示框回归的变换的预测值。
对于整个网络的训练,作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同,mask r-cnn的任务是做instance segmentation。因此,它需要对每一个像素点进行分类。 与Faster R-CNN不同,Faster R-CNN对每一个候选框产生两个输出,一个是类别,一个是bounding box的offset。Mask R-CNN新增加了一个输出,作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是,Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后,对于每一个RoI,mask r-cnn还输出了一个二值化的mask。
不像类别,框回归,输出都可以是一个向量,mask必须保持一定的空间信息。因此,作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题,就需要RoI能够在进行特征提取的时候保持住空间信息,至少在像素级别上能够对应起来。因此,传统的取最大值的方法就显得不合适。 RoI Pooling,经历了两个量化的过程: 第一个:从roi proposal到feature map的映射过程。 第二个:从feature map划分成7*7的bin,每个bin使用max pooling。
为此,作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别,回归框,mask的网络使用如下图结构:
整体看完这几篇大佬的论文,虽说没有弄清楚每一个实现细节,但是大体上了解了算法的思路。可以看出,出发点都源于深度神经网络在特征提取上的卓越能力,因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取,到为了提高速度减少计算的Fast R-CNN,再到为了将region proposal集成进入整个模型中,并且利用GPU加速的RPN,也就是Faster R-CNN。再到为了应用于instance segmentation任务中,设计的RoIAlign和mask。包括bounding box regression,pooling层的设计,训练方法的选择,loss的设计等等细节,无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中,这些方法都显得“理所应当”和巧妙,好用,但是,它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及,对待每一个问题,如何设计出合理的解决方案,以及方案的效率,通用性,更是应该我们努力的方向。
小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点,小目标的检测精度通常只有大目标的一半。
CVPR2019论文: Augmentation for small object detection 提到了一些应对小目标检测的方法,笔者结合这篇论文以及查阅其它资料,对小目标检测相关技巧在本文进行了部分总结。
小目标的定义: 在MS COCO数据集中,面积小于 32*32 的物体被认为是小物体。
小目标难以检测的原因: 分辨率低,图像模糊,携带的信息少。由此所导致特征表达能力弱,也就是在提取特征的过程中,能提取到的特征非常少,这不利于我们对小目标的检测。
1、由于小目标面积太小,可以放大图片后再做检测,也就是在尺度上做文章,如FPN(Feature Pyramid Networks for Object Detection),SNIP(An Analysis of Scale Invariance in Object Detection – SNIP)。
Feature-Fused SSD: Fast Detection for Small Objects, Detecting Small Objects Using a Channel-Aware Deconvolutional Network 也是在多尺度上做文章的论文。
2、在Anchor上做文章(Faster Rcnn,SSD, FPN都有各自的anchor设计),anchor在设置方面需要考虑三个因素:
anchor的密度: 由检测所用feature map的stride决定,这个值与前景阈值密切相关。
anchor的范围: RetinaNet中是anchor范围是32~512,这里应根据任务检测目标的范围确定,按需调整anchor范围,或目标变化范围太大如MS COCO,这时候应采用多尺度测试。
anchor的形状数量: RetinaNet每个位置预测三尺度三比例共9个形状的anchor,这样可以增加anchor的密度,但stride决定这些形状都是同样的滑窗步进,需考虑步进会不会太大,如RetinaNet框架前景阈值是时,一般anchor大小是stride的4倍左右。
该部分anchor内容参考于:
3、在ROI Pooling上做文章,文章SINet: A Scale-Insensitive Convolutional Neural Network for Fast Vehicle Detection 认为小目标在pooling之后会导致物体结构失真,于是提出了新的Context-Aware RoI Pooling方法。
4、用生成对抗网络(GAN)来做小目标检测:Perceptual Generative Adversarial Networks for Small Object Detection。
1、从COCO上的统计图可以发现,小目标的个数多,占到了,但是含有小目标的图片只有,大目标所占比例为,但是含有大目标的图像却有。这说明有一半的图像是不含小目标的,大部分的小目标都集中在一些少量的图片中。这就导致在训练的过程中,模型有一半的时间是学习不到小目标的特性的。
此外,对于小目标,平均能够匹配的anchor数量为1个,平均最大的IoU为,这说明很多情况下,有些小目标是没有对应的anchor或者对应的anchor非常少的,即使有对应的anchor,他们的IoU也比较小,平均最大的IoU也才。
如上图,左上角是一个anchor示意图,右上角是一个小目标所对应的anchor,一共有只有三个anchor能够与小目标配对,且配对的IoU也不高。左下角是一个大目标对应的anchor,可以发现有非常多的anchor能够与其匹配。匹配的anchor数量越多,则此目标被检出的概率也就越大。
实现方法: 1、Oversampling :我们通过在训练期间对这些图像进行过采样来解决包含小对象的相对较少图像的问题(多用这类图片)。在实验中,我们改变了过采样率和研究不仅对小物体检测而且对检测中大物体的过采样效果
2、Copy-Pasting Strategies:将小物体在图片中复制多分,在保证不影响其他物体的基础上,增加小物体在图片中出现的次数(把小目标扣下来贴到原图中去),提升被anchor包含的概率。
如上图右下角,本来只有一个小目标,对应的anchor数量为3个,现在将其复制三份,则在图中就出现了四个小目标,对应的anchor数量也就变成了12个,大大增加了这个小目标被检出的概率。从而让模型在训练的过程中,也能够有机会得到更多的小目标训练样本。
具体的实现方式如下图:图中网球和飞碟都是小物体,本来图中只有一个网球,一个飞碟,通过人工复制的方式,在图像中复制多份。同时要保证复制后的小物体不能够覆盖该原来存在的目标。
网上有人说可以试一下lucid data dreaming Lucid Data Dreaming for Multiple Object Tracking ,这是一种在视频跟踪/分割里面比较有效的数据增强手段,据说对于小目标物体检测也很有效。
基于无人机拍摄图片的检测目前也是个热门研究点(难点是目标小,密度大)。 相关论文: The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking(数据集) Drone-based Object Counting by Spatially Regularized Regional Proposal Network Simultaneously Detecting and Counting Dense Vehicles from Drone Images Vision Meets Drones: A Challenge(数据集)
1: 2: 3: 4: 5: 6: 7:
尊敬的用户,AnchorFree拥有两个输出,其中一个用于连接开发板,另一个是官方推荐的输出,用户可以使用它将开发结果导出到其他设备。
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 】
对于目标检测方向并不是特别熟悉,本文记录一下RCNN, fast-RCNN, faster-RCNN, mask-RCNN这4篇有关目标检测的论文笔记和学习心得。
R-CNN的意思就是Region based,主要思路就是根据一张图像,提取多个region,再将每个Region输入CNN来进行特征的提取。因此RCNN就可以分为 Region proposals , Feature extraction 两个主要部分,提取的特征就可以输入任意一个分类器来进行分类。 模型的流程图如下:
在训练的时候,首先使用的是已经训练好的CNN网络作为特征提取器,但是由于预训练是在分类数据集上,因此在应用到检测之前要做finetune。也就是说,为了将用ImageNet数据集训练的网络应用到新的任务(检测),新的数据集(region)上,作者将原来的CNN最后的1000类的fc层,更改为了 层, 代表待检测的物体的类别数。然后,对于所有的region,如果它和ground truth的重叠率大于,就认为是正类。 对于分类器的训练,作者发现选择多大的IoU来区分正类和负类非常关键。并且,对于每一类,都会训练一个分类器。
框的回归非常重要,在对每一个region proposal使用分类器进行打分评价之后,作者使用一个回归器来预测一个新的框作为结果。这个回归器使用的特征是从CNN中提取的特征。回归器的训练中,输入是 region proposal 的 和ground truth的 ,目标是学习一种变换,使得region proposal通过该变换能够接近ground truth。同时,希望这种变换拥有尺度不变性,也就是说尺度变化的话,变换不会改变。 如下图所示,每一个regressor会学习一组参数,特征输入是pool 5的特征输出,拟合的目标是 。
Fast-RCNN 主要解决的问题是在RCNN中对于每一个region proposal都进行特征提取,会产生非常多的冗余计算,因此可以先对一张图像进行特征提取,再根据region proposal在相应的特征上进行划分得到对应region的特征(映射关系)。 这样便可以实现共享计算提高速度,但是与SPPnets不同,SPPnets在一副图像得到对应的特征后,从这张图像的特征上proposal对应的部分,采用空间金字塔池化,如下图:
RoI pooling的方法很简单,类似于空间金字塔pooling,它将proposal部分对应卷积层输出的特征(称之为RoI,因为用于做pooling的特征是 region of interest,也就是我们感兴趣的区域)划分成 块,然后对每一块求最大值,最终得到了一个 的特征图。可以看出,它只是空间金字塔pooling的一部分。 但是SPP-nets的空间金字塔也是可以求导的,那么它到底不好在哪里呢?因为当每一个RoI都可能来源于不同的图像的时候(R-CNN和SPPnets的训练策略是从一个batch的不同图像中,分别挑选一个proposal region),SPPNets的训练非常地低效,这种低效来源于在SPPnets的训练中,每个RoI的感受野都非常地大,很可能对应了原图的整个图像,因此,得到的特征也几乎对应了整张图像,所以输入的图像也就很大。 为了提高效率,Fast-RCNN首先选取 个图像,再从每个图像上选择 个RoI,这样的效率就比从每个图像提取一个RoI提高了 倍。
为了将分类和框回归结合起来,作者采用了多任务的loss,来进行联合的训练。具体来说就是将分类的loss和框回归的loss结合起来。网络的设计上非常直接,就是将RoI得到的特征接几个FC层后,分别接不同的输出层。对应于分类部分,特征会接一个softmax输出,用于分类,对于框回归部分,会接一个输出4维特征的输出层,然后分别计算loss,用于反向传播。loss的公式如下:
回归的target可以参考前面的R-CNN部分。
notes
为什么比fast还fast呢?主要原因是在这篇论文中提出了一个新的层:RPN(region proposal networks)用于替代之前的selective search。这个层还可以在GPU上运算来提高速度。 RPN的目的:
为了能够进行region proposal,作者使用了一个小的网络,在基础的卷积层输出的特征上进行滑动,这个网络输入大小为 ,输入后会映射(用 的卷积)为一个固定长度的特征向量,然后接两个并联的fc层(用 的卷积层代替),这两个fc层,一个为box-regressoin,一个为box-classification。如下图:
在每一个滑动窗口(可以参考 ),为了考虑到尽可能多的框的情况,作者设计了anchors来作为region proposal。anchors就是对于每一个滑动窗口的中心位置,在该位置对应的原图位置的基础上,按照不同的尺度,长宽比例框出 个不同的区域。然后根据这些anchors对应的原始图像位置以及区域,和ground truth,就可以给每一个滑动窗口的每一个anchor进行标记,也就是赋予label,满足一定条件标记为正类(比如和ground truth重叠大于一个值),一定条件为负类。对于正类,就可以根据ground truth和该anchor对应的原图的区域之间的变换关系(参考前面的R-CNN的框回归),得到回归器中的目标,用于训练。也就是论文中的loss function部分:
自然地,也就要求RPN的两个并联的FC层一个输出2k个值用于表示这k个anchor对应的区域的正类,负类的概率,另一个输出4k个值,用于表示框回归的变换的预测值。
对于整个网络的训练,作者采用了一种叫做 4-step Alternating Training 的方法。具体可以参考论文。
与之前的检测任务稍有不同,mask r-cnn的任务是做instance segmentation。因此,它需要对每一个像素点进行分类。 与Faster R-CNN不同,Faster R-CNN对每一个候选框产生两个输出,一个是类别,一个是bounding box的offset。Mask R-CNN新增加了一个输出,作为物体的mask。这个mask类似于ps中的蒙版。
与Faster R-CNN类似的是,Mask R-CNN同样采用RPN来进行Region Proposal。但是在之后,对于每一个RoI,mask r-cnn还输出了一个二值化的mask。
不像类别,框回归,输出都可以是一个向量,mask必须保持一定的空间信息。因此,作者采用FCN来从每个RoI中预测一个 的mask。
由于属于像素级别的预测问题,就需要RoI能够在进行特征提取的时候保持住空间信息,至少在像素级别上能够对应起来。因此,传统的取最大值的方法就显得不合适。 RoI Pooling,经历了两个量化的过程: 第一个:从roi proposal到feature map的映射过程。 第二个:从feature map划分成7*7的bin,每个bin使用max pooling。
为此,作者使用了RoIAlign。如下图
为了避免上面提到的量化过程
可以参考
作者使用ResNet作为基础的特征提取的网络。 对于预测类别,回归框,mask的网络使用如下图结构:
整体看完这几篇大佬的论文,虽说没有弄清楚每一个实现细节,但是大体上了解了算法的思路。可以看出,出发点都源于深度神经网络在特征提取上的卓越能力,因此一众大神试图将这种能力应用在检测问题中。从R-CNN中简单地用于特征提取,到为了提高速度减少计算的Fast R-CNN,再到为了将region proposal集成进入整个模型中,并且利用GPU加速的RPN,也就是Faster R-CNN。再到为了应用于instance segmentation任务中,设计的RoIAlign和mask。包括bounding box regression,pooling层的设计,训练方法的选择,loss的设计等等细节,无一不体现了大师们的思考和创造力。 可能在我们这些“拿来”者的眼中,这些方法都显得“理所应当”和巧妙,好用,但是,它们背后隐藏的选择和这些选择的思考却更值得我们学习。 以及,对待每一个问题,如何设计出合理的解决方案,以及方案的效率,通用性,更是应该我们努力的方向。
一、图片输入层面 基于以上结论,采用多尺度训练过程中,要在避免那些极小的和极大的(多尺度后)带来的不好的影响时,考虑保证目标有足够的多样性。所以在进行多尺度训练过程中,将每种输入尺度下,不满足要求的proposal以及anchor忽略。论文中使用了三种尺度如图所示,比一般的多尺度训练的尺度跨度要大。 二、 Neck部分(采用金字塔结构改进方案的) 一般意义的FPN网络结构是最右边似的结构,而本文中采用的结构则是 该方法首先无疑是增加了计算量,优点就是最终输出的每一层的特征不是一个线性的变换(应该想表述的说不是从一层特征直接到另一层特征),而是使用共享的多层特征。最终相比RetinaNet提升一个点左右吧,效果一般。VisDrone2020检测的冠军团队采用了这个结构 该文章利用多个TUM模块试图更充分构建的特征金字塔的网络结构,靠前的TUM提供浅层特征,中间的TUM提供中间层特征,靠后的TUM提供深层特征,通过这种方式能够多次将深层浅层特征融合,参数量多了。和RetinaNet对比可以看到,512输入,都不采用multi-scale推理,mAP由33提升到,小目标精度也提升了一点;以参数量和计算量堆砌的精度提升,不是好方法。 文章认为不同层的重要程度应该和目标的绝对尺度分布有关系,所以在FPN自上而下融合的时候,加入了一个尺度因子用来平衡金字塔不同层的重要性。个人感觉意义不大,实际提升也不明显。 三、 Head部分的改进方案 在VisDrones上的冠军方案和若干其他方案都采用了这种“双头部”的方案。soft-NMS似乎可以提升几个点。 四、 小目标目前检测不好,主要原因不是小,应该是小且和背景接近,对比度不高。所以可以借鉴伪装物体检测的思路;
姓名:刘帆;学号:20021210609;学院:电子工程学院 【嵌牛导读】目标跟踪算法研究难点与挑战在于实际复杂的应用环境 、背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化,外观变形,尺度变化、平面外旋转、平面内旋转、出视野、快速运动和运动模糊等。而且当目标跟踪算法投入实际应用时,不可避免的一个问题——实时性问题也是非常的重要。正是有了这些问题,才使得算法研究充满着难点和挑战。 【嵌牛鼻子】目标跟踪算法,传统算法 【嵌牛提问】利用目标跟踪检测算法要达到何目的?第一阶段的单目标追踪算法包括什么?具体步骤有哪些?它们有何特点? 【嵌牛正文】 第一阶段 目标跟踪分为两个部分,一个是对指定目标寻找可以跟踪的特征,常用的有颜色,轮廓,特征点,轨迹等,另一个是对目标特征进行跟踪。 1、静态背景 1)背景差: 对背景的光照变化、噪声干扰以及周期性运动等进行建模。通过当前帧减去背景图来捕获运动物体的过程。 2)帧差: 由于场景中的目标在运动,目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算,不同帧对应的像素点相减,判断灰度差的绝对值,当绝对值超过一定阈值时,即可判断为运动目标,从而实现目标的检测功能。 与二帧差分法不同的是,三帧差分法(交并运算)去除了重影现象,可以检测出较为完整的物体。帧间差分法的原理简单,计算量小,能够快速检测出场景中的运动目标。但帧间差分法检测的目标不完整,内部含有“空洞”,这是因为运动目标在相邻帧之间的位置变化缓慢,目标内部在不同帧图像中相重叠的部分很难检测出来。帧间差分法通常不单独用在目标检测中,往往与其它的检测算法结合使用。 3)Codebook 算法为图像中每一个像素点建立一个码本,每个码本可以包括多个码元(对应阈值范围),在学习阶段,对当前像素点进行匹配,如果该像素值在某个码元的学习阈值内,也就是说与之前出现过的某种历史情况偏离不大,则认为该像素点符合背景特征,需要更新对应点的学习阈值和检测阈值。 如果新来的像素值与每个码元都不匹配,则可能是由于动态背景导致,这种情况下,我们需要为其建立一个新的码元。每个像素点通过对应多个码元,来适应复杂的动态背景。 在应用时,每隔一段时间选择K帧通过更新算法建立CodeBook背景模型,并且删除超过一段时间未使用的码元。 4)GMM 混合高斯模型(Gaussian of Micture Models,GMM)是较常用的背景去除方法之一(其他的还有均值法、中值法、滑动平均滤波等)。 首先我们需要了解单核高斯滤波的算法步骤: 混合高斯建模GMM(Gaussian Mixture Model)作为单核高斯背景建模的扩展,是目前使用最广泛的一种方法,GMM将背景模型描述为多个分布,每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画,符合其中一个分布模型的像素即为背景像素。作为最常用的一种背景建模方法,GMM有很多改进版本,比如利用纹理复杂度来更新差分阈值,通过像素变化的剧烈程度来动态调整学习率等。 5)ViBe(2011) ViBe算法主要特点是随机背景更新策略,这和GMM有很大不同。其步骤和GMM类似。具体的思想就是为每个像素点存储了一个样本集,样本集中采样值就是该像素点过去的像素值和其邻居点的像素值,然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。 其中pt(x)为新帧的像素值,R为设定值,p1、p2、p3….为样本集中的像素值,以pt(x)为圆心R为半径的圆被认为成一个集,当样本集与此集的交集大于设定的阈值#min时,可认为此为背景像素点(交集越大,表示新像素点与样本集越相关)。我们可以通过改变#min的值与R的值来改变模型的灵敏度。 Step1:初始化单帧图像中每个像素点的背景模型。假设每一个像素和其邻域像素的像素值在空域上有相似的分布。基于这种假设,每一个像素模型都可以用其邻域中的像素来表示。为了保证背景模型符合统计学规律,邻域的范围要足够大。当输入第一帧图像时,即t=0时,像素的背景模型。其中,NG(x,y)表示空域上相邻的像素值,f(xi,yi)表示当前点的像素值。在N次的初始化的过程中,NG(x,y)中的像素点(xi,yi)被选中的可能次数为L=1,2,3,…,N。 Step2:对后续的图像序列进行前景目标分割操作。当t=k时,像素点(x,y)的背景模型为BKm(x,y),像素值为fk(x,y)。按照下面判断该像素值是否为前景。这里上标r是随机选的;T是预先设置好的阈值。当fk(x,y)满足符合背景#N次时,我们认为像素点fk(x,y)为背景,否则为前景。 Step3:ViBe算法的更新在时间和空间上都具有随机性。每一个背景点有1/ φ的概率去更新自己的模型样本值,同时也有1/ φ的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性,背景模型逐渐向外扩散,这也有利于Ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景,并有1/ φ的概率去更新自己的模型样本值(为了减少缓慢移动物体的影响和摄像机的抖动)。 可以有如下总结,ViBe中的每一个像素点在更新的时候都有一个时间和空间上随机影响的范围,这个范围很小,大概3x3的样子,这个是考虑到摄像头抖动时会有坐标的轻微来回变化,这样虽然由于ViBe的判别方式仍认为是背景点,但是也会对后面的判别产生影响,为了保证空间的连续性,随机更新减少了这个影响。而在样本值保留在样本集中的概率随着时间的增大而变小,这就保证了像素模型在时间上面的延续特性。 6)光流 光流是由物体或相机的运动引起的图像对象在两个连续帧之间的视在运动模式。它是2D矢量场,其中每个矢量是一个位移矢量,显示点从第一帧到第二帧的移动。 光流实际上是一种特征点跟踪方法,其计算的为向量,基于三点假设: 1、场景中目标的像素在帧间运动时亮度(像素值或其衍生值)不发生变化;2、帧间位移不能太大;3、同一表面上的邻近点都在做相同的运动; 光流跟踪过程:1)对一个连续视频帧序列进行处理;2)对每一帧进行前景目标检测;3)对某一帧出现的前景目标,找出具有代表性的特征点(Harris角点);4)对于前后帧做像素值比较,寻找上一帧在当前帧中的最佳位置,从而得到前景目标在当前帧中的位置信息;5)重复上述步骤,即可实现目标跟踪 2、运动场(分为相机固定,但是视角变化和相机是运动的) 1)运动建模(如视觉里程计运动模型、速度运动模型等) 运动学是对进行刚性位移的相机进行构型,一般通过6个变量来描述,3个直角坐标,3个欧拉角(横滚、俯仰、偏航)。 Ⅰ、对相机的运动建模 由于这个不是我们本次所要讨论的重点,但是在《概率机器人》一书中提出了很多很好的方法,相机的运动需要对图像内的像素做位移矩阵和旋转矩阵的坐标换算。除了对相机建立传统的速度运动模型外,也可以用视觉里程计等通关过置信度的更新来得到概率最大位置。 Ⅱ、对于跟踪目标的运动建模 该方法需要提前通过先验知识知道所跟踪的目标对象是什么,比如车辆、行人、人脸等。通过对要跟踪的目标进行建模,然后再利用该模型来进行实际的跟踪。该方法必须提前知道要跟踪的目标对象是什么,然后再去跟踪指定的目标,这是它的局限性,因而其推广性相对比较差。(比如已知跟踪的物体是羽毛球,那很容易通过前几帧的取点,来建立整个羽毛球运动的抛物线模型) 2)核心搜索算法(常见的预测算法有Kalman(卡尔曼)滤波、扩展卡尔曼滤波、粒子滤波) Ⅰ、Kalman 滤波 Kalman滤波器是通过前一状态预测当前状态,并使用当前观测状态进行校正,从而保证输出状态平稳变化,可有效抵抗观测误差。因此在运动目标跟踪中也被广泛使用。 在视频处理的运动目标跟踪里,每个目标的状态可表示为(x,y,w,h),x和y表示目标位置,w和h表示目标宽高。一般地认为目标的宽高是不变的,而其运动速度是匀速,那么目标的状态向量就应该扩展为(x,y,w,h,dx,dy),其中dx和dy是目标当前时刻的速度。通过kalman滤波器来估计每个时刻目标状态的大致过程为: 对视频进行运动目标检测,通过简单匹配方法来给出目标的第一个和第二个状态,从第三个状态开始,就先使用kalman滤波器预测出当前状态,再用当前帧图像的检测结果作为观测值输入给kalman滤波器,得到的校正结果就被认为是目标在当前帧的真实状态。(其中,Zt为测量值,为预测值,ut为控制量,Kt为增益。) Ⅱ、扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF) 由于卡尔曼滤波的假设为线性问题,无法直接用在非线性问题上,EKF和UKF解决了这个问题(这个线性问题体现在用测量量来计算预测量的过程中)。EKF是通过构建线性函数g(x),与非线性函数相切,并对每一时刻所求得的g(x)做KF,如下图所示。 UKF与EKF去求解雅可比矩阵拟合线性方程的方法不同,通过对那个先验分布中的采集点,来线性化随机变量的非线性函数。与EKF所用的方法不同,UKF产生的高斯分布和实际高斯分布更加接近,其引起的近似误差也更小。 Ⅲ、粒子滤波 1、初始状态:基于粒子滤波的目标追踪方法是一种生成式跟踪方法,所以要有一个初始化的阶段。对于第一帧图像,人工标定出待检测的目标,对该目标区域提出特征; 2、搜索阶段:现在已经知道了目标的特征,然后就在目标的周围撒点(particle), 如:a)均匀的撒点;b)按高斯分布撒点,就是近的地方撒得多,远的地方撒的少。论文里使用的是后一种方法。每一个粒子都计算所在区域内的颜色直方图,如初始化提取特征一样,然后对所有的相似度进行归一化。文中相似性使用的是巴氏距离; 3、重采样:根据粒子权重对粒子进行筛选,筛选过程中,既要大量保留权重大的粒子,又要有一小部分权重小的粒子; 4、状态转移:将重采样后的粒子带入状态转移方程得到新的预测粒子; 5、测量及更新:对目标点特征化,并计算各个粒子和目标间的巴氏距离,更新粒子的权重; 6、决策阶段:每个粒子都获得一个和目标的相似度,相似度越高,目标在该范围出现的可能性越高,将保留的所有粒子通过相似度加权后的结果作为目标可能的位置。 3)Meanshift算法 MeanShift算法属于核密度估计法,它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据,直方图法通常把数据的值域分成若干相等的区间,数据按区间分成若干组,每组数据的个数与总参数个数的比率就是每个单元的概率值;核密度估计法的原理相似于直方图法,只是多了一个用于平滑数据的核函数。采用核函数估计法,在采样充分的情况下,能够渐进地收敛于任意的密度函数,即可以对服从任何分布的数据进行密度估计。 Meanshift算法步骤 1、通过对初始点(或者上一帧的目标点)为圆心,绘制一个半径为R的圆心,寻找特征和该点相似的点所构成的向量; 2、所有向量相加,可以获得一个向量叠加,这个向量指向特征点多的方向; 3、取步骤二的向量终点为初始点重复步骤一、二,直到得到的向量小于一定的阈值,也就是说明当前位置是特征点密度最密集的地方,停止迭代,认为该点为当前帧的目标点; 4)Camshift算法 Camshift算法是MeanShift算法的改进,称为连续自适应的MeanShift算法。Camshift 是由Meanshift 推导而来 Meanshift主要是用在单张影像上,但是独立一张影像分析对追踪而言并无意义,Camshift 就是利用MeanShift的方法,对影像串列进行分析。 1、首先在影像串列中选择目标区域。 2、计算此区域的颜色直方图(特征提取)。 3、用MeanShift演算法来收敛欲追踪的区域。 4、通过目标点的位置和向量信息计算新的窗口大小,并标示之。 5、以此为参数重复步骤三、四。 Camshift 关键就在于当目标的大小发生改变的时候,此算法可以自适应调整目标区域继续跟踪。 3、小结 第一阶段的单目标追踪算法基本上都是传统方法,计算量小,在嵌入式等设备中落地较多,opencv中也预留了大量的接口。通过上面的两节的介绍,我们不难发现,目标检测算法的步骤分为两部分,一部分是对指定目标寻找可以跟踪的特征,常用的有颜色,轮廓,特征点,轨迹等,另一部分是对目标特征进行跟踪,如上文所提及的方法。所以目标检测方法的发展,也可总结为两个方面,一个是如何去获得更加具有区分性的可跟踪的稳定特征,另一个是如何建立帧与帧之间的数据关联,保证跟踪目标是正确的。 随着以概率为基础的卡尔曼滤波、粒子滤波或是以Meanshift为代表向量叠加方法在目标检测的运用,使得目标检测不再需要假设自身的一个状态为静止的,而是可以是运动的,更加符合复杂场景中的目标跟踪。
能不能给我发一份呢?
近年来,学校越来越重视学生论文的原创性,其要求是学生毕业论文的查重率。毕业论文的查重率是多少?不同学位对毕业论文重复率的要求是否一致?paperfree小编给大家讲解。 一、毕业论文查重复率是多少? 1.一般来说,高校对学生毕业论文的重复率可能在具体要求上有所不同,但总体上是一致的!如果本科毕业论文的重复率一般为30%,而重复率低于15%,一般可以申请优秀毕业论文。 2.研究生毕业论文的重复率一般要求为20%。如果学校审核时重复率高于20%,低于40%,则需要在规定时间内修改并再次提交。如果再次检测仍不合格,将推迟答辩。 3.博士毕业论文的要求会更严格,一般要求在10%以内,重复率在10%到20%之间,很有可能要推迟半年甚至一年才能参加论文答辩。 4.通过以上介绍,不难发现学位越高,对论文重复率的要求就越严格。如果重复率过高,不仅需要重新修改论文,还会直接影响你能否如期毕业。 二、如何降低论文的重复率? 1.图文转换:将原文内容转换为图片,然后插入论文。 2.双重翻译:先用软件将中文翻译成英文,再自己翻译成中文。 3.同义替换:用同意的词句替换原词句,也能降低查重率。
毕业论文的查重率,如果是本科论文的话,一般是不能够超过20%以内才算是合格研究生和博士要求就更高了
本科毕业论文查重率标准:
1、查重率≦30%,毕业论文合格,可以申请毕业论文答辩;
2、查重率﹤10%,可以申请评定校级优秀论文;
3、查重率﹤15%,可以申请评定院级优秀论文;
4、30%﹤查重率﹤50%,查重检测不合格,给予修改时间至少为一周,修改后查重率﹤30%为通过,可申请答辩,若仍未通过,则取消答辩资格;
5、查重率≧50%,查重检测不合格,由学校组织专家对论文进行学术不端行为的评定,若认定存在严重抄袭行为,则取消答辩资格。
完毕!
论文重复率小于20%算正常。
以下为各层次毕业论文重复率要求条件:
一、本科毕业论文
1.成绩率≤30%的毕业论文通过后,可以申请毕业论文答辩。
2. 论文检测率10%,可申请校级优秀论文评审。
3.查重率高达15%可申请进行一个院级优秀毕业论文研究评审。
4.查重率在30%-50%就会不合格,需要花一周左右时间修改。修订后的检查重现率达30%,可申请答辩。如果不这样做,被申请人将被取消资格。
5.检出率≥50%再检测不合格,学校将组织管理专家对论文研究进行分析学术不端行为能力评估。如果发现严重剽窃,被告将被取消资格。
二、硕士论文
1.论文查重率在10%~15%之间合格,直接送审或答辩。
2.论文查重率在15%-30%之间,需要修改后进行复查,论文查重率合格以后。
3.论文重复率为30%以上,存在学术不端行为,论文修改及延期半年后再填复试申请表格,复检合格后,申请答辩,严重影响答辩资格。
三、博士论文
1.查重率达5%~10%的直接送审或答辩。
2.查重重率20%,与该核心章节的复读率相结合,论文学术不端行为的类型和性质决定。答辩前,申请修改的期限半年到一年。严重者,取消毕业答辩教师资格。
四、职称期刊论文。
1.初级职称论文查重率30%。
的中级/省级论文合格。
3.高级/国家级技术职称进行论文查重率(%)为合格。
4. 高水平/核心期刊论文题名检出率为8% ー15% 。
三维的课程目标应是一个整体,知识与技能、过程与方法、情感态度与价值观三个方面互相联系,融为一体。在教学中,既没有离开情感态度与价值观、过程与方法的知识与技能的学习,也没有离开知识与技能的情感态度与价值观、过程与方法的学习。新课程背景下的课堂教学,要求根据各学科教育的任务和学生的需求,从“知识和能力”“过程和方法”“情感态度和价值观”三个方面出发设计课程目标。具体到教学实践,就是要把原来目标单一(即知识与技能)的课堂转变为目标多维(即知识与能力、过程与方法、情感态度与价值观三个维度)的课堂。
知识目标,能力目标,情感与价值目标
《基础教育改革与发展纲要》确立了“知识与技能、过程与方法、情感态度与价值观”的三维教学目标。其中,知识与技能仍然被作为一个重要的教学目标放在了突出地位,后面两个目标则充分体现了新课程以学生发展为本的特征(可称之为“过程性目标”) 。三维目标的确立为基础教育顺应时代发展作出了科学的目标定位。教学目标是人们对教学结果的一种预设。作为构成教学诸要素中的一个至关重要的因素 ,它既是教学的出发点,又是教学的归宿。因此, 教师在教学实践中对课时教学目标的制定是否恰当,教学过程中目标的达成度如何,将直接决定一堂课的教学效果,进而决定教学质量。在此,本人拟从目前课堂教学中的一些现象分析出发,就小学数学教学中怎样理解、把握和处理三维目标的有关问题,谈一点个人的看法。[现象一] 在一些课堂上,尤其是在一些公开课中,教师为了突出过程与方法、情感态度与价值观的教学目标,尽其所能地创设了各种“生动”的教学情境,安排了大量的游戏、操作、自主探索与合作学习等活动,并在教学中不时地加入一些贴标签式的“道德情感教育”,课堂上学生兴趣高涨,气氛热烈。然而在“热闹”之余,往往看不到教师在知识与技能形成的关键处给学生以必要的引导和点拨,学生在实践活动之后缺乏理性的总结归纳,很多课堂上没有学生独立思考和独立完成作业的时间。因此,在对学生进行成绩检测时,其基础知识和基本技能的掌握情况往往达不到《课程标准》或《教学大纲》的基本要求。不少教师由此深感困惑:我在教学中如此尽力地体现新课程理念,为何在教学质量上事与愿违?[现象二] 课程改革在我县正式实施已近两年,但在一些教师的教学中,仍然表现出只追求知识技能单一目标的倾向。看其教学设计,难见数学思考、解决问题与情感态度方面的目标表述;观其课堂教学,基本沿袭传统模式,学生主要通过听讲或简单的问答去接受知识。一节课下来,除了被动接受的基础知识与基本技能,学生在其他方面鲜有收获。[反思]产生以上两种现象的根本原因,一是教师对新课程三维目标的认识不足;二是对三维目标间的关系把握失当;三是教学目标游离于教学过程之外,没有得到落实。“现象一”暴露出对知识技能目标的忽视,导致教学只有热闹的过程,学生没有掌握后继学习所必备的基础知识与基本技能,是一种华而不实、无果而终的教学;“现象二”则反映出教学中过程性目标的缺失,这样的教学使学生的思维能力、探索精神和创新意识等综合素质的发展严重受限。以上两种现象反映了当前课改背景下小学数学教学中出现的两个极端,它们都偏离了课程改革的正常轨道,若不及时纠正,将严重影响小学数学教学质量的提高和课程改革的深入推进。[对策] 一、加强理论学习,深入理解课程目标1、明确数学教学的三维目标在《数学课程标准》中,三维目标在结构和表述语言上都有变化。根据数学教学的学科特点,《数学课程标准》对“知识与技能、过程与方法、情感态度与价值观”的三维目标进行了分解和重组,从知识与技能、数学思考、解决问题、情感与态度四个方面进行了阐述。细读《标准》可知,这四个方面的目标并非纯粹的并列关系,其中含有相互间的融合与渗透。如在知识技能目标中,多次出现“经历……..过程”,即在某一个方面的目标中,蕴含了其他方面的目标。2、正确理解三维目标之间的关系。知识技能目标同过程与方法、情感态度与价值观这两方面的目标(过程性目标)应该是一种相辅相承的关系,而不是对立的关系。关于这一点,《数学课程标准》中已有明确阐述:“数学思考,解决问题,情感与态度的发展离不开知识与技能的学习,同时,知识与技能的学习必须有利于其他目标的实现为前提。”这就是说,一方面,知识技能目标是实现发展性目标的基础和依托,因为任何过程性目标的实现,都要通过对一定的具体教学内容的学习为载体来进行,如果脱离了具体知识的学习,任何“过程”都只能是无本之木、无源之水而失去价值;另一方面,过程性目标是实现知识技能目标的中介,因为任何知识和技能总是要通过一定的学习形式和学习过程来获得。只重结果不重过程的教学固然不可取,只重过程而问题得不到解决的课堂教学,也不符合新课程的要求。因此,我们应该牢固树立过程与结果并重的意识,并在教学活动中努力促成各个教学目标之间的协调统一和相互促进.二、在教学设计中整合三维目标,体现新课程教学目标的全面性鉴于以上分析,教师在制定课时教学目标时,就应从知识与技能的掌握和学生的可持续发展两方面着眼,突出教学目标的全面性。现以实例说明:教学内容:九年义务教育数学教材第九册《平行四边形面积的计算》教材分析:本课含有以下教学内容:(1)平行四边形面积公式的推导。(2)平行四边形面积公式的应用。首先,这两个教学内容显然直接对应了本课的知识技能目标。但仅仅看到这一点是不够的,因为教材中还蕴涵着丰富的发展性目标因素,即在推导公式的时候,如果不是由教师包办,而是让学生在教师的引导下去亲历知识的形成过程,就能有效地培养他们的实践能力和合作意识,并得到数学思想方法的熏陶和积极的情感体验。因此,本课的教学目标可确定为:1、使学生初步掌握平行四边形的计算方法,能用平行四边形的面积公式进行计算。2、通过经历平行四边形面积公式的推导过程,培养学生的合作意识、操作实践能力和抽象概括能力,并初步感知平移、转化的数学思想方法。3、使学生通过学习活动获得成功体验,提高学习数学的兴趣,增强学好数学的信心。在以上的教学目标中:第1条属于知识技能目标,它含有“理解并记住平行四边形的面积公式”和“会用公式进行计算”这两个具体的目标。第2、3条则体现了数学思考、解决问题、情感与态度等过程性目标。显然,此教学目标避免了前面所述两种现象中目标缺失不全的弊端,体现了三维目标的整合。三、围绕目标设计教学过程,在过程中落实目标教学目标一经确立,教师就要根据教学目标去组织教学内容,选用教学方法,设计教学过程,使一切教学活动都紧紧围绕教学目标的实现去展开。例如,根据前面确立的《平行四边形面积的计算》一课的教学目标,在设计教学过程时,就应该把握以下几个要点:1、 以复习长方形面积公式引入新课。(“转化”的起点)2、 进入探求新知的环节后,可先让学生大胆猜想平行四边形面积 的求法,再通过合作交流和教师的引导,明确转化的方向。3、 动手实践,完成转化。让学生通过剪、移、拼等操作活动,完成平行四边形到长方形的转化。此时,教师要让学生明确“延高剪开”的必要性。(转化的关键)4、 引导学生通过比较分析,得出平行四边形面积的计算公式后,教师应作小结并再现公式的推导过程,同时启发学生去感悟平移和转化的数学思想方法。(进一步落实数学思考目标)5、 保证课堂练习的质量和时间,以使学生牢记和熟用公式。同时,教师要根据课堂交流和作业反馈信息,对知识技能目标的达成度进行量化检测。(落实知识技能目标、解决问题的目标)在此,我们可以设想这样的教学进程:在教师的引导下,学生通过动手剪切、平移和拼接,将平行四边形转化成长方形;再通过观察、比较、分析和概括,归纳出平行四边形的面积公式;然后,带着成功的喜悦,利用公式去解决求面积的各种实际问题……整个过程完全围绕预先设立的教学目标来进行。学生通过亲历这个过程,不仅能够牢固掌握并熟练运用S=ah这个公式,而且对平移和转化的数学思想方法有了初步体验,在数学思维和学习方法上进行了一次有效的积累,感受了成功的快乐,增强了学习的兴趣和信心。在这样的教学中,知识技能目标与过程目标都得到了落实,而且各个目标之间在功能上形成了一种相互促进的关系,而这正是实施新课程的目的所在。 教学目标是教学的根本,是进行小学数学教学首先要完成的。如:使学生能正确地理解概念、牢固地掌握概念、正确地运用概念等一些有关基础知识、基本技能的教学目标,完成这些基本的教学目标是实现教学的首要前提。作为构成教学诸多要素中的一个至关重要的因素,它既是教学的出发点,又是教学的归宿点。因此,教师在教学实践中对课时教学目标的制定是否恰当,教学过程中目标的达成度如何,将直接决定一堂课的教学效果,进而决定教学质量。在此,本人就目前课堂教学中的一些现象和小学数学教学中怎样理解、把握和处理三维目标的有关问题,谈一点个人的看法。 在一些课堂上,尤其是在一些公开课中,有这样的现象:教师为了突出过程与方法、情感态度与价值观的教学目标,尽其所能地创设了各种“生动”的教学情境,安排了大量的游戏、操作、自主探索与合作学习等活动,并在教学中不时地加入一些贴标签式的“道德情感教育”,这样的课堂学生往往兴趣高涨,气氛热烈。然而在“热闹”之余,往往看不到教师在知识与技能形成的关键处给学生以必要的引导和点拨,学生在实践活动之后缺乏理性的总结归纳,很多课堂上没有学生独立思考和独立完成作业的时间。因此,在对学生进行成绩检测时,其基础知识和基本技能的掌握情况往往达不到《数学课程标准》的基本要求。还有一种现象,在一些教师的教学中,仍然表现出只追求知识技能单一目标的倾向。看其教学设计,难见数学思考、解决问题与情感态度诸方面的目标表述;观其课堂教学,基本沿袭传统模式,学生主要通过听讲或简单的问答去接受知识。一节课下来,除了被动接受的基础知识与基本技能,学生在其他方面鲜有收获。以上两种现象反映了当前参与式教学中数学教学出现的两个极端,它们都偏离了参与式的正常轨道,要纠正这些现象,除加强理论学习,深入理解课程目标外,还应:一、在教学设计中整合三维目标,真正体现参与式教学目标的全面性。 教师在制定课时教学目标时,应从知识与技能的掌握和学生的可持续发展两方面着眼,突出教学目标的全面性。例如《人教版九年义务教育数学教材第十二册)教材中《圆柱的体积》一节中含有以下教学内容:(1)圆柱体体积公式的推导。(2)圆柱体体积公式的应用。首先,这两个教学内容直接对应了本课的知识技能目标。同时,教材中还蕴涵着丰富的发展性目标因素,即在推导公式的时候,如果不是由教师包办,而是让学生去亲历知识的形成过程,就能培养他们的实践能力和合作意识,并得到数学思想方法的熏陶和积极的情感体验。 因此,本课的教学目标可确定为: 1.使学生初步掌握圆柱体体积计算方法,能用圆柱体体积公式进行计算。 2.通过经历圆柱体体积公式的推导过程,培养学生的合作意识、操作实践能力和抽象概括能力,并初步感知切割、转化的数学思想方法。 3.使学生通过学习活动获得成功体验,提高学习数学的兴趣,增强学好数学的信心。 在以上的教学目标中:第1条属于知识技能目标,它含有“理解并记住公式”和“会用公式进行计算”这两个具体的目标。第2、3条则体现了数学思考、解决问题、情感与态度等过程性目标。 显然,此教学目标避免了前面所述两种现象中目标缺失不全的弊端,体现了三维目标的整合。二、围绕目标设计教学过程,在过程中落实目标。 教学目标一经确立,教师就要根据教学目标去组织教学内容;选用教学方法;设计教学过程,使一切教学活动都紧紧围绕教学目标的实现去展开。 例如,根据以上所确立的《圆柱的体积》一课的教学目标,在设计教学过程时,应该着重把握以下几点: 1.以复习长方体体积公式引入新课。(“转化”的起点) 2.进入探求新知的环节后,可先让学生大胆猜想圆柱的体积的求法,再通过合作交流和教师的引导,明确转化的方向。 3.动手实践。学生通过剪、拼等操作活动,完成圆柱体到长方体的转化。此时,教师要让学生明确“延高剪开”的必要性。(转化的关键) 4.引导学生通过比较分析,得出圆柱体积的计算公式后,教师应作小结并再现公式的推导过程,同时启发学生去感悟切割和转化的数学思想方法。(进一步落实数学思考目标) 5.保证课堂练习的质量和时间,以使学生牢记和熟用公式。教师要根据课堂交流和作业反馈信息,对知识技能目标的达成度进行量化检测。(落实知识技能目标、解决问题的目标)在此,我们可以设想这样的教学进程:在教师的引导下,学生通过动手剪切、平移和拼接,将圆柱体转化成长方体;再通过观察、比较、分析和概括,归纳出圆柱体的体积公式;然后,带着成功的喜悦,利用公式去解决求体积的各种实际问题……整个过程完全围绕预先设立的教学目标来进行。学生通过亲历这个过程,不仅能够牢固掌握并熟练运用V=sh这个公式,而且对切割和转化的数学思想方法有了初步体验,在数学思维和学习方法上进行了一次有效的积累,感受了成功的快乐,增强了学习的兴趣和信心。在这样的教学中,知识技能目标与过程目标都得到了落实,而且各个目标之间在功能上形成了一种相互促进的关系,这样不仅体现了教学目标的“主体性、探索性、实践性和激励性”原则,也正是实施参与式教学的目的所在。
三维目标是教育理论中的一个新名词。它是指教育教学过程中应该达到的三个目标维度,即:知识与技能;过程与方法;情感态度与价值观。
(1)知识与技能目标: 主要包括人类生存所不可或缺的核心知识和学科基本知识;基本能力——获取、收集、处理、运用信息的能力、创新精神和实践能力、终身学习的愿望和能力。
(2)过程与方法目标:主要包括人类生存所不可或缺的过程与方法。过程——指应答性学习环境和交往、体验。方法——包括基本的学习方式(自主学习、合作学习、探究学习)和具体的学习方式(发现式学习、小组式学习、交往式学习……)。
(3)情感态度与价值观目标: 情感不仅指学习兴趣、学习责任,更重要的是乐观的生活态度、求实的科学态度、宽容的人生态度。
扩展资料:
1、要整合三维目标,前提是要整体解读文本,科学确定每一个维度的目标。“夫缀文者情动而辞发,观文者披文以入情,沿波讨源,虽幽必显。”在阅读文本时,首先要确定情感态度与价值观的发展点。
2、目标的逐维分解有利于目标的具体化、操作化,分解目标只是教学目标设计的第一步,关键是把分解后的目标整合起来,整合的目标更有利于目标的结构化和整体化。
3、在目标的表述形式上,虽然没有出现知识和能力、过程和方法、情感态度和价值观三个维度目标明显的提示语,但是每一条目标都很好地把三维目标交融在一起,并且分层递进,为课堂教学达到三维目标和谐共振奠定了基础。
参考资料:百度百科-三维目标