发布时间：
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（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）。
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。
PCR技术是一种体外酶促合成、扩增特定DNA片段的方法。下面是我整理的关于pcr技术论文，希望你能从中得到感悟!
技术的研究进展
摘要 PCR技术是一种体外酶促合成、扩增特定DNA片段的方法。因其高强的特异性和灵敏度以及检测速度快、准确性好等优点，已被广泛地应用于水产、微生物检测等许多领域。该文从PCR技术的原理及应用方面进行了综述，并对其发展做出了展望。
关键词 PCR技术;研究进展;应用
中图分类号 Q819 文献标识码 A 文章编号 1007-5739(2012)10-0047-02
PCR(polymerase chain reaction，PCR)即聚合酶链式反应，它是一种体外酶促合成，扩增特定DNA片段的方法。1985年，美国Karray等学者首创了PCR技术，并由美国Cetus公司开发研制[1]。随着科学技术的发展和突破，PCR技术已在多个领域得到广泛地应用，如微生物检测、兽医学、水产养殖等方面。由于该技术具有较强的灵敏度、准确度和特异性，又能快速进行检测，因而其应用领域也在不断延伸[2-3]。随着PCR技术的不断发展，在常规PCR技术的基础上又衍生出了许多技术，如多重PCR(mutiplex PCR)技术[4]、实时荧光定量PCR(real-time fluorescent quantitative PCR，FQ-PCR)技术[5]、单分子PCR技术[6]。
1 PCR技术原理
PCR技术是根据待扩增的已知DNA片段序列、人工合成与该DNA 2条链末端互补的2段寡核苷酸引物，在体外将待检DNA序列(模板)在酶促作用下进行扩增。PCR的整个技术过程经若干个循环组成，一个循环包括连续的3个步骤：第1步是高温条件下的DNA模板变性，即模板DNA在93~94 ℃的条件下变性解链;第2步是退火，即人工合成的2个寡核苷酸引物与模板DNA链3’端经降温至55 ℃退火;第3步是延伸，即在4种dNTP底物同时存在的情况下，借助TaqDNA聚合酶的作用，引物链将沿着5’-3’方向延伸与模板互补的新链[7]。经过这个循环后，合成了新链，可将其作为DNA模板继续反应，由此循环进行。循环进程中，扩增产物的量以指数级方式增加，一般单一拷贝的基因循环25~30次，DNA可扩增l00万~200万倍[1]。PCR反应的步骤很简单，但是具体的操作是复杂的，如退火温度的确定、延伸时间的长短以及循环数等。因此，不同的反应体系应该确定适当的反应条件，以避免假阴性或假阳性等情况的产生。
2 PCR技术的分类
在传统PCR技术的基础上，根据人们的需要以及各个领域的应用要求，又衍生出很多种类的PCR技术。新技术在各领域广泛应用并逐渐改进，为进一步的研究提供了基础。
实时荧光定量PCR技术
1996年，学者经过研究，在传统PCR技术的基础上，首创了实时荧光定量PCR技术，新技术已经应用至医学领域、分子生物学和其他基础研究领域。实时荧光定量PCR技术基于传统技术的优势，还具有实时性、准确性、无污染，实现了自动化操作和多重反应，是PCR技术研究史上从定性到定量的飞跃[8]。
荧光定量PCR技术最大的特点是能将荧光基团加入到PCR反应体系中，借助于荧光信号，累积实时监测整个PCR进程，最后通过标准曲线对未知模板进行定量分析[9]。实时监测这一特点是常规PCR技术所不具有的，因为其对扩增反应不能进行随时的检测。常规PCR技术的扩增终产物需要在凝胶电泳等条件下才能进行，无法对起始模板进行准确的定量，而荧光定量PCR技术的反应进程可以根据荧光信号的变化做出准确的判断[10-11]。一个PCR循环反应结束之后，定量PCR仪可以收集1个荧光强度信号，荧光信号强度的变化可以反映产物量的变化情况，这样就可以得到1条荧光扩增曲线[12]。荧光信号在指数扩增阶段，PCR产物荧光信号的对数值与起始模板量之间存在线性对应关系，然后进行定量分析[13]。
多重PCR技术
多重PCR(mutiplex PCR)技术是PCR技术的一种，为同一管中加入多对特异性引物，与PCR管内的多个模板反应，在一个PCR管中同时检测多个目标DNA分子。多重PCR技术可以扩增一个物种的一个片段，也可以同时扩增多个物种的不同片段[14]。
在同一反应体系中，多重PCR技术进行多个位点的特异性扩增时，引物间的配对、引物间的竞争性扩增等会对扩增效果产生重要影响。一方面，如果能选择适宜的反应体系和反应条件，可极大地提高多重PCR的扩增效果[15]。主要包括退火温度、退火及延伸时间、PCR缓冲液成分、dNTP的用量、引物及模板的量等。另一方面，DNA的抽提质量也影响多重PCR扩增效率，如DNA抽提不干净或降解都将影响PCR扩增效果[16]。
单分子PCR技术(SM-PCR)
单分子PCR技术是在传统PCR技术的基础上发展的，基本循环过程相同，但在反应条件、模板数量、DNA 聚合酶选择、引物设计方面具有不同点。该技术是以少量或单个DNA分子为模板进行的PCR[17]。
单分子PCR技术反应中，DNA 模板浓度极低，这就要求模板有较高的质量。因为这是试验成败的决定性因素。在设计引物时，应该严格控制GC的含量和Tm值，同时尽量避免引物间存在可配对序列。在反应混合物模板数极低的情况下，若引物之间存在少量配对序列，扩增时极易形成二聚体，使反应无法进行，得不到所需要的产物[18]。由于单分子PCR技术反应的变性温度(96~98 ℃)大多比常规PCR技术(94 ℃)略高，因而对DNA 聚合酶热稳定性的要求也更加严格，需要有较好的热稳定性，以防止温度过高而使其失活。其变性时间(5~15 s)、退火时间及延伸时间也短于常规PCR技术[17]。
3 PCR技术的应用
PCR技术在水产上的应用
基因表达是检测某个基因在不同发育期或不同组织中的表达量变化，或受到某种试验处理过程中的影响而出现表达量变化的情况。有学者应用real-time PCR技术研究碳水化合物含量对翘嘴红鲴糖代谢酶G6Pase、GK以及PEPCK表达量的影响[19-21]，研究结果可为翘嘴红鲴饲料配方中的最合适糖含量提供理论依据。孙淑娜等[22]研究叶酸拮抗剂对斑马鱼心脏发育相关基因BMP2b及HAS2表达的影响，表明叶酸拮抗剂对早期胚胎的心脏发育影响较大，可导致斑马鱼心脏发育延迟及心脏形态异常，并下调斑马鱼心脏发育相关基因BMP2b及HAS2的表达，这可能是叶酸生物学活性受抑后导致心脏发育异常的机制之一。Sawyer et al[23]以斑马鱼的未受精卵、胚胎、仔鱼和成鱼为研究材料，采用实时荧光定量PCR技术，检测了P450aromA和P450aromB在不同组织的表达量，表明在各组织中均有2种基因的表达，但表达量显著不同，呈现组织特异性。
PCR技术在微生物检测上的应用
1990年，Bej et al[24]在利用多重PCR的方法检测了Leg-ionella类菌种和大肠类细菌，其结果是通过点对点方法固定的多聚dT尾捕捉探针和生物素标记的扩增DNA进行杂交来检测的。张志东等检测口蹄疫病毒(FMDV)持续性感染的带毒动物，表明实时荧光定量PCR技术具有快速检测、准确、客观等优势，较优于传统的检测方法[25-26]。Metzger-Boddien et al[27]对PCR-ELISA的方法进行了评价，结果显示，样品中沙门氏菌的检出率可以达到98%。
4 展望
传统PCR技术以及衍生出来的新型PCR技术自面世以来，已被广泛应用到生命科学的各个领域。随着技术方法的不断改进与完善，荧光定量PCR技术将会逐渐完善并广泛应用。多重PCR技术在食品病原微生物、非致病微生物及环境微生物检测中具有重要作用;未来的研究主要集中在去除食品抑制因子干扰、改进样品前处理技术等方面，其次是整合应用多重PCR与其他技术，必将在未来食品微生物检测中有非常好的应用前景。
5 参考文献
[1] 常世敏.PCR在食品微生物检测中的应用[J].邯郸农业高等专科学校学报，2004，21(4)：23-25.
[2] 唐永凯，俞菊华，徐跑，等.实时荧光定量PCR技术及其在水产上的应用[J].中国农学通报，2010(21)：422-426.
[3] 吴学贵.LPS刺激点带石斑鱼免疫相关基因的克隆与组织表达差异性分析[D].海口：海南大学，2011.
[4] 侯立华，黄新，朱水芳，等.双色荧光多重PCR技术及在禽流感病毒检测中的应用[J].生物技术通报，2010(1)：168-172.
[5] 查锡良.生物化学[M].7版.北京：人民卫生出版社，2009：483-485.
[6] 张杰道.生物化学实验技术PCR技术及应用[M].北京：科学出版社，2005：12-18.
[7] 谢海燕.黑线仓鼠LHR部分序列克隆及组织器官的表达差异[D].曲阜：曲阜师范大学，2011.
[8] KUBISTA M，ANDRADE J M，BENGTSSON M，et real-time pol-ymerase chain reaction[J].MoLecular Aspects of Medicine，2006，27(2-3)：95-125.
[9] AGINDOTAN B O，SHIEL P J，BERGER P detection of potato viruses，PLRV，PVA，PVX and PVY from dormant potato tubers by TaqMan real-timeRT-PCR[J].J Virol Methods，2007，142(1-2)：l-9.
[10] 李丽平.小麦慢锈品种叶片受条锈菌侵入后的木质素合成及调控研究[D].雅安：四川农业大学，2009.
[11] 薛霜，独军政，高闪电，等.实时荧光定量PCR技术研究进展及其在兽医学中的应用[J].中国农学通报，2010(7)：11-15.
[12] SCHUBERT J，FOMITCHEVA V，SZTANGRET-WISNIEWSKA J. Dif-ferentiation of Potato virus Y strains using improvedsets of diagnostic-PCR-primers [J].J Virol Methods，2007，140(1-2)：66-74.
[13] 袁继红.实时荧光定量PCR技术的实验研究[J].现代农业科技，2010(13)：20-22.
[14] 朱善元.生物检测技术PCR及其在兽医微生物检测中的应用[J].黑龙江畜牧兽医，1999(11)：21-22.
[15] 黄银花，胡晓湘，李宁，等.影响多重PCR扩增效果的因素[J].遗传，2003，25(1)：65-68.
[16] 陈诺，唐善虎，岑璐伽，等.多重PCR技术在食品微生物检测中的应用进展[J].生物技术，2010，37(10)：72-75.
[17] 刘连生.常规PCR技术与单分子PCR技术[J].医学信息，2010，23(11)：4379-4380.
[18] 顾超颖.汗孔角化病的临床分析，SSH1、ARPC3基因突变检测和表达谱分析[D].上海：复旦大学，2008.
[19] 唐永凯，俞菊华，刘波，等.翘嘴红鲌肝脏G6Pase催化亚基的克隆以及摄食和饲料中碳水化合物对其表达的影响[J].水产学报，2007，31(1)：45-53.
[20] 刘波，谢骏，苏永腾，等.高碳水化合物日粮对翘嘴红鲌生长、GK及GK mRNA表达的影响[J].水生生物学报，2008，32(1)：47-53.
[21] 俞菊华，戈贤平，唐永凯，等.碳水化合物、脂肪对翘嘴红鲌PEPCK基因表达的影响[J].水产学报，2007，31(3)：369-373.
[22] 孙淑娜，桂永浩，宋后燕，等.叶酸拮抗剂甲氨喋呤导致斑马鱼心脏发育异常及BMP2bHAS2表达下调[J].中国当代儿科杂志，2007，9(2)：159-163.
[23] SAWYER S J，GERSTNER K A，CALLARD PCR analysis of cytochrome P450 aromatase expression in zebrafish：gene specific tissue disyribution，sex differences，developmental programming，and estrogen regulation[J].General and comparative endocrinology，2006，147(2)：108-117.
[24] BEJ A K，MAHBUBANI M H，MILLER R，et PCR amplif-ication and immobilized capture probes for detection of bacterial patho-gens and indicators in water[J].Mol Cell Probes，1990，4(5)：353-365.
[25] ZHANG Z D，ALEXANDERSEN of carrier cattle and sheep persistently infected with foot-and-mouth disease virus by a rapid real-time RT-PCR assay[J].Journal of Virological Methods，2003，111(2)：95-100.
[26] ZHANG Z D，BASHIRUDDIN J analysis of foot-and-mouth disease virus RNA duration in tissues of experimentally infected pigs[J].TheVeterinary Journal，2009，180(1)：130-132.
[27] METZGER-BODDIEN C，BOSTEL A，KEHLE for analysis of food samples[J].J Food Prot，2004，67(8)：1585-1590.
点击下页还有更多>>>关于pcr技术论文
为了更好的提高微生物食品的安全性，对微生物的检验技术的发展就变得十分的重要。下面是我为大家整理的食品微生物论文，供大家参考。
【论文关键词】：食品微生物 实验教学 实验开放管理
【论文摘要】：食品微生物实验教学中,本文从精心选择实验内容,有效组织管理实验教学,引进综合考评机制并加强开放管理实验室方面进行思考和 总结 ,以期确保实验课安全、有序、成功的完成,达到教学目的。
实验教学是高等 教育 教学活动的重要环节。通过实验课不仅可以加深学生对课堂内容的理解,巩固已学到的理论知识,而且能够培养学生理论联系实际的能力、分析问题和解决问题的能力,对于活跃思维、提高创新能力起着积极的作用。
食品微生物学是食品专业学生必修的专业课,是普通微生物学的延伸。食品微生物学是一门实践性和应用性较强的学科,它要求学生在系统学习基础理论知识的基础上,掌握食品微生物学检测技术、分离纯化技术、鉴定技术、发酵食品的制备技术、食品加工与保鲜技术以及现代分子微生物学实验 方法 等。通过食品微生物实验教学培养出不仅具有丰富理论知识,而且能掌握现代生物技术并熟练操作的高技能人才。
如何加强食品微生物实践教学的组织指导,如何调动学生的积极性,提高实验教学效果一直是我们关注和探索的问题。下面简单谈一下我们在食品微生物实验教学中遇到的问题,解决的方法和对一些问题的思考。
1 精心选择实验内容,调动学习积极性
随着食品工业和微生物检测技术的迅速发展,食品微生物学及其实验课的内容也不断扩展,而实验课既受理论课内容进度的限制,又受课时及实验室等客观条件的限制。要在有限的课时内,系统、科学地完成食品微生物所有的实验项目是绝对不可能的,这就要求我们实验教师在掌握微生物学教学大纲的前提下,结合现代科技的发展和食品微生物的研究动态,精心设计实验课教学体系,合理选择实验项目。
选择实验内容,我们由浅入深,由感性到理性。首先要求学生对食品中常见细菌、酵母菌、霉菌、乳酸菌进行观察,掌握其性状特征和培养生长条件。学会识别哪些是有益菌,哪些是有害菌,利用有益菌的代谢活动制造更多的发酵产品,提高食品的质量,同时防止有害菌引起食品腐败变质以及食物中毒。其次选择有代表性的发酵食品作为实验内容,使学生了解利用微生物生产发酵食品的整个过程,通过这些实验使同学们对食品发酵有一个总体印象,并能举一反三。最后对不同的食品和发酵食品设计实验,让学生掌握食品微生物学检测技术、分离纯化技术、鉴定技术。并在课堂上结合自己的科研成果和食品研究 热点 介绍食品工业发展的前沿动态。
实验设计过程中,不仅有验证性实验,更多地引进了综合性和设计性实验,学生分成几人一组,让学生从实验设计,自己选择原材料,准备实验材料,试剂的配置,培养基的制备和灭菌等都由学生自己完成,最后写成规范的实验 报告 。学生对此积极性很高,甜酒酿、酸奶、腐乳等都是同学们喜欢并制作的发酵食品。在这个过程中学生将所学内容贯通,并熟悉掌握各个环节的操作步骤,这对学生将来步入社会,在工作岗位上独立开展工作都会有很大的帮助。
2 强化基础技能的训练,有效组织管理实验教学
食品微生物学是在掌握微生物的基本实验技能的基础上开展的,学生无菌操作观念的培养、正确使用、掌握微生物的实验仪器,如光学显微镜、灭菌消毒器械等都非常重要。但基于很多原因,学生的这些基础技能还是很薄弱,所以我们在进行食品微生物的每一个实验的每一个步骤中只要涉及这些基础性的知识,都会给予强调,亲自演示。
学生微生物基础技能培养和形成,不是一两堂课能完成,也不是单单有老师演示后学生就可以掌握,必须让学生每人亲自动手。但在实际教学过程中,由于学生人数的增加,硬件等条件限制,人手一套实验器材不现实,那么在有限人力、有限资源情况下,使每一位同学都能动手操作并熟悉实验过程,有效组织和管理实验教学过程就尤为重要。
(1)首先任课教师和实验技术人员充分做好预实验,对实验的关键步骤和关键操作点都做到心中有数,在授课过程中有重点地强调,并分析某步骤出现问题可能会出现的结果。
(2)每次实验之前任课教师和实验技术人员就实验进行积极的沟通,不仅对实验准备的物品和材料沟通,更要对实验的组织过程协商。
(3)在实验过程中则需要任课教师和实验技术人员相互协作,并充分发挥学生班干部和小组长的作用。课堂理论教学课和实验课最大的区别在于,实验课更注重学生的动手参与,以及实验过程出现问题发现问题的及时解决。 (4)教师要严于律已,教师要严格要求自己,实验过程中耐心指导,热情帮助,回答好学生提出的每个问题,并随时纠正不正确或不规范操作。
3 加强实验课考核,引进综合实验考评
实验课的成绩给定,往往包括实验课出勤率和实验报告成绩两方面综合。所以首先就要求教师认真考勤,只有学生的出勤率有保证才能有效地组织教学活动。其次,要求实验报告书写规范,详细完成实验报告,对实验结果进行讨论,实验失败要分析原因。同时教师也对实验报告认真批改,实验报告是对实验的总结,也是对实验课质量高低的检验。通过对实验报告的批改,可以发现学生的实验操作能力和观察分析问题的能力。
实际教学中,实验报告雷同和抄袭的现象比较多见,为综合考评学生实际动手能力和对实验技能的掌握,建议今后引进期末的综合实验考评:即将各个试验项目设计成不同的实验题目,让每个学生随机抽取并在有限的时间内独立完成操作,视完成的情况给予评分。比如:“食品中常见菌类的平板培养”考察了无菌操作、培养基的制备,对食品中常见菌类平板接菌技术;“食品中常见菌类的形态观察”考察了革兰氏染色,各真菌形态辨别等。在进行具体考核过程中,可把每个考核的内容进行量化定出详细的评分标准,根据学生的每一个操作环节现场打分,并对同学进行现场提问,让学生进行答辩。
4 有计划推进实验室的开放 加强实验室开放管理
微生物实验室的开放是对食品微生物实验课的有益补充,能强化、巩固、提升对食品微生物课程内容的理解,我们鼓励学生设计和开发自己的科研项目,而且学校有很优厚的资金加以支持。但是开放实验室不是无条件的,有时因实验操作不当引起的安全隐患是很严重和难以预料。因此实验室开放时管理须给予加强。
建立科学的管理机制,利用校园网建设实验网站,公布开放实验项目的题目、时间和地点,供学生选择和预约。
专人负责学生的科研队伍,对菌种、标准品、和学生用到的有毒有害物质要有专人负责,注意保管,不随意丢弃,做好无害化处理。对使用仪器学生做好使用登记,实验物品注意清洗、归还、交接。
总之,食品微生物实验课,只有提高对实验教学活动的认识,精心选择实验内容,合理有效组织和管理实验过程,并加强实验课的考核,在此基础上,推进实验室对学生的开放,加强开放实验室的管理,就能确保实验课安全、有序、成功的完成,达到教学目的,也使学生真正有所收获。
参考文献
[1] 赖建平.从培养学生创新能力入手加强化学院食品微生物学实验教学改革[J].广东化工,2007,2:77～79.
[2] 潘蕾.实验室开放管理的研究与实践[J].实验技术与管理,2007,9:131～133.
[3] 陶思源,食品微生物实验课教学改革的初探[J].辽宁行政学院学报,2005,4:211～212.
[论文关键词]：食品微生物 教学改革 多媒体课件
[论文摘要]：针对食品微生物学课程教学， 文章 从教学内容、教学手段、 教学方法 和成绩考核标准等几个方面进行了探讨，为食品微生物教学改革提供了新的思路。
食品微生物学是一门研究与食品有关的微生物的科学，通过对微生物的基本知识、基础理论和基本实验技能的教学，使学生能辨别有益的、腐败的和病原的微生物，从而在食品制造、保藏过程中，充分利用有益微生物，控制有害微生物的活动，以防止食品的变质[1]。该课程内容多，涉及面广，技术性实用性强，是食品专业的专业基础课程。在教学中，除重视基础理论知识、基本操作技能的传授外，也注重了培养学生分析问题、解决问题的能力，做法和体会如下：
一、变学生被动为主动，变换教学立场
教师的备课不是简单的“背课”[2]，是在对教学内容熟悉的基础上，优化内容，根据食品微生物学知识体系的要求合理分配教学时间，增加学生在课堂上的参与和主动，启发引导学生完成学习任务，充分发挥教为主导，学为主体的作用。要改以往课堂以教师讲为主，学生被强迫坐于课堂，不能也不敢出声的传统教学模式，做到让学生“动”起来，让学生自身主动地进入到学习状态，增加学习兴趣，提高学习效果。
如“食品微生物学”与“生物化学”等课程相互渗透、相互联系，在授课时间上有前有后，为了避免相近课程某些内容重复，我们进行了授课内容的优化。对于先修课程生物化学，已讲过“物质代谢”内容，则以学生为主角，让学生课下查阅资料丰富相关知识尤其是一些科研论文(这样可以启发学生发现更多问题)，然后课堂向教师提问的方式来完成这部分教学内容。教师要根据学生提问的难易做到由浅及深地回答，帮助学生回顾已忘或还未掌握的内容。学生在提问时，允许学生充分发挥想象;老师答疑时要尽可能多联系一些日常生活的实例和本学科当前研究的最新进展，用简练、幽默、易懂的语言回答相关问题，这样既丰富了学生知识，又调动了学生积极性和趣味性，让学生在课堂上能够感觉到自己是课堂主角，要发挥主角作用。
二、善于利用多媒体教学资源
传统的板书加挂图的食品微生物教学模式已远远不能满足当今学生的信息量。计算机辅助教学成为当今教育科学及教学手段的重要组成部分[3]。多媒体技术应用于食品微生物教学中，使教学效果前所未有的提高。首先，多媒体技术使直观教学成为可能。将微观世界在课堂上生动再现，其效果胜过任何语言的描述。其次，多媒体提供的信息量远远大于传统教学模式。课堂上学生可以观看多幅图片，阅读多篇教学材料，这个数量可以是传统教学的几倍。第三，多媒体将多种教学资源进行了整合，提供了多种教学方法，如课件、动画、相关网络声像资料及新闻报道等。
食品微生物学，不仅内容丰富，涉及面广，发展迅速，而且个体微小，学生对它的认识远不如对宏观事物，再加上其营养方式、遗传类型多种多样、代谢机制错综复杂，学生往往感觉其知识繁琐、抽象和难以理解。针对这种情况，将多媒体技术应用到微生物学课程的教学，受到了学生的普遍欢迎。通过flash动画、PPT课件、高清晰显微照片、动态显微录像等CAI教学软件，使微观世界宏观化、教学内容形象化[4]。例如，把细菌、真菌、病毒的显微世界以色彩丰富、直观清晰、生动形象的三维画面或科教电影形式展示给学生，以动画的形式表现出细菌鞭毛的运动、T偶噬菌体的增殖、主动吸收的方式、细胞的分裂过程等内容。不仅激发了学生的学习兴趣，有助于学生的理解与接受，而且可突破教学中的难点，加大教学的信息量，提高讲课的效率。
三、采取形象化教学形式
在实际教学过程中要注重知识的逻辑性和系统性，强化抽象理论与具体实例结合，增加学生对抽象理论的感性认识和接受能力。食品微生物学主要讲解了微生物在食品生产、贮运及销售过程的利害影响，但由于微生物的自身特性，我们很难就只有显微条件下才能观察到的细小生物让其形象化，宏观化。虽然多媒体已经在此方面有了很大改善，但要做到与具体实例联系更加紧密，更加强化学生的感性认识，我们必须借助实际生产、生活中的例子来实现形象化教学。如，上课时我们将一些常见的白酒、红酒、酸乳、面包、酱类等发酵食品带入课堂来讲授微生物在发酵食品中的应用，并且通过与实验紧密结合，开展发酵酸乳来增强学生对微生物利用的认知，让学生自已亲自动手制作酸乳，品评自已的劳动成果，便于理解和掌握教学内容重点。再如讲到微生物对食品的危害时，我们选用了一些发霉的粮食、发霉的马铃薯以及发臭的肉和罐头等进入课堂，这样在理论讲解时有现实的例子，无论从教师的讲授还是学生掌握都因有了宏观感性认识而变得轻松容易。
四、调动学生兴趣，培养创新能力
兴趣是学习的动力，也是创新的动力，创新的过程需要兴趣来维持。教育学家乌申斯基说：“没有丝毫兴趣的强制学习，将会扼杀学生探求真理的欲望。”[5]食品微生物课堂教学中要注重培养学生的学习兴趣，养成学生良好的学习习惯，为学生创造性学习奠定基础。那么如何在微生物教学过程中做到调动学生兴趣，培养创新能力呢?我们主要从三方面来做起。第一，因材施教。学生的个性差异和智力发展情况各不相同，因材施教，对不同层次的学生实施不同程度的思维能力和创造能力，对不同层次的学生要有不同的评价标准和不同的目标要求。第二，以“新”为轴，调动学生学习兴趣。教学中突出“新”的理念(即运用新思想，联系新理论，列举新课题等)，在激发学生的学习热情，培养提出问题，解决问题的能力，积极参加各种学术讨论会，大胆提问等方面都无疑会起重要作用，同时还赋予学生宝贵的 创新思维 。第三，多样化传授知识。改传统课堂教学模式，引入食品中微生物变化的课外观察，自行了解微生物的生长变化;鼓励学生课堂提问，学生课外查阅资料课堂以报告会形式进行教学内容讨论;积极开展相关实验，引入校园河水中微生物检测实验，培养学生自行设计安排和完成实验的能力。
五、强化实验教学，重视动手能力
食品微生物学是一门实验性、技能性很强的专业基础课，这一学科的在校大学生踏上工作岗位前，普遍存在动手能力较差、实验技能欠缺的问题。充分利用现有的力所能及的各种条件,加强实验技能培训，是最快捷有效的弥补方法。
(一)课堂实验
食品微生物实验课开始时，讲明实验目的、要求、步骤和注意事项，努力使实验成功的要求变成学生头脑中的指令，使每位同学都全神贯注地投入到实验当中去。从最基本的操作技术做起，抓住实验课上一切可以利用的机会，采取多种形式强化基本技能。具体如下：
最初，教师进行实验目的、要求、步骤和注意事项的详细讲解。
其次，以多媒体的形式将预先录制的实验过程向学生播放。这样既可以回顾理论教学内容加深实验印象，又可使学生初步了解实验过程、实验步骤及实验中的关键操作，帮助掌握实验技能。
再次，教师与学生同时进行实验操作。这样进行实验，学生在观看了录像后对部分仍不明白或是记忆不清楚的地方可以通过教师演示与他们实验的同步，进行实验信息交换，从而让学生能够最短最及时最迅速地掌握正确的实验技能。
最后，进行实验总结，认真完成实验报告的写作和批阅，从中找出问题并进行集中答疑，进一步修正学生实验中的错误。
(二)课外实验
不定期安排学生在课外做些简单实验或集中安排学生课外进行实验技能训练。如在讲微生物腐败变质时安排学生课外取一空矿泉水瓶内装入校园河流中比较清澈的水，然后进行封口存放，直至水质变化产生腥臭。让学生通过这种现象来强化课堂所学内容，起到了良好教学效果。再如集中学生利用课余时间进行校园河水中微生物检测实验，让学生以小组为单位独立完成从实验设计到完成检测报告一系列工作，并且最后进行结果评比。这样不但丰富了学生课余生活，而且还调动了学生的学习积极性，提高了学生的实际动手和综合运用知识的能力。
六、建立适合当代大学生的考核机制[6]，正确评定学生成绩
实行理论和实验考试分离，突出实验，综合评定的考试模式。改以往教师授课内容为蓝本，学生考前背，考后忘的非正常态考试模式。将理论考查内容面放宽加大，强调与实际食品生产的联系，将知识点以命题形式溶入现实生活，做到“学以致用”。实验考试采用笔试和操作各占一半的命题形式，做到实验理论和实验操作并行，要求学生在规定时间内完成两部分命题，达到理论、操作都掌握的目的。实验笔试以实验基本原理和关键操作步骤为主要命题范围，实验操作以抽签形式定，内容均为食品微生物必须掌握的实验内容，如显微镜观察、细菌染色、细菌计数等。最后学生成绩由理论和实验两部成绩再结合平时的课堂提问及实验情况进行综合评定，给出学生一个公平公正科学的考核成绩。通过这种模式考试既要求学生掌握了食品微生物的相关理论知识，又培养了学生的实验操作技能，为以后的实际工作打下了坚实基础。
实践证明，我们进行的食品微生物课程教学改革的大胆尝试是成功的。教学内容的丰富更新、教学手段的现代化，考核机制的客观化，不仅提高了教学质量和教学效果，而且激发了学生的学习兴趣，拓宽了学生的知识面，增强了学生的动手能力，适应了现代社会对人才培养的要求。
参考文献
[1]贾英民，食品微生物学[M]，北京，中国轻工业出版社，2001，1~243
[2]朱宏飞，微生物教学中激发学生兴趣的几点探索[J]，微生物学通报，2007，34(1)173~175
[3]梁峙，微生物教学中的CAI[J]，彭城职业大学学报，2001，3(16)，76~79
[4]李平、杜先锋、蒋军，运用多媒体课件好食品微生物学的尝试[J]，高等农业教育，2002，10，42~44
[5]叶丹玲，如何在微生物教学中培养学生的创新意识[J]，宁波工程学院学报
摘要： 随着人类社会的进步，食品安全已经成为世界性的公共卫生问题，不仅影响到人类的健康，而且关系到国家的安全及稳定，大力发展科学技术，研究新检验方法，快速推广普及有效检测技术越显重要。本文介绍了免疫检测技术、分子生物学方法、快速测试片法、电阻电导测定法四方面的检测方法，并评述了他们的特点。随着生物等新技术新方法在食品微生物检验领域应用，文章对近几年食品微生物检测技术和方法进行介绍，这样做有效的提高了检测效率和检验速度。
关键词： 检测方法;微生物
0 引言
随着人们现代科学技术的发展，“细菌门”、“福寿螺”、“毒饺子”等名词的出现，食品安全问题越来越受到人们的重视，根据WHO统计，全球每年有近15亿人感染食源性疾病，其中70%是食品中致病微生物污染引起的。各个环节中都有污染微生物的可能，包括食品生产、加工、储存、运输、销售等，目前，微生物对食品的污染问题成为人们关注领域。
1 食品微生物分类及命名
微生物并不是生物学分类学上的专门名词，而是对所有形体微小，单细胞的或个体结构较为简单的多细胞的、甚至没有细胞结构的低等生物的统称。其群体非常庞杂，种类繁多，包括细胞型和非细胞型两类。凡具有细胞形态的微生物称为细胞型微生物。细胞型微生物按细胞结构又分为原核微生物和真核微生物。
2 食品微生物检测技术及方法
免疫检测技术———酶联免疫吸附剂测定法 (ELIsA)[1]
免疫学是研究生物体对抗原物质免疫应答性及其方法的生物-医学科学。免疫应答是机体对抗原刺激的反应，也是对抗原物质进行识别和排除的一种生物学过程。现代免疫学将“免疫”定义为：机体对“自己”和“异己”识别、应答过程中所产生的生物学效应的总和，正常情况下是维持内环境稳定的一种生理性功能。
酶联免疫分析法(ELIsA)是食品检验中应用的主要免疫检测技术。它的中心就是让抗体与酶复合物结合，然后通过显色来检测。具体说就是使抗原或抗体结合到某种固相载体表面，即与某种酶连接成酶标抗原或抗体，这种酶标抗原或抗体既保留其免疫活性，又保留酶的活性。在测定时，把受检标本(测定其中的抗体或抗原)和酶标抗原或抗体按不同的步骤与固相载体表面的抗原或抗体起反应。用洗涤的方法使固相载体上形成的抗原抗体复合物与其他物质分开，最后结合在固相载体上的酶量与标本中受检物质的量成一定比例。加入酶反应底物，底物被酶催化变为有色产物，产物的量与标本中受检物质的量直接相关，可根据颜色反应的深浅来进行定性或定量分析。
分子生物学方法
核酸探针法[2] 核酸探针是将已知核苷酸序列
DNA片段用同位素或其他方法标记，加入已变性的被检DNA中，在一定条件下即可与该样品中有同源序列的DNA区段形成杂交双链，从而达到鉴定样品中DNA的目的，这种能认识到特异性核苷酸序列有标记的单链DNA分子就称为核酸探针或基因探针。与免疫学方法相似，探针也需要附加适当标记。以往研究的探针技术要使用放射性同位素，只在专门的实验室使用，而现在较热门的技术是以核酸杂交为基础的第二代技术一—比色计。该方法依赖核糖体RNA(tRNA)发育中储存的核酸成分进行检测。这种天然富含rRNA标靶序列的使用使得无辐射检测成为可能，同时又保持了与放射性同位素方法相当或者更高的灵敏度。总体说，核酸探针技术是一种较为理想的技术，特点是敏感、特异、简便、快速，缺点是一种菌就需要一种探针，目前尚未建立所有菌种探针，该技术还有待进一步发展，再者就是检验费用比较昂贵。
聚合酶链反应法(PcR方法)[2] 聚合酶链反应 (PCR)PCR是美国科学家Mllllis于1983年发明的体外快速扩增特定基因或DNA序列的方法。又称为基因体外扩增法，是一种体外选择性扩增DNA或RNA的技术。该方法通过对人工难以培养的微生物相应RNA或DNA片段扩增，检测扩增的产物含量，从而快速对饲料中致病菌的含量进行检测。PCR技术可直接检测样品中痢疾杆菌，大肠杆菌、乳酸杆菌、肉毒梭菌等。
快速测试片法 快速测试片法是利用无毒的纸膜、纸片、胶片为培养基载体，快速、定性和定量检测试纸和胶片的食品微生物检测方法，它是一种集现代化学、高分子科学、微生物学于一体的检测方法。对有些项目的测定，其准确度和精确度高，几乎与标准方法相媲美。其优点：第一，常规法需要时间较长，而且温度要求严格，而测试片操作简单，大大缩短了测试时间，以往许多实验室不能实施，不能达到及时检测的目的。第二，快速测试片可以在取样时同时接种，防止延长接种时间时由于细菌繁殖造成的数量增多，结果更能反映当时样本中真实的细菌数。第三，测定少量样品，不需配试剂，价格低廉，可随时进行，便于运输，携带方便，易于消毒保存，操作简便快速。
电阻电导测定法 电阻电导测定法原理是：在细菌生长繁殖期间，将大分子物质(蛋白质、糖类等)分解成有机酸、氨基酸等带电荷的小分子物质，改变其培养液的导电度。这样，通过电阻和导电度的数值变化，就可推算出样品含菌数。目前已开发出来的电阻电导检测器有：美国Vitek公司生产的Bactometer可适用于检测肉品、乳制品等含菌量;英国推出的Mathus系统，可用来检测牛乳、酿造液、鱼及海产品的含菌量[3]。
3 结束语
随着人们生活质量的不断提高，食品安全问题已逐渐成为世界性公共卫生问题，直接关系到人类的健康。本文中罗列了几个方面的食品中微生物的检测技术，虽然很多技术依然存在一定的问题，有的属于世界前沿，有的还处于发展阶段，但其应用价值日显突出。
参考文献：
[1]王兰兰.临床免疫学和免疫检验[M].北京：人民卫生出版社，2003：91-93.
[2]杨向荣，江志毅等.快速方法在食品微生物检测中的应用[J].学术论坛，2006，5.
[3]周向华，王衍彬，叶兴乾等.电阻抗法在食品微生物快速检测中的应用[J].粮油加工与食品机械，2003(10)：73-75.
1. 食品安全毕业论文范文
2. 大专食品毕业论文范文
3. 食品加工论文范文
4. 医学微生物论文
5. 微生物学习心得
6. 关于畜牧兽医论文范文
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： 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.
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。
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。
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
汽车检测是指为了确定汽车技术状况是否达到标准或工作能力是否正常而进行的检查和测量。下面是我为大家精心推荐的汽车检测技术论文，希望能够对您有所帮助。
国内汽车检测技术概况
[摘 要]本文通过了解我国国内汽车检测技术的概念及其分类，介绍了我国一些先进前沿的汽车检测技术，阐述了我国汽车检测技术的发展概况，针对我国汽车检测技术中的不足之处，结合我国汽车检测技术的具体发展形势，提出了我国汽车检测技术的发展方向，这对我国汽车检测技术的发展具有一定的现实指导意义。
[关键词]汽车检测;检测技术;国内现状;发展概况
中图分类号： 文献标识码：A 文章 编号：1009-914X(2015)03-0056-01
1.汽车检测的概念
汽车检测是指为了确定汽车技术状况是否达到标准或工作能力是否正常而进行的检查和测量。汽车检测技术则是指在汽车检测这一过程中所有与之相关的检测硬件和检测软件的研发和使用技术。
2.汽车检测技术的分类
安全环保检测
安全环保检测主要是针对汽车的安全运行和环境保护方面的检测，这种检测又分为定期检测和不定期检测。该检测的目的是为了确定车辆是否具备符合要求的外观容貌以及良好的安全性能，同时对汽车的环境污染程度进行有效控制。在汽车不解体的情况下，对汽车建立安全监控体系，确保汽车能高效、安全和低污染的运行。
综合性能检测
综合性能检测是指对汽车的综合性能实行定期或者不定期的检测。该检测的目的是为了确定汽车是否具有良好的动力性、可靠性、安全性、噪声污染性以及排气净化性。该检测主要针对汽车的故障及其原因或隐患部位实行质量监督和检测，从而建立汽车质量监控体系，来达到该检测技术的目的。
3.国内汽车检测技术的发展情况
国内汽车检测技术的发展历程
(1)20世纪60年代，我国汽车检测技术处于起步阶段。我国开始研究汽车检测技术开始于20世纪60年代，为了满足当时的汽车维修需要，我国交通部门研究和开发了发动机汽缸漏气量检测仪以及点火正时灯等一些基本的检测仪器。
(2)20世纪70年代，我国汽车检测技术进入发力发展阶段。随着我国汽车生产技术以及人们汽车使用率的飞速增长，我国交通部门开始进入大力发展汽车检测技术的阶段。汽车检测的仪器设备增多，检测项目增多，检测标准和规则也得到进一步的完善，建立了汽车性能综合检验台。
(3)20世纪80年代，我国汽车检测技术进入快速发展阶段。随着我国科学技术和国民经济的飞速发展，我国汽车制造业和交通运输业也得到了飞速发展。因此，对汽车检测技术和设备的需求也日益增涨。我国汽车检测技术因此进入其发展的蓬勃向上时期。
(4)20世纪90年代至今，我国汽车检测技术已经发展相对成熟。迈入90年代后，我国汽车检测技术从其设备的研制、开发以及生产都有了自身的一套运作体系。90年代是我国汽车检测技术的发展高潮时期。虽然目前我国的汽车检测技术与外国仍存在一定的差距，其发展的过程中也存在有一些问题和不足，但我国汽车检测技术也在不断的吸收借鉴完善自己，保证自身良好的发展态势，努力为其创造广阔的发展前景。
目前国内具有代表性的先进前沿的汽车检测技术
(1)虚拟仪器检测技术
虚拟仪器检测技术是指通过自由增减测试系统配置，利用系统配置单元器件，按照每一个项目测试的要求标准，可以直观和有效的得出监测结果，从而提高测试技术的效率。
(2)将GPS技术与车辆检测相结合
该技术主要是利用了能够接受卫星定位信号的GPS系统，将其与汽车检测技术系统相结合，从而达到快捷有效的检测过程。
(3)利用汽车四轮定位进行检测
四轮定位仪主要是依据车轮定位得到检测数据，它利用图像显示并记录汽车四轮的运作情况，与汽车检测数据结果分析相结合，从而达到检测目的。
4.国内汽车检测技术发展过程中存在的问题
国内汽车检测站的经营管理过程中存在行政干预问题
在我国，安全检测是由公安部门来建立管理的。因此我国的综合性能检测站都由交通部门直接建立并管理或者由地方企业建立但仍由交通部门管理。这种行政管理形式，往往造成了检测结果的不真实、检测过程的不规范或者检测项目不完善的情况，甚至是伪造一些监测数据。
我国汽车检测存在重复检测的问题
目前，我国有权对汽车进行检测的机构至少有三种，即安检站、机动车尾气排放检测站以及汽车综合性能检测站。这三个机构又分别归隶属于公安、环保、和交通管理部门。这些部门从各自的职能要求出发对车辆进行必要的检查和监测，容易造成车辆的重复检查，在加大汽车检测工作量的同时，给车主也带来不便。
检测技术有待进一步完善
目前，我国的进口汽车检测标准体系主要依赖于外国检测标准，因此针对我国汽车具体发展情况，我国的汽车检测技术有待进一步提高和完善。例如，我国目前的技术可以对车辆的正面、侧面、追尾等事故进行检测，但对侧面碰撞、追尾碰撞等事故却缺乏相关的检测标准。这也急需我国汽车检测技术的提高和完善。
我国汽车检测人员的整体专业能力和专业素质有待提高
一方面，我国的汽车检测人员的专业检测能力有待提高。一些检测人员本身缺乏基本的汽车知识，检测操作不规范，对检测结果的分析能力不够，不能很好的判断汽车是否达到检测标准。另一方面，我国汽车检测人员的自身素质不够，一些检测人员故意抬高检测收费标准，为了个人利益不顾集体利益，甚至为一些没有达到标准的车辆伪造数据。这些都是造成安全隐患的个人因素，也不利于我国检测技术的研发和推广。
5.解决国内汽车检测技术发展过程中的问题的有效 措施
汽车检测技术基础实现规范化
在我国汽车检测技术的发展过程中，汽车检测的硬件技术一直以来都比汽车检测技术中的软件技术更受重视。这种想法往往会导致对一些基础性技术研究的忽略。因此，我国汽车检测技术的发展方向应该注重与硬件配套的软件检测技术的完善和提高。这方面主要做到三点：一，制定并完善汽车检测项目的限值标准和检测 方法 ;二，完善汽车技术状况检测的评定细则，将全国各地的检测要求和具 体操 作技术进行统一和规范化;三，严格执行综合性能检测站对大型检测设备的认证规则，确保综合性能检测站有能力胜任并履行其检测职责。
汽车检测设备实现智能化
虽然目前我国的汽车检测技术以及检测设备的智能化与国外的检测存在一定的差距，但是我国汽车检测设备正积极学习并通过进口一些外国先进检测设备来提高并完善我国汽车检测设备的智能化。检测设备的智能化使检测设备具有专家检测和诊断系统以及智能化的功能，可以在较短时间较快较准确的对汽车状况进行检测，并诊断出汽车发生故障的部位以及故障原因，从而让维修人员能够迅速解除故障。节约了劳动成本，提高了劳动效率。
汽车检测管理实现网络化
随着计算机和 网络技术 的飞速发展，我国各个行业都在逐步实现其管理的网络化，汽车检测行业也不例外。目前，虽然我国的部分汽车综合性能检测站已经实现了计算机管理系统检测，但计算机监控系统并不完善，而且各个检测站之间采用的计算机检测方式也都一致。为了逐步实现我国汽车检测管理的一致性和有效性，我国汽车检测应该积极推进其管理的网络化。
6. 总结
随着我国经济和社会的进步以及汽车工业的发展，我国汽车检测技术也必须不断的提高和完善。为了使汽车维修人员的工作越来越轻松，提高汽车检测结果准确性，我国汽车检测技术的发展越来越趋向于自动化、网络化和智能化。汽车检测技术的完善和提高有利于我国交通事业以及环保事业的发展，从而为我国经济和社会的发展提供良好的外在环境。
参考文献
[1] 初君浩;浅析汽车检测技术的发展[J];科技致富向导;2014(08)25.
[2] 王洪亮;汽车检测技术的若干问题的思考[J];无线互联科技;2013(12)15.
作者简介
张彦(1975-)女，汉族，山东菏泽人，助理工程师，大学学历， 毕业 于山东省委党校经济管理专业，研究方向为车辆检测、维修。
点击下页还有更多>>>汽车检测技术论文
我出的题你还想在网上找答案， 等着不及格吧！
甲醛是室内空气主要污染物之一。是一种无色的刺激性气体，沸点为 ℃，易于挥发，常温下易溶于水。主要来源于各种人造板材，贴墙布、涂料等各种装饰材料以及吸烟等产生的烟雾等。甲醛对人体健康的危害极大，室内空气甲醛含量大于 mg/m3就会对呼吸系统产生危害，高浓度甲醛对神经系统、免疫系统、肝脏都有危害，在我国有毒化学品名单上甲醛居第二位，且被世界卫生组织（WHO）确定为可疑致畸、致癌物质[1]。《居室空气中甲醛卫生标准》（GB/T16127—1995）规定居室内甲醛量要小于 mg/m3，但一般住宅装修后甲醛浓度平均为 mg/m3，最高可达 mg/m3，严重超出标准[2]。目前采用多种技术方法降低建材中的游离甲醛，虽取得一定成效，但由于技术与经济的限制，室内甲醛污染仍然十分严重。因此，对室内甲醛污染的控制与治理非常重要。1. 合理控制室内环境由于甲醛的释放是一个长期的过程，日本横滨国立大学研究表明，室内甲醛的释放期一般为3～15年，且其与室内的温度、相对湿度、室内换气数、室内建材等有关，合理控制室内环境可降低甲醛浓度。 室内通风室内通风是清除甲醛行之有效的办法，可选用空气换气装置或自然通风，这样有利于室内材料中甲醛的散发和排放。Zhang等[3]研究发现，MV（Mixing Ventilation）比DV（Displacement Ventilation）可以更好的保持室内空气质量。室内通风要注意根据季节、天气的差异和室内人数的多少来确定换气频度，通常在春、夏、秋季都应留适当的通风口，冬季每天至少开窗换气30 min以上，但其只用于污染较轻的场合。 控制室内温度、湿度经研究发现，甲醛的释放随着湿度的增大而增加，随温度升高而增大[4]。温度由30℃降到25 ℃可降低甲醛50%，相对湿度由70%降到30%时甲醛量降低40%，温度和湿度效应降低室内甲醛量主要是靠降低污染源的扩散[5]。要使室内材料中的甲醛尽快释放，就应增加其温湿度，因此一般在刚刚装修的房中采取烘烤的方法或在室内摆放一盆清水可使甲醛加快释放。要控制室内甲醛浓度就要降低其温湿度。 植物净化美国国家空间技术实验室（National Spacetechnology Laboratory）的有关实验[6]证明，银苞芋、吊兰、芦荟、仙人球、虎尾花、扶郎花等室内观赏叶植物对甲醛有较好的吸收效果。因此，在室内放置上述植物既美化环境又起到净化空气的作用。仅仅调节室内环境虽能降低室内甲醛浓度，但还不能达到理想结果，尤其在甲醛释放初期，需要采用空气净化技术。2. 室内甲醛污染治理技术目前，国内外采取多种方法治理室内甲醛污染，且现在已有一些产品问世。治理室内甲醛污染的空气净化技术归纳起来主要有：物理吸附技术、催化技术、化学中和技术、空气负离子技术、臭氧氧化技术、常温催化氧化技术、生物技术、材料封闭技术等。 物理吸附技术物理吸附主要利用某些有吸附能力的物质吸附有害物质而达到去除有害污染的目的。主要是各种空气净化器。常用的吸附剂为颗粒活性炭，活性炭纤维、沸石、分子筛、多孔粘土矿石、硅胶等。Sonia Aguado等[7]研究发现，沸石膜对室内甲醛、苯等污染物有较好去除效果。活性炭纤维是吸附剂中最引人注目的碳质吸附剂。蔡健等[8]研究发现，适当条件下用H2O2对ACF改性可提高对甲醛的吸附性能。荣海琴[9]等对经改性处理的聚丙烯腈(PAN)基活性炭纤维(ACF)对甲醛吸附性能进行初步研究发现，PAN-ACFs浸渍处理及后续热处理后的样品对甲醛的吸附量明显高于未处理样品对甲醛的吸附量。对物理吸附技术改进主要是寻找比表面积大且具有更快的吸脱附速率的吸附剂，还有与其他技术相结合使用等。Sawada等[10]在装有活性炭的花盆中栽培具有甲醛净化性能的植物，其对甲醛去除效果比单纯的活性炭吸附要好。物理吸附还可用于建材，Kazunori等[11]研发的一种可生物降解的木炭板，在2 h内可把20×10－6的甲醛全部吸收，且木炭板废弃后可被生物降解。物理吸附富集能力强，且不会产生二次污染物，简单易推广，对低浓度有害气体较有效。但物理吸附的吸附速率慢，对新装修几个月的室内的甲醛的去除不明显，且会对环境产生二次污染，还有吸附剂需要定时更换。 催化技术催化技术以催化为主，结合超微过滤，从而保证在常温常压下使多种有害有味气体分解成无害无味物质，由单纯的物理吸附转变为化学吸附，不产生二次污染。目前市场上的有害气体吸附器和家具吸附宝都属于这类产品。纳米光催化技术是近几年发展起来的一项空气净化技术，它主要是利用二氧化钛的光催化性能氧化甲醛，生成二氧化碳和水。该技术在紫外光照射下用于治理空气污染越来越受到重视，成为空气污染治理技术的研究热点。为提高其对甲醛的降解速率，展开了一系列对其反应影响因素的研究。对二氧化钛光催化降解甲醛反应动力学的研究说明，甲醛光催化降解反应遵循一级反应动力学规律，反应速率由反应物浓度控制，光催化反应由表面化学反应控制[12]。甲醛浓度在10 mg/m3以下时，可被TiO2在紫外光条件下光催化完全降解为CO2和H2O，在较高浓度时被氧化成甲酸[13]。Stevens等[4]实验表明，在紫外光条件下，纳米TiO2光催化反应器对低浓度甲醛去除率为100%，但用太阳光照射时，净化效率仅为35%。钱昱等[14]对纳米二氧化钛光催化降解空气中甲醛的研究发现：TiO2 负载在无纺布和镍网上时比负载在玻纤布上效果好；加入适量活性炭能明显提高甲醛光催化降解速率；水玻璃作为粘结剂时能有效提高甲醛光催化降解速率。此外，许多学者不断研发新方法，在硼硅酸盐玻璃表面涂上一层Sol-Gel TiO2薄膜对室内甲醛有良好的去除效果，在 mW/cm2的UVA照射下最大反映速率常数为 min－1[15]。刘凡新等[16]通过Sol-Gel工艺在玻璃表面及多孔陶瓷表面制得均匀透明的掺铈纳米TiO2薄膜，发现其在近紫外光处的吸光度有明显提高，对甲醛有极高的光催化降解速率。杨阳等[17]利用纳米TiO2制备出一种完全不含有机物的水性涂料，涂敷在内墙上可长时间有效分解有害气体。在实际应用中可见光比紫外光易得，将具有可见光活性的Fe-TiO2光催化剂与耐光催化氧化的硅酸钾基料进行复配，可得到能够有效而持久地在普通日光灯环境下降解甲醛的复合建筑涂料[18]。催化技术可以与物理吸附技术或其他技术结合运用，效果更佳。催化技术与物理吸附技术相结合，可利用物理吸附技术为催化技术提供高浓度反应环境，催化技术降解甲醛使吸附剂得到再生。纳米TiO2光催化剂与一些气体吸附剂（沸石、活性炭、SiO2等）相结合在弱紫外光激发下就可以有效降解低浓度有害气体。侯一宁等[19]对二氧化钛-活性炭纤维混合材料对室内甲醛污染的净化进行的研究发现，TiO2-ACF混合材料比单纯使用TiO2或ACF效果要好，且TiO2与ACF质量比为1:时混合材料去除甲醛效果最好。Fumihide等[20]把光催化技术与使用活性炭进行连续吸附、脱附的技术相结合，发明一种改进的光催化反应器，可在10 min内使10 m3密闭室内小于1 mg/m3的低浓度甲醛降解到WHO标准（ mg/m3）以下，在90 min内可使甲醛浓度降为零。稀土激活空气净化材料综合了化学吸附、物理吸附、光催化等多元催化技术，对甲醛达到持久净化[21]。张增风等[22]对低温等离子体—催化脱除室内甲醛的研究发现，在室温、常压、介质阻挡放电情况下，电压增高，等离子体技术的甲醛脱除率增加，填充较大比表面积介质小球能有利于甲醛脱除，二氧化钛在等离子体气氛下可以产生催化活性。催化技术与其他技术结合运用可互补缺点，达到更好的净化效果。催化技术具有反应条件温和、能耗低、二次污染少、可以在常温常压下氧化分解结构稳定的有机物等优点，一般室内甲醛的浓度较低，在居室、玻璃、陶瓷等建材表面涂敷TiO2薄膜或安放TiO2空气净化设备可有效降解甲醛。但其需要纳米TiO2和紫外光照射，存在经济和技术的局限性，还未进入大面积使用推广阶段。 化学中和技术化学中和技术一般采用络合技术，破坏甲醛、苯等有害气体的分子结构，中和空气中的有害气体，进而逐步消除。目前，专家研制出了各种除味剂和甲醛捕捉剂，属于该技术类产品。该技术最好结合装修工程使用，可以有效降低人造板中的游离甲醛。 空气负离子技术其主要选用具有明显的热电效应的稀有矿物石为原料，加入到墙体材料中，在与空气接触中，电离空气及空气中的水分，产生负离子；可发生极化，并向外放电，起到净化室内空气的作用。市场中销售的“绿诺空气离子宝”属于这种产品。金宗哲等[23]研究表明，稀土激活电气石可净化甲醛95%以上，其把负离子技术和物理吸附、化学吸附技术集于一身。负离子技术也可应用到建材上，如负离子涂料，其能够持续释放的负离子与室内污染源持续释放的有害气体（正离子）不断中和、降解，可长期起到去除甲醛的作用。冯艳文等[24]应用天然矿物的改性活化技术和纳米稀土激活技术研制的健康环保型建筑内墙涂料，不仅具有较为优越的常规性能，还集无污染、抗菌、防霉、辐射远红外线、释放负离子等对人体健康有益的功能于一身。该涂料只需在可见光激发下便可产生大量的负离子，使室内负离子数增加200～400 个/cm3。[1][2][3][4][5]推荐阅读不可思议!9平米豪宅带卫生间和书房！这个小房子叫梦之家，坐落在 Se..精致的移动流水小品精绝神妙的中国古代建筑 网友30多平米浪漫小复式 什么样的房子最抗震，房屋结构与抗.. 世界十大不可思议景观 灾区重建，你有什么好建议？ 世界上最绿色最环保的车 臭氧氧化法臭氧与极性有机化合物如甲醛反应，导致不饱和的有机分子破裂，使臭氧分子结合在有机分子的双键上，生成臭氧化物，从而达到分解甲醛分子的目的。汪耀珠等[25]通过测量低浓度臭氧对甲醛气体的净化率(有紫外灯照射)发现，臭氧浓度～ mg/m3，甲醛浓度～ mg/m3，5 min后检测，臭氧对甲醛净化效率为。臭氧发生装置具有杀菌、消毒、除臭、分解有机物的能力，但臭氧法净化甲醛效率低，同时臭氧易分解，不稳定，可能会产生二次污染物，同时臭氧本身也是一种空气污染物，国家也有相应的限量标准，如果发生量控制不好，会适得其反。 常温催化氧化法又称为冷触媒法，主要是利用一些贵金属特殊的催化氧化性能，使室内污染物变成为CO2和H2O。一般载体为ZrO2、CeO、SiO、活性炭、分子筛等，经常采用的贵金属有Pd、Pt、Rh、Ru和Ir。日本近年来对低温催化剂进行了深入的研究，并有一系列的专利问世。Yushika等[26，27]研发的含有锰氧化物组分（MnO2为77 ％）的空气净化器，对刚刚装修的住宅中甲醛去除效果良好，在7个多月时间内使新建住宅室内甲醛由×10－6降到×10－6，且没有发现有害的副产品（HCOOH、CO），其还可以加速材料中甲醛释放。 生物技术生物法净化有机废气是微生物以有机物为其生长的碳源和能源而将其氧化、降解为无毒、无害的无机物的方法。李小梅等[28]实验表明，通过筛选、培育的适宜微生物菌种接种挂膜制作的生物膜填料塔对入口浓度小于20 mg/m3的甲醛废气具有较好的净化效果，净化效率达到90%以上，净化操作时，液体喷淋量维持在20 L/h有利于净化。Masaki等[29]研究表明，生物酶对甲醛降解有潜在能力，此方法操作简单、运行成本低，无二次污染而被欧洲广泛使用并已工业化。生物活性温度一般为10～40 ℃，因此室内温度必须维持在特定微生物的活性温度范围内，使其应用受到限制。 材料封闭技术对于各种人造板中的甲醛，专家们研制出了一种封闭材料，称作甲醛封闭剂，用于家具和人造板材内的甲醛气体封闭。目前出现在我国市场上的美嘉保护盾，具有封闭甲醛的作用，可涂刷于未经油漆处理的家具内壁板和人造板，以减少各种人造板中的甲醛释放量。但其治标不治本。3. 结 语随着国家环保法规的日益严格，环境意识的深入人心，室内甲醛污染的控制与治理越来越受到重视。国内外对甲醛污染的空气净化技术已经有较多应用于实际，同时各种新方法新技术也在不断得到研究，其中纳米光催化技术是空气净化技术研究的发展趋势，同时由于每种方法都有自己的优缺点，针对实际情况选用适当的技术，尤其是多种技术相结合利用可对室内甲醛污染进行有效的控制与治理。
关于室内环境检测的重视程度有待提高，家居室内环境检测的意义，装修后3个月内检测的不同数值，不治理的情况下对人的危害程度，治理后的情况等等。
应该选择经过技术监督部门认证的检测机构，而且最好是选择长期从事环境检测的行业检测机构，这些属于独立的第三方的检测机构能给出具有法律效应的CMA检测报告。 选定检测时间 检测室内空气质量的最佳时间是在装饰装修彻底完工后的一周以后，这是因为在装修后7天，各种污染物的挥发浓度基本保持稳定状态。 出具检测报告 正规检测机构一般在5至10个工作日内出具检测报告。一些所谓的“权威检测机构”声称现场就能出报告，是完全没有科学依据的。因为检测必须依靠精密的仪器、设备，一般要在实验室内才能完成检测。 装修异味的方法汇总 油漆味：新油漆的墙壁或家具有一股浓烈的油漆味，要去除漆味，你只需在室内放两盆冷盐水，一至两天漆味便除，也可将洋葱浸泡盆中，同样有效。 新装修的房子，总会或浓或淡的有一些异味，如何清除异味，方法很多，最好的方法是让房间通风。若有选择地给新居摆放一些植物，对净化空气更有帮助。那么，摆放什么植物合适呢？ 吊兰：据了解，有一种吊兰也叫“折别鹤”，不但美观，而且吸附有毒气体效果特别好。一盆吊兰在8~10平方米的房间就相当于一个空气净化器，即使未经装修的房间，养一盆吊兰对人的健康也很有利。 芦荟：芦荟有一定的吸收异味作用，且还有居室美化的效果，作用时间长。 仙人掌：大部分植物都是在白天吸收二氧化碳释放氧气，在夜间则相反。仙人掌、虎皮兰、景天、芦荟和吊兰等都是一直吸收二氧化碳释放氧气的。这些植物都非常容易成活。 平安树：目前，市面上比较流行的平安树和樟树等大型植物，它们自身能释放出一种清新的气体，让人精神愉悦。平安树也叫“肉桂”。在购买这种植物时一定要注意盆土，根和土结合紧凑的是盆栽的，反之则是地栽的。购买时要选择盆栽的，因为盆栽的植物已经本地化，容易成活。 若想尽快驱除新居的刺鼻味道，可以用灯光照射植物。植物一经光的照射，生命力就特别旺盛，光合作用也就加强，释放出来的氧气比无光照射条件下多几倍。 专家答疑： 1、可用米醋配合一定量的水倒入盆中放置室内，可中和异味。 2、可以买绿色植物放在家中。 3、买一些知名品牌的甲醛捕捉剂。 ■如何去除家中甲醛味 家中有甲醛或其它各种异味时，怎么办？环保专家为您居家清洁支招——— ■300克红茶泡入两脸盆热水中，放在居室内，并开窗透气，48小时内室内甲醛含量将下降90％以上，刺激性气味基本消除。 ■购买800克颗粒状活性碳除甲醛。将活性碳分成8份，放入盘碟中，每屋放两至三碟，72小时可基本除尽室内异味。 ■准备400克煤灰，用脸盆分装后放入需除甲醛的室内，一周内可使甲醛含量下降到安全范围内。以上方法同样适用于装修完没有异味的家庭，因为有些有害物是无色无味的，多一分清洁，就多一分安全。 ■把泡过的茶叶，放在冰箱内部，即可达到除臭作用。若是没有茶叶，也可将柠檬或柳丁切开，只要半小块便能达到功效。此外，以沾有啤酒的抹布擦拭冰箱内部，异味也会消除。 ■在家庭的卫生间里摆放绿色植物，可以达到调节空气，消除异味的功效。最好在窗口养上一盆绿植，或者放上花瓶，插三五朵花，可以带来清新怡人的感觉。 植物吸收法： 1.具有吸收甲醛作用的植物，如吊兰、芦荟、龙舌兰、虎尾兰等； 2.具有吸收苯作用的植物，如长青藤、铁树等； 3.具有吸收三氯乙烯作用的植物，如万年青、雏菊、龙舌兰等； 4.具有吸收二氧化硫作用的植物，如月季、玫瑰等； 5.具有吸尘作用的植物，如桂花； 6.具有杀菌作用的植物，如薄荷。 ■新车新房有异味热带水果帮你忙 新华网广西频道8月5日电（记者黄革）如果你买了新车、新房，你或多或少会遇到这样的难题：汽车座椅散发的浓重皮革味和新居装修带来的刺鼻化工材料味，一时难以去除，无论你用多少空气清新剂，异味仍长时间地滋扰着你的私人空间。 记者在水果之乡广西南宁市发现，不少市民利用热带水果去除异味，效果 好，成本低，方法简便。南宁康福出租汽车公司李师傅最近买了新车投入运营，尽管市场上有形形色色的汽车香水卖，但李师傅却看不上，对付车厢里的异味他自有妙招。 李师傅到水果市场挑了一只又新鲜又好看的菠萝放在车上，水果的香味顿时在车里飘了起来，异味逐渐消失了。“这只菠萝我才花了一块钱，放了两三天，它就把车上的异味‘吸’光了。顾客坐我的车，都说这部车干净、卫生，一路心情舒畅。”李师傅说。 据他介绍，一些热带水果因其生长在热带、亚热带环境，阳光充足，雨水充沛，香味特别重，果实中所含水分多，浓重的香味可长时间地散发，不少市民把这类水果当成了天然实用的“空气清洁剂”。 记者发现，一些市民利用菠萝蜜（一种形似榴莲的热带水果）去除新装修房屋的化工异味，效果也很好。刚装修过的房屋往往有天纳水等各种刺鼻的化工原料气味，把一只破开肚的菠萝蜜放在屋内，由于菠萝蜜个体大（一般有西瓜那么大），香味极浓，几天就可以把异味吸光。 ■植物———去除异味的最佳选择 新装修的房子会有很大的异味，如何去除这些刺鼻的异味是不少消费者头痛的问题。其实，最简单的方法就是让房间通风。除此之外，有选择地给新居摆放一些植物，对净化空气更有帮助。那么，摆放什么植物合适呢？吊兰：作用大、成本低有一种吊兰———也叫“折别鹤”，不但美观，而且吸附有毒气体效果特别好。一盆吊兰在8－10平方米的房间就相当于一个空气净化器，即使未经装修的房间，养一盆对人的健康也很有利。这种吊兰每盆5－10元不等。仙人掌等植物：一直释放氧气大部分植物都是在白天吸收二氧化碳释放氧气，在夜间则相反。但仙人掌、虎皮兰、景天、芦荟和吊兰等都是一直吸收二氧化碳释放氧气的。普通仙人掌和景天每盆约5－15元。虎皮兰分两种：金边的和纯绿的。纯绿的20元／盆左右，金边的比其贵约1／3－1／2。芦荟的市场价格则差别比较大。这些植物都是非常容易成活的。平安树等：释放清新气体目前，市面上比较流行的平安树和樟树等大型植物，它们自身能释放出一种清新的气体，让人精神愉悦。平安树也叫“肉桂”，市面上的价格一般在80－100元／盆。在购买这种植物时一定要注意盆土。根和土结合紧凑的是盆栽的，反之则是地栽的。购买时要选择盆栽的，因为盆栽的植物已经本地化，更容易成活。
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）。
YOLO v1:You Only Look Once: Unified, Real-Time Object Detection YOLO v2:YOLO9000：Better，Faster，Stronger YOLO v3:YOLOv3: An Incremental Improvement
近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000、YOLO v3算法。
传统方法常采用滑动窗口法，滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了，如 DPM 就是采用这种思路。但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。但是这样会产生很多的子区域，并且都要经过分类器去做预测，这需要很大的计算量，所以你的分类器不能太复杂，因为要保证速度。解决思路之一就是减少要分类的子区域，这就是R-CNN的一个改进策略，其采用了 selective search 方法来找到最有可能包含目标的子区域（Region Proposal），其实可以看成采用启发式方法过滤掉很多子区域，这会提升效率。
如果你使用的是CNN分类器，那么滑动窗口是非常耗时的。但是结合卷积运算的特点，我们可以使用CNN实现更高效的滑动窗口方法。这里要介绍的是一种全卷积的方法，简单来说就是网络中用卷积层代替了全连接层，如图所示。输入图片大小是16x16，经过一系列卷积操作，提取了2x2的特征图，但是这个2x2的图上每个元素都是和原图是一一对应的，如图上蓝色的格子对应蓝色的区域，这不就是相当于在原图上做大小为14x14的窗口滑动，且步长为2，共产生4个字区域。最终输出的通道数为4，可以看成4个类别的预测概率值，这样一次CNN计算就可以实现窗口滑动的所有子区域的分类预测。这其实是overfeat算法的思路。之所可以CNN可以实现这样的效果是因为卷积操作的特性，就是图片的空间位置信息的不变性，尽管卷积过程中图片大小减少，但是位置对应关系还是保存的。这个思路也被R-CNN借鉴，从而诞生了Fast R-cNN算法。
上面尽管可以减少滑动窗口的计算量，但是只是针对一个固定大小与步长的窗口，这是远远不够的。Yolo算法很好的解决了这个问题，它不再是窗口滑动了，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，基于上面的分析，可以认为特征图的每个元素也是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方格内的目标，这就是Yolo算法的朴素思想。
整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。
具体来说，Yolo的CNN网络将输入的图片分割成 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测B个边界框（bounding box）以及边界框的 置信度 （confidence score）。所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为 ，当该边界框是背景时（即不包含目标），此时 。而当该边界框包含目标时， 。边界框的准确度可以用预测框与实际框（ground truth）的 IOU （intersection over union，交并比）来表征，记为 IOU 。因此置信度可以定义为 。
很多人可能将Yolo的置信度看成边界框是否含有目标的概率，但是其实它是两个因子的乘积，预测框的准确度也反映在里面。边界框的大小与位置可以用4个值来表征：(x,y,h,w)，其中(x,y)是边界框的中心坐标，而w和h是边界框的宽与高。还有一点要注意，中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的，单元格的坐标定义如图所示。而边界框的w和h预测值是相对于整个图片的宽与高的比例，这样理论上4个元素的大小应该在[0,1]范围。这样，每个边界框的预测值实际上包含5个元素：(x,y,w,h,c)，其中前4个表征边界框的大小与位置，而最后一个值是置信度。
值得注意的是，不管一个单元格预测多少个边界框，其只预测一组类别概率值，这是Yolo算法的一个缺点，在后来的改进版本中，Yolo9000是把类别概率预测值与边界框是绑定在一起的。同时，我们可以计算出各个边界框类别置信度（class-specificconfidence scores）:
边界框类别置信度表征的是该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的好坏。后面会说，一般会根据类别置信度来过滤网络的预测框。
总结一下，每个单元格需要预测 个值。如果将输入图片划分为 网格，那么最终预测值为 大小的张量。整个模型的预测值结构如下图所示。对于PASCALVOC数据，其共有20个类别，如果使用S=7,B=2,那么最终的预测结果就是 大小的张量。在下面的网络结构中我们会详细讲述每个单元格的预测值的分布位置。
Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图所示。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0)。但是最后一层却采用线性激活函数。除了上面这个结构，文章还提出了一个轻量级版本Fast Yolo，其仅使用9个卷积层，并且卷积层中使用更少的卷积核。
可以看到网络的最后输出为 大小的张量。这和前面的讨论是一致的。这个张量所代表的具体含义如图所示。对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的(x,y,w,h)。大家可能会感到奇怪，对于边界框为什么把置信度c和(x,y,w,h)都分开排列，而不是按照(x,y,w,h,c)这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量P，其shape为 。
采用切片，那么 就是类别概率部分; 是置信度部分; 是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。
在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。整个网络的流程如下图所示：
损失函数计算如下：
其中第一项是边界框中心坐标的误差项， 指的是第i个单元格存在目标，且该单元格中的第j个边界框负责预测该目标。第二项是边界框的高与宽的误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的单元格的分类误差项， 指的是第i个单元格存在目标。
在说明Yolo算法的预测过程之前，这里先介绍一下非极大值抑制算法（non maximum suppression, NMS），这个算法不单单是针对Yolo算法的，而是所有的检测算法中都会用到。NMS算法主要解决的是一个目标被多次检测的问题，如图中人脸检测，可以看到人脸被多次检测，但是其实我们希望最后仅仅输出其中一个最好的预测框，比如对于美女，只想要红色那个检测结果。那么可以采用NMS算法来实现这样的效果：首先从所有的检测框中找到置信度最大的那个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值（重合度过高），那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框。
下面就来分析Yolo的预测过程，这里我们不考虑batch，认为只是预测一张输入图片。根据前面的分析，最终的网络输出是 ，但是我们可以将其分割成三个部分：类别概率部分为 ，置信度部分为 ，而边界框部分为 （对于这部分不要忘记根据原始图片计算出其真实值）。然后将前两项相乘可以得到 类别置信度值为 ，这里总共预测了 边界框。
所有的准备数据已经得到了，那么先说第一种策略来得到检测框的结果。首先，对于每个预测框根据类别置信度选取置信度最大的那个类别作为其预测标签，经过这层处理我们得到各个预测框的预测类别及对应的置信度值，其大小都是[7,7,2]。一般情况下，会设置置信度阈值，就是将置信度小于该阈值的box过滤掉，所以经过这层处理，剩余的是置信度比较高的预测框。最后再对这些预测框使用NMS算法，最后留下来的就是检测结果。一个值得注意的点是NMS是对所有预测框一视同仁，还是区分每个类别，分别使用NMS。Ng在中讲应该区分每个类别分别使用NMS，但是看了很多实现，其实还是同等对待所有的框，可能是不同类别的目标出现在相同位置这种概率很低吧。
上面的预测方法应该非常简单明了，但是对于Yolo算法，其却采用了另外一个不同的处理思路（至少从C源码看是这样的），其区别就是先使用NMS，然后再确定各个box的类别。其基本过程如图所示。对于98个boxes，首先将小于置信度阈值的值归0，然后分类别地对置信度值采用NMS，这里NMS处理结果不是剔除，而是将其置信度值归为0。最后才是确定各个box的类别，当其置信度值不为0时才做出检测结果输出。这个策略不是很直接，但是貌似Yolo源码就是这样做的。Yolo论文里面说NMS算法对Yolo的性能是影响很大的，所以可能这种策略对Yolo更好。
总结一下Yolo的优缺点。首先是优点，Yolo采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以Yolo算法比较简洁且速度快。第二点由于Yolo是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，Yolo的泛化能力强，在做迁移时，模型鲁棒性高。
Yolo的缺点，首先Yolo各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，Yolo的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。Yolo对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然Yolo的定位不准确也是很大的问题。
参考链接 YOLO算法的原理与实现