发布时间：
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。
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 ：
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。
有一个月没更博客了，捂脸 o(￣=￣)d
端午回家休息了几天，6月要加油~
回到正文，HOG是很经典的一种图像特征提取方法，尤其是在行人识别领域被应用的很多。虽然文章是2005年发表在CVPR上的，但近十年来还没有被淹没的文章真的是很值得阅读的研究成果了。
key idea： 局部物体的形状和外观可以通过局部梯度或者边缘的密度分布所表示。
主要步骤：
上图为论文中提供的图，个人觉得我在参考资料中列出的那篇 博客 中给出的图可能更好理解一些。
具体细节： 关于每一个过程的详细解释还是在 这篇博客 中已经写得很清楚了，这里就不再搬运了。
文章中数据集的图像大小均为：64*128, block大小为16x16， block stride为8x8，cell size为8x8，bins=9（直方图等级数）；
获取到每张图的特征维度后，再用线性SVM训练分类器即可。
下图为作者而给出的示例图：
这两篇博客写的都很好，推荐阅读一波。
毕业论文的题目主要涉及食品质量与安全食品检验。保证市流通消费领域食品安全现状及对策的研究，第三消费者，食品安心安全指数的编制，第四呢，我国食品安全问题原因及对策的分析，第5个是论警察全在食品安全管理中的运用，还可以写网络食品销售安全监管存在的问题和及时的对策。
食品工程毕业论文题目
引导语：关于食品工程这一专业，有哪些论文题目可以选择呢？以下是我为大家整理的食品工程毕业论文题目，供各位阅读与借鉴。
一、《微生物学》研究小课题
1、灵芝的生产与加工技术的观察研究
2、天麻的生产与加工技术的观察研究
3、不同消毒剂的抑菌试验
4、苏云金杆菌的药效试验
5、紫外线杀菌试验
6、紫木耳的高产生产试验
7、平菇的高产生产试验
8、木本植物的扦插试验
9、无根豆芽菜的生产试验
10、食用菌病虫害防治试验
二、食品安全、食品营养方向
1、综述转基因食品的安全性
2、保健品的发展前景
3、有关某一具体食品的营养素的分析和检测（比如，鱼，肉或红富士苹果等）
4、有关某一类人群的营养调查报告及营养监测
5、有关某一类食品的营养强化（比如，赖氨酸，锌等）
6、某一类人群的营养和健康现状及分析（比如，婴幼儿，女性，老年人，青少年等）
7、冠心病患者的饮食及防治
8、糖尿病患者的膳食原则及防治
9、如何科学饮食
10、如何正确的摄入某一类营养素（比如，钙，维生素A等）
11、改进生产某一食品的工艺流程（比如，浅谈改进啤酒泡沫质量的措施）
12、综述绿色食品
13、综述无公害食品
14、分析各国的膳食结构
15、综述膳食结构跟体质、性格等关系
三、分子生物学、现代生物技术方向
1、微生物制剂的.生产与应用
2、基因工程技术的应用与发展
3、生物菌肥对植物的影响与作用分析
4、质粒的构建和扩增
5、现代生物技术在作物品种改良上的应用
6、生物信息学的发展和应用
7、魔芋的生长特性及功用
8、植物DNA提取方法的探讨与改进
9、红曲霉的液体培养方法优化
10、大肠杆菌质粒DNA提取方法的优化
四、生物技术方向
1、生物技术经济学分析
2、生物技术在医药领域的应用
3、我国的生物多样性及其保护
4、农业生物技术的发展与展望
5、基因重组技术研究现状
6、转基因食品的安全性评价
7、如何免费利用网上资源--生物技术网络资源的利用
8、浅谈生物技术领域的知识产权保护
9、生物技术与环境治理
10、现代生物技术与食品工业
食品快速检验检测技术以其简捷性和便携性两大优势得到了快速发展。 下面是我为大家整理的食品快速检测技术论文，希望你们喜欢。
食品的快速检验检测技术
摘要：食品安全已成为社会关注的焦点问题。文章介绍了目前常用的食品安全快检技术，并展望了其发展方向。
关键词：食品安全 快检 技术综述
引言
食品安全(food safety)是指食品无毒、无害，符合应当有的营养要求，对人体健康不造成任何急性、亚急性或者慢性危害。俗话说“民以食为天”，食品安全关系到人民群众的身体健康和生命安全，关系到社会和谐稳定，而近年来食品安全问题层出不穷，加了吊白块的面粉，有毒的大米，注了水的鸡肉，掺了石蜡的火锅底料，硫酸泡过的荔枝，以及假酒假烟假蜂蜜劣质奶粉充斥着市场，真让老百姓担心起这片“天”。因此，对食品的生产、加工和销售环节实施监测监控势在必行，食品安全分析检测技术应运而生。
传统的食品安全分析检测技术主要是指化学分析法和大型仪器检测法，相对成熟。但它们的操作只能局限于实验室，操作复杂，耗时长，不能满足对食品质量安全实时监督掌控的需求，尤其在突发事件时，快速检验检测技术以其简捷性和便携性两大优势得到了快速发展。
1、食品快速检验检测技术的研究现状
化学速测技术
化学速测技术主要是根据待测成分的某些化学性质，将样品与特定试剂发生水解、氧化、磺酸化或络合等化学反应，通过与标准品的颜色比较或特定波长下的吸光度比较，以获得检测结果，通常也成为化学比色分析法。
利用普通化学原理的速测法主要包括检测试剂和试纸，随着检测仪器的不断发展，国内外均已有与测试剂相配套的微型光电比色计。针对试纸检测的仪器也有报道，如硝酸盐试纸条[1]，主要是将硝酸盐还原为亚硝酸盐，在弱酸性条件下与对氨基苯磺酸重氮化后，和N-1-盐酸萘乙二胺偶合形成紫红色染料，试纸变色，插入检测仪读数即可。德国默克公司生产的与试纸联用的光反射仪技术相对成熟，国内尚无商品化仪器问世。
利用生物化学原理的速测法主要应用于微生物的检测，商品化成品以美国3M公司的PerrifilmTM Plate系列微生物测试片为代表，在检测金黄色葡萄球菌时，只需要测试片与确认片配套使用即可。测试片有上下两层薄膜组成，下层的聚乙烯薄膜上印有网格，便于计数，同时覆盖着含有特异性显色物质和抗生素的培养基，若样品中含有金黄色葡萄球菌，无须增菌，直接接种纸片培养24h后便可观察到显示出特殊颜色的菌落;确认片与测试片相似，只是含有不同的特异性显色物质，将有疑似菌落的测试片影印到确认片后，培养1-3h即可观察，不需进行繁琐的生理生化鉴定。而常规的Baird-Parker平板计数法耗时长达78h。
酶抑制速测技术
酶抑制速测技术主要用于食品中农药残留和重金属的快速检测。这些物质可通过键合作用造成酶的化学性质和结构的改变，产生的酶-底物结合体会发生颜色、吸光度或者pH值的变化，通过测定这些变化以达到定性或定量检测的目的。根据检测方式的不同，可分为试纸法、pH计法和光度法。相比而言，试纸法成本低、操作简单，更易于推广。它主要是将酶和底物分别固定在两张试纸片上，当样品中有待测组分时，会对酶产生抑制作用，两张试纸片接触后，酶和底物结合便会发生显著地颜色变化，比较适合农贸市场和超市等一些食品集散地的实时安全监管。由于该方法的检出限和保存性等方面的局限，只适用于初筛检测[2]。
生物传感器速测技术
生物传感器技术是利用生物感应元件的专一性，按照一定的规律将被测量转换成可用信号，使这种信号强度与待测物浓度形成一定的比例关系，具有快速、灵敏、高效的特点，是目前食品安全检测技术的研究热点，广泛应用于食品中农药残留、兽药残留等方面的检测，与传统的离线分析技术相比，它更适应于在复杂的体系内进行快速在线连续监测，在现场快速检测领域有着不可逾越的优势，按照传感器类型又可分为免疫传感器、酶传感器、细胞传感器、组织传感器、微生物传感器等等。
免疫传感器是在抗原抗体结合免疫反应的基础上发展起来的生物传感器。利用压电免疫传感器检测食品中常见肠道细菌时，通过葡萄球菌蛋白A将肠道菌共同抗原的单克隆抗体宝贝在10MHz的石英晶体表面，以大肠菌群为例，响应值可达10-6-10-9。
免疫速测技术
免疫速测是利用抗原抗体的专一、特异性反应建立起来的方法，根据选用的标记物可分为放射免疫检测、酶免疫检测、荧光免疫检测、发光免疫检测、胶体金免疫检测等。酶联免疫吸附检测法是应用较为广泛的一种免疫速测技术。它将酶标记在抗体/抗原分子上，形成酶标抗体/抗原即酶结合物，抗原抗体反应信号放大后，作用于能呈现出颜色的底物上，可通过仪器或肉眼进行辨别。目前，黄曲霉毒素酶联免疫试剂盒已广泛应用于食品检测中。
分子生物学速测技术
聚合酶链式反应(PCR)是近年来分子生物学领域中迅速发展并运用的一种技术，在食品检测中主要用于微生物的检测。它利用是否能从待测样品所提取的DNA序列中扩增出与目标菌种同源性的核酸序列来判定是否为阳性，该方法从富集菌体、提取遗传物质、PCR扩增到电泳、测序鉴定，可控制在24h，而致病菌的传统培养检测至少需要4-5天。
随着研究的逐深入，由PCR技术派生出的实时荧光PCR法、DNA指纹图谱法、免疫捕获PCR法、基因芯片法等也逐步得到了应用。基因芯片技术可以在很小的面积内预置千万个核酸分子的微阵列，利用细菌的共有基因作为靶基因，选用通用引物进行扩增，利用特异性探针检测这些共有基因的独特性碱基，从而区分出不同的细菌微生物。该法特异性强、敏感性高，可实现微生物检测的高通量和并行性检测。
2、食品快速检验检测技术的发展方向
食品安全快检法以其简捷性和便携性两大优势得到了快速发展，但缺点也显而易见，需要完善的地方依然很多：
简单 速检验检测技术往往是由一些非专业技术人员使用，因此，检测方法采样、处理、检测、分析等各个环节简单、易行是该方法的一大发展趋势。
准确 检法前处理简单，势必导致待测样品纯度不高，基体干扰大。因此，在今后方法的研究中，应更多关注与如何避免假阳性结果，尤其是在分子生物学速测法中，增强靶基因的特异性、引物的特异性、排除死菌体造成的假阳性应得到进一步探索。
便携 着微电子技术、智能制造技术、芯片技术的发展，检测仪器应向微型化、集约化、便携化方向发展，以满足更多的现场、实时、动态的检测要求。
经济 测成本的高低直接决定着检测技术能否得到广泛的推广和应用，如何在确保又好又快的检测基础上，尽最大可能的降低成本也是今后的研究方向。
标准化前，我国尚未制定出与食品安全快速检测技术相关的标准和规范，这也阻碍了快检法的推广和应用。随着技术的提高和检测中对快检法的需要，应及时制定出相关标准规范以增强快检结果的认可性和权威性。
参考文献
[1]房彦军，周焕英，杨伟群。试纸-光电检测仪快速测定食品中亚硝酸盐的研究【J】解放军预防医学杂志，2004，22(17)：18-21
[2]易良键。食品安全快速检测方法的应用和研究【J】中国信息科技，2012，3：46
点击下页还有更多>>>食品快速检测技术论文
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