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 ：
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）。
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 ：
dlib的安装很头疼我自己折腾了好几星期才成功 要讲的话很多所以写在了word里
链接：
很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。一点区分对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。所用工具Anaconda 2——Python 2Dlibscikit-imageDlib对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：pip install dlib上面需要用到的scikit-image同样只是需要这么一句：pip install scikit-image注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。人脸识别之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。首先先通过文件树看一下今天需要用到的东西：准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片。我们的工作就是要检测到中的人脸，然后判断她到底是候选人中的谁。另外的是我们的python脚本。shape_predi
DLIB是一个C ++库，用于开发可移植的应用程序与网络处理，线程，图形界面，数据结构，线性代数，机器学习，XML和文本解析，数值优化，贝叶斯网，和许多其他任务。 除了一些轻微的易用性和功能的改进外。 此版本，还给DLIB的对象检测工具提供对象...
可以的，现在的话基于Dlib可能会更简单。这是一个dlib的例子，基于Python语言。但是dlib是C++开发的，可以很容易地改成C++。40行代码的人脸识别实践
我给你一些思路．
网上很多题目，都不是原创，最好别用。之前也是网上down的一篇，老师直接说不行。还是后来学长给的雅文网，写的《大肠杆菌检验方法的探究与分析》，十分专业。看下参考文献吧 [1] 毕玲玲1,孙成春2,公衍文3,张欣悦1,安小通1. 黏液型和非黏液型铜绿假单胞菌临床分布和耐药表型分析[J]. 军医进修学院学报. [2] 熊燕,张虹,陈炎添,容永璋. 社区和医院获得性血流感染的病原菌分布及感染途径调查[J]. 检验医学. 2014(10) [3] 于霞,尚媛媛,赵立平,董玲玲,马异峰,王晓波,黄海荣. 分子杂交法快速鉴定结核分枝杆菌和非结核分枝杆菌的初步评价[J]. 检验医学. 2014(10) [4] 张景皓,王家路,赵虎. 新疆汉族与维吾尔族HBV耐药变异类型与基因型研究[J]. 检验医学. 2014(10) [5] 张津萍,尤永燕,沙仲,张瑞丽,王千秋. FQ-PCR与血清型特异性抗体法检测HSV-2的临床意义[J]. 检验医学. 2014(10) [6] 赵付菊,赵虎. 染色体介导AmpC β-内酰胺酶表达的分子调控机制的研究进展[J]. 检验医学. 2014(10) [7] 乔昀,赵英妹,仲俊,张珏,龚捷文. 实时荧光定量PCR在快速检测耐甲氧西林金黄色葡萄球菌中的评价与应用[J]. 检验医学. 2014(07) [8] 刘锦燕,倪培华,史册,魏冰,项明洁. 白念珠菌14-α脱甲基酶K143Q氨基酸置换与氟康唑耐药形成的相关性研究[J]. 检验医学. 2014(07) [9] 张勇,刘爱胜,文艳. 75株碳青霉烯类耐药铜绿假单胞菌ERIC-PCR菌种分型及其主要耐药机制研究[J]. 检验医学. 2014(07) [10] 胡海燕,裘先前,许照美. 1株与福氏志贺菌Y变种交叉凝集的摩根摩根菌鉴定结果[J]. 浙江预防医学. 2014(10)
随着社会的发展和人们道德、价值、法律观念的增强,现代社会要求一名合格医生应该具备丰富的专业知识同时具备良好的个人素质。医生应该本着严于律己的精神不断学习完善自己,提高个人的素质,而医学生的素质教育为其形成良好的职业素质打下了重要的基础。下面是搜索整理的临床医学论文题目大全105个，供大家参考阅读。临床医学论文题目大全一： [1]定西市疑似风疹标本ELISA与RT-PCR法检测分析[2]居家吞咽康复操在老年脑卒中患者中的应用及效果观察[3] MR扩散加权成像与不同成像序列联合应用对乳腺良恶性病变定性诊断价值临床研究[4]经静脉内耳钆造影MRI对可疑梅尼埃病的诊断价值[5]基于三种试剂盒分析新型冠状病毒特异性抗体的动态变化[6]基于罗伊适应模式的护理干预对双相情感障碍患者社会缺陷及认知功能的影响[7]驻地医院联合整建制驰援医疗队救治新型冠状病毒肺炎的护理管理实践[8]宫颈癌术后延伸野螺旋断层放疗与固定野调强放疗剂量学比较[9]新型冠状病毒感染患者恢复期肛拭子中SARS-CoV-2核酸检测结果评价[10]数字OT训练系统结合作业疗法对脑卒中患者上肢功能及ADL的影响[11]肌内效贴技术结合针刀治疗卒中后肩痛的临床研究及安全性分析[12]吞咽功能训练配合低频电刺激治疗脑卒中吞咽障碍的临床疗效[13]穴位肌电生物反馈联合rood技术对脑卒中后足下垂患者平衡功能的影响[14]三种不同免疫检验方法检测HIV抗体的价值比较[15]探讨认知护理对高血压性脑出血患者治疗依从性的影响[16]综合护理措施在手术室切口部位感染预防的应用研究[17]气管切开稳定期慢性阻塞性肺病患者的肺康复护理体会[18]优质护理应用于宫颈球囊在足月妊娠促宫颈成熟促进自然分娩的实践效果[19]社区心理护理干预对脑卒中患者康复的影响[20]集束化护理在重症监护室护理中的应用效果分析[21]基于快速康复理念的护理干预对胃癌根治术患者术后恢复的影响[22]鼻内镜下鼻窦开放术治疗慢性鼻窦炎围手术期的临床护理分析[23]试论医务社会工作在静脉输液治疗安全环境构建过程中的作用[24]~(125)I粒子源剂量计算参数模拟研究[25]左氧氟沙星联合哌拉西林/他唑巴坦对产超广谱β-内酰胺酶耐碳青霉烯类肺炎克雷伯菌的防耐药突变浓度及耐药机制的研究[26]2009—2018年浙江省宁波市吸毒人群HIV、梅毒和HCV感染状况及其行为特征[27]临床护理路径在新型冠状病毒肺炎患者中的应用效果[28]沙门氏菌主要流行血清型耐药性的研究进展[29]学龄后腭裂术后语音障碍患者语音训练方法研究[30]不同严重程度认知障碍组脑内血管周围间隙研究[31]多系统萎缩患者轻度认知功能障碍的静息态低频振幅研究[32]脑静息态功能磁共振局部一致性分析在轻度认知障碍患者中的初步研究[33]静息态fMRI评价脑瘫患儿手术前后的脑功能[34]自闭症儿童早期大脑过度发育的sMRI研究[35]老年重症监护室糖尿病患者血糖难控制的原因分析及护理措施分析临床医学论文题目大全二： [36]磁共振血管造影侧枝血管在卒中机械取栓术后预后中的应用价值[37] T单体素磁共振波谱成像离体及在体检测2-羟基戊二酸效能初探[38]基于心脏磁共振特征追踪技术的高血压患者早期左房功能障碍的定量研究[39]心脏磁共振成像技术对OSAHS患者心脏的研究[40]IVIM-DWI技术对前列腺癌内分泌治疗效果的应用研究[41]骨折内固定术后复查MAVRIC-SL序列去金属伪影的研究[42]大脑中动脉闭塞致缺血性脑卒中患者FVH-DWI匹配性与预后的相关性分析[43]磁共振动态增强成像联合扩散加权成像对乳腺良恶性疾病鉴别诊断价值[44]磁共振诊断精囊腺囊肿并结石1例[45]干燥综合征腮腺MRI的研究进展[46]磁共振弹性成像技术对肝纤维化诊断的新进展[47]重症胰腺炎并发腹腔高压的影像学研究进展[48]腹针加头针联合艾司唑仑片治疗原发性失眠45例[49]康复护理在颅脑损伤中的应用[50]骨科术后患者康复锻炼的重要性[51]X光片和多排螺旋CT、MR对骨关节创伤的诊断对比[52]急性心肌梗死合并完全左束支阻滞的心电图诊断价值[53]二维联合三维超声在胎儿唇腭裂中的应用价值[54]心脏超声与心电图对高血压性心脏病的诊断效果及检出率影响分析[55]浅析CT影像学技术应用于周围性小肺癌中的诊断价值[56]胎儿肢体及手足畸形产前超声诊断及图像分析[57]CT三维重建对微小肺癌早期诊断的价值[58]眼内肿瘤超声弹性成像的鉴别诊断价值[59]临床与影像护理的有效配合对脑卒中患者磁共振检查中的作用分析[60]低、高频探头超声联合在急性阑尾炎诊断中的应用[61]肝纤维化分期诊断中磁共振弹性成像技术的临床应用[62]小儿肾病综合征并肺动脉栓塞的CT表现及临床护理[63]腹部CT检查对诊断结肠肿瘤性肠梗阻的价值[64]CT增强扫描中离子型与非离子型碘造影剂副反应对比效果分析[65]磁共振弥散加权成像和动态增强诊断前列腺疾病临床效果观察[66]临床护理路径(CNP)标准在CT增强护理中的应用疗效分析[67]核磁共振波谱检查在前列腺癌诊断及病情判断中的应用疗效分析[68]老年终末期肾病患者腹膜透析对肾功能及心功能的影响[69]百里醌通过激活SIRT1/STAT3通路对脓毒症所致大鼠肝损伤和糖代谢紊乱的保护作用[70]艾滋病模型中关键指标SIV DNA绝对定量微滴式数字PCR技术的创新应用临床医学论文题目大全三： [71]113例肠杆菌科细菌血流感染临床特征与病原分析[72]多模态多维信息融合的鼻咽癌MR图像肿瘤深度分割方法[73]断层径照治疗局部中晚期下咽癌的剂量学研究[74]尼帕病毒Taqman qRT-PCR检测方法的建立[75]利用宏基因组纳米孔测序方法检测模拟临床样本中的基孔肯雅病毒和辛德毕斯病毒[76]三维全容积成像技术评价高血压是否合并超体重患者左心室容积及收缩功能[77]康复者血浆治疗新型冠状病毒肺炎疗效分析1例[78]辽宁省社区老年高血压患者自我管理能力和生活质量的相关性[79]批量新型冠状病毒肺炎患者救治护理工作实践与思考[80]重症监护室肺癌患者拔管后经鼻高流量氧疗与储氧面罩吸氧有效性的比较[81]血液透析、腹膜透析及肾移植对终末期肾病患者生存质量的影响及影响因素分析[82]应用PDCA循环法护理神经外科手术患者的效果[83]方舱CT技术进展与临床应急使用现状[84]应用上肢康复操视频对乳腺癌改良根治术后患者生活质量的干预效果[85]发热门诊与隔离病房无缝隙对接在疑似新冠肺炎患者管理中的效果研究[86]快速康复护理对骨折术后患者康复的影响研究[87]血清C肽与糖化血红蛋白检验诊断糖尿病的临床效果评价[88]优质护理措施在小儿糖尿病酮症酸中毒治疗中的应用分析[89]综合护理对糖尿病甲状腺癌患者术后临床疗效及相关内分泌激素水平的影响[90]社区糖尿病患者管理流程的探讨[91]老年糖尿病疾病护理管理中应用优质护理的效果评价[92]品管圈在提高居家胰岛素笔废弃针头回收率中的应用[93]目标策略的针对性护理干预在老年阑尾炎合并糖尿病患者围手术期中的应用观察[94]糖化血清白蛋白检测在糖尿病血液透析患者中的临床意义[95]电话随访联合IMB模型的健康教育对初诊2型糖尿病患者治疗依从性及自护能力的影响[96]综合性护理对老年糖尿病合并心律失常行心脏起搏器置入术后患者心理状态及生活质量的影响[97]糖尿病患者的内科综合护理干预方法及其有效性分析[98]全面护理干预在结石性胆囊炎合并2型糖尿病患者围手术期中的应用观察[99]目标性护理干预在肺癌合并糖尿病围手术期的应用研究[100]探讨护理对策及生活方式指导对糖尿病性脑血管疾病的影响[101]72例2型糖尿病患者腹腔镜下胃旁路手术治疗后的护理[102]健康行动过程取向理论指导下的护理干预在妊娠期糖尿病患者中的应用观察[103]静脉微量泵应用前列地尔注射液治疗糖尿病下肢血管病变中不良反应的观察及护理对策[104]动态血糖监测指导下的个体化营养联合瑜伽运动在妊娠期糖尿病患者中的应用观察[105]整体护理在糖尿病肾病血液透析患者中的临床价值分析以上就是关于临床医学论文题目大全的分享，希望对你有所帮助。
你好，本人也是学土木的，这篇文章为原创，在百度或谷歌等网站绝对找不到，供你参考、修改，实为抛砖引玉之作，希望你能满意。 不良地基的处理与加固方法[摘 要] 论述了在建造建筑物之前,针对不良地基土及异常地基土的处理方法及加固方案。[关键词]不良地基;异常地基;地基处理;施工工艺;基础刚度Abstract:This paper the treatment schemes and reinforcing means of badness and abnormality foundation before thebuilding words:badness foundation; abnormality foundation; foundation treatment; construction technique; stiffness 在现实工程中,经常会出现不良地基及异常地基的情况,如若对其处理不当将对建筑物造成不良影响。本文将对不良地基及异常地基情况的处理做一简要介绍,以便能更好地解决工程实际中地基出现的问题。1 不良地基的处理1·1 置换法1·1·1 换填法:就是将表层不良地基土挖除,然后回填有较好压密特性的土进行压实或夯实,形成良好的持力层,从而改变地基的承载力特性,提高抗变形和稳定能力。 施工要点:将要转换的土层挖尽、注意坑边稳定;保证填料的质量;填料应分层夯实。1·1·2 振冲置换法:利用专门的振冲机具,在高压水射流下边振边冲,在地基中成孔,再在孔中分批填入碎石或卵石等粗粒料形成桩体。该桩体与原地基土组成复合地基,达到提高地基承载力减小压缩性的目的。 施工注意事项:碎石桩的承载力和沉降量很大程度取决于原地基土对其的侧向约束作用,该约束作用越弱,碎石桩的作用效果越差,因而该方法用于强度很低的软粘土地基时必须慎重行事。1·1·3 夯(挤)置换法:利用沉管或夯锤的办法将管(锤)置入土中,使土体向侧边挤开,并在管内(或夯坑)放人碎石或砂等填料。该桩体与原地基土组成复合地基,由于挤、夯使土体侧向挤压,地面隆起,土体超静孔隙水压力提高,当超静孔隙水压力消散后土体强度也有相应的提高。 施工注意事项:当填料为透水性好的砂及碎石料时,是良好的竖向排水通道。1·2 预压法1·2·1 堆载预压法:在建造建筑物之前,用临时堆载(砂石料、土料、其他建筑材料、货物等)的方法对地基施加荷载,给予一定的预压期。使地基预先压缩完成大部分沉降并使地基承载力得到提高后,卸除荷载再建造建筑物。 施工工艺与要点:①预压荷载一般宜取等于或大于设计荷载;②大面积堆载可采用自卸汽车与推土机联合作业,对超软土地基的第一级堆载用轻型机械或人工作业;③堆载的顶面宽度应小于建筑物的底面宽度,底面应适当放大;⑤作用于地基上的荷载不得超过地基的极限荷载。1·2·2 降水法:降低地下水位可减少地基的孔隙水压力增加上覆土自重应力,使有效应力增加,从而使地基得到预压。这实际上是通过降低地下水位,靠地基土自重来实现预压目的。 施工要点:一般采用轻型井点、喷射井点或深井井点;当土层为饱和粘土、粉土、淤泥和淤泥质粘性土时,此时宜辅以电极相结合。1·3 压实与夯实法以配合堆载预压用于加速饱和粘性土地基的固结1·3·1 表层压实法:采用人工夯,低能夯实机械、碾压或振动碾压机械对比较疏松的表层土进行压实。也可对分层填筑土进行压实。当表层土含水量较高时或填筑土层含水量较高时可分层铺垫石灰、水泥进行压实,使土体得到加固。1·3·2 重锤夯实法:重锤夯实就是利用重锤自由下落所产生的较大夯击能来夯实浅层地基,使其表面形成一层较为均匀的硬壳层,获得一定厚度的持力层。 施工要点:施工前应试夯,确定有关技术参数,如夯锤的重量、底面直径及落距、最后下沉量及相应的夯击遍数和总下沉量;夯实前槽、坑底面的标高应高出设计标高;夯实时地基土的含水量应控制在最优含水量范围内;大面积夯时应按顺序;基底标高不同时应先深后浅;冬季施工时,对土已冻结时,应将冻土层挖去或通过烧热法将土层融解;结束后,应及时将夯松的表土清除或将浮土在接近1m的落距夯实至设计标高。 1·3·3 强夯:强夯是强力夯实的简称。将很重的锤从高处自由下落,对地基施加很高的冲击能,反复多次夯击地面,地基土中的颗粒结构发生调整,土体变为密实,从而能较大限度提高地基强度和降低压缩性。其施工工艺流程:①平整场地;②铺级配碎石垫层;③强夯置换设置碎石墩;④平整并填级配碎石垫层;⑤满夯一遍;⑥找平,并铺土工布;⑦回填风化石渣垫层,用振动碾碾压八遍。一般在大型强夯施土前,都应选择面积不大于400m2的场地进行典型试验,以便取得数据,指导设计与施工。1·4 挤密法1·4·1 振冲密实法:利用专门的振冲器械产生的重复水平振动和侧向挤压作用,使土体的结构逐步破坏,孔隙水压力迅速增大。由于结构破坏,土粒有可能向低势能位置转移,这样土体由松变密。1·4·2 施工工艺:①平整施工场地,布置桩位。②施工车就位,振冲器对准桩位。③启动振冲器,使之徐徐沉入土层,直至加固深度以上30~50cm,记录振冲器经过各深度的电流值和时间,提升振冲器至孔口。再重复以上步骤1~2次,使孔内泥浆变稀。④向孔内倒入一批填料,将振冲器沉入填料中进行振实并扩大桩径。重复这一步骤直至该深度电流达到规定的密实电流为止,并记录填料量。⑤将振冲器提出孔口,继续施工上节桩段,一直完成整个桩体振动施工,再将振冲器及机具移至另一桩位。⑥在制桩过程中,各段桩体均应符合密实电流、填料量和留振时间等三方面的要求,基本参数应通过现场制桩试验确定。⑦施工场地应预先开设排泥水沟系,将制桩过程中产生的泥水集中引入沉淀池,池底部厚泥浆可定期挖出送至预先安排的存放地点,沉淀池上部比较清的水可重复使用。⑧最后应挖去桩顶部1m厚的桩体或用碾压、强夯等方法压实、夯实,铺设并压实垫层。1·4·3 沉管砂石桩(碎石桩、灰土桩、OG桩、低标号桩等):利用沉管制桩机械在地基中锤击、振动沉管成孔或静压沉管成孔后,在管内投料,边投料边上提(振动)沉管形成密实桩体,与原地基组成复合地基。1·4·4 夯击碎石桩(块石墩):利用重锤夯击或者强夯方法将碎石(块石)夯入地基,在夯坑里逐步填人碎石(块石)反复夯击以形成碎石桩或块石墩。2 异常情况的地基处理2·1 松土坑(填土,墓穴,淤泥等)的处理2·1·1 将坑中松软虚土挖除,使坑底及槽帮四壁均见天然老土,然后采用与坑边的天然土压缩性相近的材料回填,回填材料及做法:①当地基为砂土时,用砂或砂石回填,回填每层厚度不大于20cm并应分层洒水夯实或用平板振捣器夯实。②当地基为较密实的干硬性粘土时,可用3∶7灰土分层夯实。③当地基为中密可塑粘土时,用1∶9灰土分层夯实回填。④当虚土挖除后,如遇地下水,则水下部分采用级配砂石回填,水上部分仍可用灰土夯实回填。2·1·2 当单独柱基下有虚土坑时,可按下述情况处理①如坑深度大于槽宽,或坑面积大于槽底面积的1/3时,宜将槽底全部落到坑底。②在粘性土中,两相邻单独柱基的槽底高差不得大于相邻柱基的净距,否则应将较浅的柱基槽底相应落深,使两柱基槽底标高取平。③在砂性土中,两相邻单独柱基的槽底高差不得大于净距的1/2,否则两柱基的槽底宜取平。④如坑底过深,可考虑加大基础底面积,或与相邻柱基础连在一起做成联合基础。2·2 局部范围内有硬土或旧结构物时的处理当基底下有局部过硬的土质或旧结构物(如旧基础,老灰土,化粪池,旧砖窑,压实的路面,大树根,大块石等)时,应全部挖除,再按上述方法回填或加深基础(应指出的是,不能认为在地基处理时,只须对松软的地基做处理。对过于坚实的地基如不做处理,也会引起建筑物产生较大的不均匀沉降)。2·3 设备管道的处理当上下水等设备管道在槽底以上穿过时,应在基础墙处管道上方留出大于房屋预估沉降量的空隙,以避免建筑物产生沉降时引起管道损坏,同时,应采取防止管道漏水的措施,以避免漏水浸湿地基而引起不均匀沉降。当管道基础穿过基础时,可将基础局部落深,使管道穿过基础墙,同时,管道上方应按上述原则留足够的空隙。[参考文献][1] 董爱飞. 常用地基处理技术综述[J]. 建筑, 2008, (03) . [2] 梁亚明,刘英华. 刚性桩复合地基在软土地基处理中的应用[J]. 科学之友(B版), 2008, (03) . [3] 王剑峰,赵竹莹. 浅谈CFG桩地基处理及工程实例[J]. 林业科技情报, 2008, (01) . [4] 曹冰. 复合地基技术在北良港淤泥吹填区地基处理中的应用研究[J]. 港口科技, 2008, (03) . [5] 钟毅. 砾料石灰土结构在软土地基处理中的应用研究[J]. 北方交通, 2008, (03) . [6] 刘震,郑忠钦. CCMG地基处理在上海长江大桥桥头路基施工中的应用[J]. 上海公路, 2008, (01) . [7] 王刚,玄力,张广范,张跃宇. CFG桩在地基处理中的应用实例[J]. 西部探矿工程, 2008, (05) . [8] 吴剑,周健,崔积弘,茅永德. 上海港罗泾港区地基处理的试验研究[J]. 工业建筑, 2007, (S1) . [9] 冯国栋. 浅谈地基不均匀沉降的原因及防治[J]. 科技创新导报, 2008, (08) . [10] 苑克伟,李国,王积鑫. 粉喷桩在箱涵地基处理中的应用[J]. 北方交通, 2008, (03) .
湿陷性黄土地基处理研究
黄土湿陷性对人类工程活动危害很大，常使建筑物、渠道、库岸、道路护坡造成破坏。以下是我收集整理的湿陷性黄土地基处理研究论文，和大家一起分享。
摘要： 通过梳理湿陷性黄土成因及各地基处理方法的适用范围、优缺点，结合黄韩侯铁路房屋湿陷性黄土地基处理方案的工程实例，以技术经济分析方式，得出了湿陷性黄土地区铁路房屋地基处理的一般方法，对湿陷性黄土地区铁路房屋的修建具有很好的借鉴作用。
关键词 ： 湿陷性黄土;铁路房屋;地基处理垫层法;挤密法
湿陷性黄土是一种特殊性质的土，具有在自重或外部荷重下或二者共同作用下，受水浸湿后结构迅速破坏发生突然下沉的性质.它在中国分布广泛，主要集中在山西、陕西、甘肃大部分地区以及河南西部.此外，新疆、山东、辽宁、宁夏、青海、河北及内蒙古的部分地区也有分布，但不连续.
铁路房屋是铁路生产、运营的核心，发挥着指挥、调度、监控、服务等作用，对整个铁路的安全运营起着十分重要的作用，是整体铁路系统中不可缺少的一部分.鉴于湿陷性黄土的危害性和铁路房屋的重要性，在湿陷性黄土地区的铁路站房建设，必须采取处理措施，以保证站房结构的安全.
由于国内对铁路房屋湿陷性处理措施的专项研究和实例介绍不多，本文特从理论与实践相结合的角度对此问题展开论述.
1 黄土的湿陷机理及防止措施
黄土的湿陷性机理
黄土的结构特点和胶结物质的水溶特性决定了黄土湿陷的机理[1].湿陷性黄土是一种非饱和的欠压密土，具有大孔和垂直节理，在天然湿度下，其压缩性较低，强度较高，但遇水浸湿时，土的强度显著降低，在附加压力或在附加压力与土的自重压力下引起的湿陷变形，是一种下沉量大、下沉速度快的失稳性变形.造成黄土湿陷的原因可总结为：
(1)黄土的力学性质从内部改变了黄土在浸水及外部荷载因素下，使剪应力超过抗剪强度，从而发生湿陷.
(2)黄土内部受浸水湿化作用下，使土壤自身摩擦力降低，外部扰动作用诱发湿陷.
(3)黄土内部结构发生崩解，使黄土颗粒间胶结强度弱化，颗粒间相对迁移，并伴随小颗粒进入大间隙.同时由于颗粒间胶结被水溶解，在外部扰动作用下强度已不堪平衡，造成土质结构损坏.
湿陷性黄土的防止措施
黄土湿陷性对人类工程活动危害很大，常使建筑物、渠道、库岸、道路护坡造成破坏.笔者认为，改变湿陷性黄土的结构特性是防止黄土湿陷性的核心，而防止或减小建筑物地基浸水湿陷则是防止黄土湿陷性的关键点.
防止湿陷性黄土地基湿陷的综合措施主要有地基处理、防水措施和结构措施三种.其中地基处理措施主要用于改善土的物理力学性质，减小或消除地基的湿陷变形;防水措施主要用于防止或减少地基受水浸湿;结构措施主要用于减小或调整建筑物的不均匀沉降，或使上部结构适应地基的变形[2].三种措施作用、功能、侧重点各不相同，在实践中要采取以地基处理为主的综合措施，标本兼治，突出重点，消除隐患.
防止黄土湿陷性的地基处理措施主要有以下几种：
(1)垫层法：包括土垫层和灰土垫层，是将基底以下湿陷性土层部分或者全部挖除，用2:8或3:7灰土局部或整片进行换填并分层夯实，适用于消除基底以下 1～3m的湿陷性黄土.具有施工简易、快捷、造价低的优点，但这种措施处理的黄土厚度有限，不适用于较厚的湿陷性黄土地层，还需做好防水，地面水及管道漏水仍可能渗入土层引起不均匀沉降.
(2)强夯法：是反复将夯锤(10～60t)提到一定高度(10～40m)使其自由落下，给地基以冲击和振动能量，从而提高地基承载力、降低其压缩性，改善地基性能.该法设备简单、工期短、节省劳力材料、造价低廉.处理深度一般在3～7m，对非自重湿陷性黄土效果明显.它要求场地有足够空间，对土壤含水量要求高，且施工造成的震动大，对周围建筑有影响，不适宜在城区使用，施工前试验和完工后检验时间长(30d).
(3)挤密法：是用灰土或土层夯实的桩体，形成增强体，与挤密的桩间土一起组成复合地基，共同承受基础的上部荷载.成孔挤密主要有沉管、冲击、夯扩、爆扩等方法，适用于厚度在3～15m的湿陷性黄土，由于桩体和桩间土的双效作用使得挤密法地基处理的整体效果好，不但消除或部分消除了黄土的湿陷性，还提高了地基土的承载力、增强了其水稳性.
(4)预浸水法：宜用于处理厚度大于10m，自重湿陷量的计算值不小于 500mm的场地.浸水结束后，地面6m以下湿陷性可全部消除，地面6m以内湿陷性也可大幅度减小，但该法耗时太长，往往影响工期，需水量也大，缺水地区不适用.浸水使场地周围地表下沉开裂，容易影响附近建筑物的安全，所以规定至既有建筑物的距离不小于50m，而且一般在浸水结束后，还需进行补充勘察工作，重新评定地基土的湿陷性，并采用垫层或其他方法处理上部湿陷性黄土层，无形中增加了成本、延长了工期.
当以上地基处理措施都不能满足设计要求时，可采用桩基础来消除黄土的湿陷性，此法安全可靠，但是投资费用较大.
2 工程实例
铁路车站站房综合楼
黄韩侯铁路新建白水、澄城、合阳北站站房在陕西省渭南市境内，位于陇东—陕北—晋西的湿陷性黄土带上，此地区自重性黄土分布广泛，厚度一般大于10m，地基湿陷等级一般为3～4级，湿陷性较敏感.经现场钻孔检测，三站均为4级自重性湿陷性黄土，与《湿陷性黄土地区建筑规范(GB 50025-2004)》判定一致.以澄城站站房施工场地为例，土层从上至下分布为：
(1)人工填土：厚约.
(2)黏质黄土：厚约，黄褐色，成份以黏粒为主，黏性一般，土质均匀，土体结构疏松，可见针状孔隙及虫孔，含少量钙丝及钙质结核，岩芯呈散块状及短柱状，其中：～含大量钙丝，～含大量钙质结核，具IV级自重湿陷性.fak=150kPa.(3)砂质黄土: 厚约，棕褐色，成份以黏粒为主，黏性一般，土质均匀，土体结构较紧密，可见少量针状孔隙，硬塑，岩芯呈短柱状，具IV级自重湿陷性.fak=150kPa.
经现场探孔检测，白水站和合阳北站站房与澄城站房一样，均为IV级自重湿陷性黄土，且厚度较大.站房为300人小型铁路车站站房，房屋结构采用全现浇钢筋混凝土结构，主体1层，局部2层，建筑高度12m，建筑面积2500m2，设计使用年限为50年，房屋基础采用钢筋混凝土独立基础，地基基础设计等级为丙级.
设计要求处理后复合地基承载力特征值不小于180kpa，桩间土平均挤密系数不小于.
根据现场情况、房屋结构及国家有关规范的要求综合分析测算，对三站站房地基采用灰土挤密桩的方式进行处理.灰土挤密桩材料按2：8配合比，桩径400mm，桩长度为10m，梅花状布桩，桩距900mm.施工完毕后，经检测三站站房复合地基承载力特征值为225kPa，桩间土平均挤密系数大于，地基承载力提升明显，满足设计要求。
单层小型砌体房屋
黄韩侯铁路韩城车站待检室及清扫房位于陕西省韩城市韩城火车站内，拟建房屋地质资料如下：
(1)杂填土：由粉质粘土与大量砖瓦碎片组成，结构杂乱，土质不均，厚约1m，Ⅱ级普通土.
(2)黏性黄土：分布于填土底面以下，黄褐色，硬塑—可塑，虫孔及大孔隙发育，具湿陷性，工程场地均有分布，属中等压缩性土.厚约10m，底部为棕红色古土壤层.Ⅱ级普通土.fak=120kpa，具Ⅲ级自重湿陷性.
待检室及清扫房建筑面积，层数1层，层高，结构形式为砖混，设计使用年限为50年，地基基础设计等级为丙级，基础采用柱下墙下条形基础，要求处理后的地基承载力特征值不小于180kpa.
地基处理采用基底以下换填3m厚3:7灰土垫层，每边宽出基础边不小于，垫层分层夯实，压实系数不小于.用换填法处理地基后，压实系数不小于，地基承载力特征值为195kpa，满足设计要求.
多层框架房屋
(3)黄韩侯铁路芝阳站运转综合房屋，建筑面积，二层框架结构，层高.拟建房屋地质资料为：黏性黄土：浅棕黄—黄褐色，厚度大于 20m，土质均匀，夹有钙质网膜及零星姜石，硬塑，Ⅱ普通土，fak=150kpa，属自重型湿陷性黄土，湿陷等级Ⅳ级，湿陷土层厚度约25～35m.地表水不发育.钻孔深度未见地下水，土壤冻结深度37cm，要求地基处理后复合地基承载力特征值不小于180kpa.
拟采用3：7灰土挤密桩进行地基处理，桩长6m，桩径450mm，等边三角形布桩，桩距1000mm.但由于现场施工场地不能满足灰土挤密桩处理宽度的要求，经计算，将地基处理方案修改为3:7灰土换填处理地基，处理厚度为基底下3m，宽出基础边缘各2m，灰土压实系数不小于.
现场施工完毕后，经检测，地基承载力特征值大于180kpa，满足设计要求.
工程造价分析
从上表可以看出，对铁路房屋的重要建筑如火车站站房由于其重要性宜采用灰土挤密桩进行地基处理以保证其结构的安全性，其他房屋宜采用换填灰土垫层的方法对地基进行处理，相较挤密法既能有效节省工期、又能显著降低造价，可作为铁路一般房屋处理湿陷性黄土的首选方法.
3 结语
(1)本文以陕西黄韩侯铁路房屋湿陷性黄土地基处理为例，针对房屋所处的现场情况和地质条件，论述了采取的垫层法和挤密法的房屋地基处理方案，并进行了经济技术分析，得出了铁路站房适用灰土挤密法、一般房屋适用垫层法进行湿陷性黄土地理处理结论.
(2)目前对湿陷性黄土的研究成果主要集中在地方民建方面，铁路方面主要集中在对路基的'处理方面[3，4]，对铁路房屋的研究极少、类型也单一[5].由于铁路房屋的特殊性，下一步应加强湿陷性黄土地区铁路房屋地区地基处理方法的探索和研究，尤其是地方民建较少使用的其他技术(如DDC桩、钻孔灌注桩、震动碎石桩等)，注意案例的收集和数据的积累，以推动湿陷性黄土地基处理技术的发展.
(3)在湿陷性黄土地基处理时，要根据《湿陷性黄土地区建筑规范》(GB50025)、《建筑地基处理技术规范》(JGJ79)的要求，结合所建建筑物的特点、地质条件、要求的地基承载力、施工难易程度、节省投资等方面，进行技术经济分析，选择最合适的房屋地基处理方案，避免资源的浪费.
(4)灰土挤密桩的施工机械属大型施工机械，由于成本原因，现在使用的机械都较为陈旧，因此要研究一套切实可行的安全控制方法和安全操作规程，确保施工安全.
(5)湿陷性黄土房屋地基经过地基处理后湿陷性消除或降低，能达到建筑物荷载的要求，但是我们在实践中还应该采取结构(如考虑框架结构，结构内外设置变形缝等)、防水(如扩大站房外散水的宽度、增加防水卷材等)等措施，继续结构、防水、维护这方面的研究和探索，在实践中不断探索防止湿陷性黄土的方法，防止地基湿陷对建筑物的危害.
参考文献：
(1)张晓宇.湿陷性黄土地区建筑的地基处理措施[J].山西建筑，2014(3)：76.
(2)GB 50025-2004，湿陷性黄土地区建筑规范[S].79.
(3)摇裕春，李安洪，罗照新，孙莺.郑西客专湿陷性黄土地基处理技术研究[J].铁道工程学报，2013(9)：15—19.
(4)赵如意.黄韩侯铁路湿陷性黄土地基处理措施研究与设计[J].科技创新导报，2013(5)：113.
(5)袁二丽.湿陷性黄土地段房屋地基处理方案及造价分析[J].铁路工程造价管理，2013(3)：8-10.
高压旋喷桩在道路软基处理中的应用摘 要：在津沽改线下穿通道的U15-U18段及搭板处，因按照原计划用于加强软土地基承载力的深层水泥搅拌桩机具过高，容易使机具与其上的高压线发生电击事故而在施工中无法得到实施，所以此段变更为高压旋喷桩。本文结合工程实例，分别从工作机理、施工流程、和质量检验三个方面对高压旋喷桩做了阐述。关键词：软土地基处理，高压旋喷桩，质量控制1、工程简介津沽该线下穿通道工程全长440米，宽为米，其中U型槽的JK3+¬— JK3+的范围内，道路中心线两侧上方有110KV高压线干扰，所以此段由原来的深层水泥搅拌桩变更为高压旋喷桩。此段旋喷桩设计桩长10—15 米，设计桩径600mm，梅花形布置，桩距米，总根数为668根，总米数为米，从2009年11月8日始到2009年11月19日止，历时12天，工后检验效果理想。2、高压旋喷桩概述.概念：高压旋喷桩是高压喷射注浆法处理地基中的一种，是利用钻孔设备，把安装在注浆管底部侧面的特殊喷嘴，置入土层预定深度后，用高压泥浆泵等装置，以20Mpa左右的压力把预先制备好的水泥、水玻璃等材料作为主固化剂的浆液从喷嘴中喷射出去冲击破坏土体，同时借助注浆管的旋转和提升运动，使浆液把从土体上崩落下来的土搅拌混合，经一定时间的凝固，便在土中形成圆柱状的具有一定强度和抗渗能力的固结体，从而使地基承载力得到加强的一种工程方法。. 加固机理：高压喷射注浆是利用工程钻机把带有喷嘴的注浆管钻进至土层的预定位置，以高压设备使浆液成为20Mpa左右的高压流从喷嘴里喷射出来，冲击破坏土体，当能量大、速度快和呈脉动状的喷射流的动压超过土体结构强度时，土料便从土体剥落下来，高压流切割搅碎的土层，呈颗粒状分散，一部分被浆液和水带出钻孔，另一部分则与浆液搅拌混合，随着浆液的凝固，组成具有一定强度和抗渗能力的固结体，当喷射流以360°旋转、自下而上喷射提升时，固结体的截面形状为圆形即称为旋喷。在钻机的钻杆最前端设置一个高压液体喷射装置，当钻机把该高压喷射装置送到土层预定深度时，通过高压泵向钻杆中心孔连续输送高压水泥浆液，高压水泥浆液即通过喷射装置中的喷嘴小孔喷入钻杆周围的砂层、土层及砂土层，与此同时钻机带动钻杆缓慢旋转并提升使喷嘴缓慢螺旋上升，从而使高压水泥浆不断切割搅拌土层，形成水泥、砂、土及速凝剂的混合搅拌浆体，通过固化剂和软土间所产生的一系列物理化学反应，生成水化物，然后水化物胶结形成凝胶体，将土颗粒凝结在一起形成具有整体性、水稳定性和较高强度的结构整体，从而提高其复合地基承载力及改变地基土物理化学性能，达到提高地基承载力、减少地基沉降、阻止水体流动、增强地基稳定性的目的。旋喷桩主要用于加固地基，提高地基的抗剪强度，改善地基土的变性性能，使其在上部结构荷载作用下，不至破坏或产生过大的变形。3、施工流程旋喷注浆施工流程可大致分为:施工准备，试桩、技术参数确定→测量放样，桩机就位，钻孔，水泥浆制备，旋喷和复搅，提管冲洗，移动设备→桩基工后检测；、 施工准备：钻机进场之前首先进行场地布置，清除施工区域的杂物，平整场地施工段落要平整密实，做好排水工作，确保在较干净的环境中进行施工,其次，准备好施工用电和施工用水；施工用电使用沿线设置的变压器并配备发电机在施工现场，架设电缆接线到施工作业区。、试桩、技术参数确定：每个工点施工前必须先打不少于3根的工艺试验桩，以检验机具性能及施工工艺中的各项技术参数，其中包括最佳的灰浆稠度、工作压力、钻进和提升速度等，还应根据被加固土的性质及单桩承载力要求，确定水泥掺入量。通过试验桩确定本工程高压旋喷桩施工技术参数为：水灰比为1：1；钻进、工作压力20～25Mpa；提升速度≤；桩顶1米范围提升速度≤；转速应控制在20～25r/min，水泥掺入量范围在180～220Kg/m之间。、测量放样：测量人员根据施工图纸提供的坐标、平面布置图，在施工段落进行布桩，桩位用小木桩红色头醒目标注，桩间距误差不大于50mm，布桩完成自检合格后报监理工程师验收，验收合格后进行下一步工序。、钻机就位：搅拌机具运至现场后进行安装调试，待转速、压力及计量设备正常后就位。钻机就位时先使钻头对准桩位标志中心，然后进行钻杆的双向调平，之后，再次调整对中，最后再精确调平。垂直度误差不超过1%，对中误差小于5cm。、钻孔：每台钻机在开钻前，技术人员对钻杆总长度进行尺量，根据桩长、设计桩顶标高、原地面标高计算下钻节数，并在最后一节钻杆上标定出下钻结束位置。钻孔的目的是为了把注浆管置入到预定深度，钻孔方法采用单管法旋转钻机。在钻杆下钻时采用小于10Mpa的水泥浆压力，一方面防止堵喷嘴，另一方面对土体进行第一次喷射，使土体成为混合液，减小喷浆时土体的阻力，以利于浆液充分搅拌，钻到设计的深度。成孔后，应校检孔位、孔深及垂直度，是否符合设计要求。、灰浆的制作：选用优质普硅水泥，根据搅拌桶的大小、水灰比、泥浆比重来标定最大水位线，按水灰比1：1添加水泥，并经充分搅拌，测定泥浆比重是否达到试配时比重，如达不到继续添加水泥直至达到试配水泥浆比重为止。搅拌时间少于4分钟的不得使用，超过初凝时间的浆液也不得使用；灰浆经过两道过滤网的过滤，以防喷嘴发生堵塞；抽入储浆桶内的灰浆要不停地搅拌。、旋喷和复搅：将注浆管下到预定深度后，调整回流阀门，使旋喷罐内的压强达到规定值，水泥浆到达喷嘴后，检验喷射方向、摆动角度，一切合格后，调整工作台和油泵阀门，使旋转速度控制在20—25 r /min和提升速度达到20-25cm /min的范围时开始提杆、旋喷，由下往上成桩，在桩头以下1米范围复喷提钻时采用最慢的1档提钻上升，并复喷一次，增加桩体的密实度，因为桩顶以下1米范围将承受较大的荷载，加强此处桩体的质量对发挥桩体的承载力起关键作用。当喷浆结束后，要对注浆孔进行二次回灌，防止旋喷桩体因水泥浆固结出现顶部凹陷而达不到设计桩顶标高。在施工过程中，旋转速度、提升速度、旋喷压力、水泥用量参数的变化将直接影响桩的均匀程度和桩径，水灰比参数的变化将会影响桩身的强度，因此必须时刻注意检查浆液初凝时间、水泥浆流量及压力、提升速度、旋摆角度、喷射方法等参数是否符合设计要求，并随时作好记录，如遇故障应及时排除。、提管冲洗：喷射作业完成后，将注浆泵的吸浆管移到水箱内，在地面上喷射，以便把泥浆泵、注浆管内的浆液全部排除，防止残存水泥浆将管路堵塞。移动设备:移动钻机至下一孔位，为确保桩与桩之间能很好咬合，宜采用打一跳一法，且间隔时间应大于36小时。4、质量检验 高压旋喷桩完成28d后方能进行质量检验。、触探及抽芯检验成桩7d内采用轻型触探进行N10检测，检测频率为工程桩数的2%。抽芯检验的总桩数不得少于工程桩数的3‰，单位工程桩数小于1000根时，至少做3根。桩芯无侧限抗压强度（28d）应满足如下要求：桩顶～2/3桩长范围：≥；2/3桩长～桩尖范围：≥。、高压旋喷桩单桩承载力要求高压旋喷桩单桩承载力表桩长（m） 单桩承载力（KN）10 30711 33712 36713 39714 42715 442质量检验标准序号 控制参数 控制标准值 备 注1 桩机安装垂直度偏差 ＜1% 查施工记录2 桩位偏差 ±50 mm 查施工记录3 注浆压力 ≥20Mpa 查施工记录4 水灰比 1：1 查施工记录5 水泥用量 ≥180kg/m 查施工记录6 桩径 ≥600mm 开挖抽查2％7 桩长 不小于设计值 查施工记录8 旋转速度 20~25r/min9 喷提升速度 10~25 cm/min10 桩身强度 不小于设计值 抽芯检查5、注意事项、施工时应先施工内排桩，后施工外排桩、水泥浆液应连续供应。如发生断浆现象，须复打，复打重叠长度必须大于。、浆液拌和应均匀，不得有结块；浆液不得离析或停滞时间过长，超过2小时应停止使用。、构造物基底水泥搅拌桩桩顶高程应根据构造物底高程进行计算确定，同时应考虑凿除50㎝桩头的影响。、旋喷废浆应予以充分利用，施工过长中可在相邻桩之间开挖一定深度的浆液存贮沟（沟宽～米，深～米），待浆液凝固后形成具有一定强度的桩间横系梁，以增强各桩间共同作用，提高地基承载力。施工中控制冒浆量小于注浆量的20％，超过20％或完全不冒浆应查明原因，采取措施。、成桩28d后，可开始基槽开挖，凿除50㎝软桩头，桩头凿除后桩长不得小于设计桩长。、提钻喷浆的速度控制，控制好旋喷速度，保证不大于25cm/min且稳定，灌浆管分段搭接的长度不得小于10cm。底部时应适当加大压力保证底部桩头大于设计，顶部时应重复提钻喷浆一次保证桩头的完整。、提升旋喷过程中确保压力达到设计要求，不小于20Mpa，使足够的水泥浆压入土体，钻杆旋转速度再规定范围内，20~25r/min，确保桩体的均匀性和整体性及强度。6、结语实践表明，采用高压旋喷桩技术进行软土地基加固的效果是显著的，它具有加固体强度高、加固质量均匀、施工操作简便、占地高度小等特点，可用于处理加固淤泥质土、粉土、粘土等软土地基，适用于场地狭窄、不宜进驻大型机械设备等场合，可有效地减少地基总沉降量和不均匀沉降，地基处理效果明显。参考文献:[1] 叶书麟. 地基处理工程实例应用手册[M].北京：中国建筑工业出版社，1983，3[2] 程云朋. 高压旋喷桩在地基加固中的应用探讨[J]. 山西建筑，2007[3] 李 兵. 高压旋喷桩施工技术[J]. 甘肃科技，2005