发布时间：
改进yolov5能发小论文。
主做目标检测的，正好最近在用yolov5，说点个人看法吧，不一定对。
首先yolo系列发展到现在，思想已经很成熟了，像具体的改进，其实4和5也有很多异曲同工的地方，无论是backbone还是neck。
目前很多改进yolov5发论文的，一些是在backone上做轻量化处理，一些是加入注意力机制，一些是改进neck，或者调整head，还有改损失函数或者nms过程的。
主要是因为yolo本身的思想已经很成熟了，在这个框架下的确很难做出些通用性的创新和提升。至于把各种成熟的模块塞进去发论文，这种仁者见仁智者见智吧。个人感觉还是结合某个方向改进yolo，会有方向一些。毕竟不同的数据集和尺度上，同样的改进有时候效果也是不同的。
Yolov5 目标检测的损失函数由三部分组成，分别是矩形框预测损失函数、置信度预测损失函数以及类别预测损失函数，在上节中分析了目标检测损失函数GIoU 的缺陷及其改进，使用 CIoU 以及带有调节因子的二元交叉熵函数替代原网络的损失函数。
实验验证此次改进，与原算法结果对比如下表所示。根据上表数据可以看到，针对本文的损失函数的改进在实验时得到了 的准确率，提升了 ，可以证明对损失函数的改进可以对目标检测的性能提升提供很大帮助。
对于YOLOv5的命名发布这么大的争议的原因是:Ultralytics公司在开源YOLOv5的代码时,未发布经过同行评议的YOLOv5论文。主要原因就是YOLOv5的license是GPL协议(),而Kaggle不允许使用GPL协议的项目参赛。那么今天就来普及一下这些开源软件协议。软件开源是许多软件企业需要关注的问题,不同的开源软件协议,对应不同的源代码使用限制。只有了解这些开源软件协议,才能更好地使用和回馈开源软件,否则就有可能触犯法律。
在这篇文章中，我们将使用来自 AWS 上的 COCO 数据集（可定制）的图像设置和运行 YOLO。
一般来说，分类技术在自动驾驶 汽车 中没有多大帮助，因为它只预测图像中的一个对象，并且不给出该图像的位置。 而目标检测在自动驾驶 汽车 中非常重要，可以检测场景中的对象及其位置。 YOLO（你只看一次）是由 Joseph Redmon 等人创建的一种高速实时对象检测算法。 YOLO使用卷积神经网络 (CNN)解决概率的回归问题。 后来又进行了一些修改。 为了进行预测，YOLO 只需要通过 CNN 进行一次前向传播。 它输出具有相应边界框的对象。 它广泛用于自动驾驶 汽车 以检测场景中的物体。
第 1 步：设置帐户（这步可以跳过）
登录网站并复制以下内容：
来自 的 API 密钥 中的团队名称。 默认团队名称将是用户 ID。
第 2 步：创建 AWS 实例（如果你在本机训练这步也可以跳过）
在创建实例时，选择“Deep Learning AMI (Ubuntu ) Version — ami-01f1096e6659d38fa”AMI，因为它具有深度学习任务所需的库。 如果我们在“选择AWS机器映像 (AMI)”步骤中搜索“deep learning”，我们可以找到这。为“实例类型”选择 P3 实例。 实例类型 （V100） 就足够了。为了节省成本，请在“配置实例”步骤下选择 Spot 实例。
第 3 步：安装依赖项
登录 AWS 实例后，使用以下命令创建 conda 环境并设置 Weights & Bias 环境变量：
第 4 步：训练、验证和测试
第 5 步：检查指标
验证集真实标签
验证集预测标签
训练的损失
测试
以上所有结果都会保存在文件夹yolov5runsdetectexp下
|声明：遵循CC BY-SA版权协议 建立在YOLOv1的基础上，经过Joseph Redmon等的改进，YOLOv2和YOLO9000算法在2017年CVPR上被提出，并获得最佳论文提名，重点解决YOLOv1召回率和定位精度方面的误差。在提出时，YOLOv2在多种监测数据集中都要快过其他检测系统，并可以在速度与精确度上进行权衡。 YOLOv2采用Darknet-19作为特征提取网络，增加了批量标准化（Batch Normalization）的预处理，并使用224×224和448×448两阶段训练ImageNet，得到预训练模型后fine-tuning。 相比于YOLOv1是利用FC层直接预测Bounding Box的坐标，YOLOv2借鉴了FSR-CNN的思想，引入Anchor机制，利用K-Means聚类的方式在训练集中聚类计算出更好的Anchor模板，在卷积层使用Anchor Boxes操作，增加Region Proposal的预测，同时采用较强约束的定位方法，大大提高算法召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。 下图所示是YOLOv2采取的各项改进带了的检测性能上的提升： YOLO9000 的主要检测网络也是YOLO v2，同时使用WordTree来混合来自不同的资源的训练数据，并使用联合优化技术同时在ImageNet和COCO数据集上进行训练，目的是利用数量较大的分类数据集来帮助训练检测模型，因此，YOLO 9000的网络结构允许实时地检测超过9000种物体分类，进一步缩小了检测数据集与分类数据集之间的大小代沟。 下面将具体分析YOLOv2的各个创新点: BN概述： 对数据进行预处理（统一格式、均衡化、去噪等）能够大大提高训练速度，提升训练效果。BN正是基于这个假设的实践，对每一层输入的数据进行加工。 BN是2015年Google研究员在论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》一文中提出的，同时也将BN应用到了2014年的GoogLeNet上，也就是Inception-v2。 BN层简单讲就是对网络的每一层的输入都做了归一化，这样网络就不需要每层都去学数据的分布，收敛会更快。YOLOv1算法（采用的是GoogleNet网络提取特征）是没有BN层的，而在YOLOv2中作者为每个卷积层都添加了BN层。 使用BN对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖，因此使用BN后可以从模型中去掉Dropout，而不会产生过拟合。 BN优点： 神经网络每层输入的分布总是发生变化，加入BN，通过标准化上层输出，均衡输入数据分布，加快训练速度，因此可以设置较大的学习率（Learning Rate）和衰减（Decay）； 通过标准化输入，降低激活函数（Activation Function）在特定输入区间达到饱和状态的概率，避免梯度弥散（Gradient Vanishing）问题； 输入标准化对应样本正则化，BN在一定程度上可以替代 Dropout解决过拟合问题。 BN算法： 在卷积或池化之后，激活函数之前，对每个数据输出进行标准化，方式如下图所示： 公式很简单，前三行是 Batch内数据归一化（假设一个Batch中有每个数据），同一Batch内数据近似代表了整体训练数据。第四行引入了附加参数 γ 和 β，此二者的取值算法可以参考BN论文，在此不再赘述。 fine-tuning：用已经训练好的模型，加上自己的数据集，来训练新的模型。即使用别人的模型的前几层，来提取浅层特征，而非完全重新训练模型，从而提高效率。一般新训练模型准确率都会从很低的值开始慢慢上升，但是fine-tuning能够让我们在比较少的迭代次数之后得到一个比较好的效果。 YOLO模型分为两部分，分类模型和检测模型，前者使用在ImageNet上预训练好的模型，后者在检测数据集上fine-tuning。 YOLOv1在预训练时采用的是224*224的输入（在ImageNet数据集上进行），然后在检测的时候采用448*448的输入，这会导致从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变。 YOLOv2则将预训练分成两步：先用224*224的输入在ImageNet数据集训练分类网络，大概160个epoch（将所有训练数据循环跑160次）后将输入调整到448*448，再训练10个epoch（这两步都是在ImageNet数据集上操作）。然后利用预训练得到的模型在检测数据集上fine-tuning。这样训练得到的模型，在检测时用448*448的图像作为输入可以顺利检测。 YOLOv1将输入图像分成7*7的网格，每个网格预测2个Bounding Box，因此一共有98个Box，同时YOLOv1包含有全连接层，从而能直接预测Bounding Boxes的坐标值，但也导致丢失较多的空间信息，定位不准。 YOLOv2首先将YOLOv1网络的FC层和最后一个Pooling层去掉，使得最后的卷积层可以有更高分辨率的特征，然后缩减网络，用416*416大小的输入代替原来的448*448，使得网络输出的特征图有奇数大小的宽和高，进而使得每个特征图在划分单元格（Cell）的时候只有一个中心单元格（Center Cell）。 为什么希望只有一个中心单元格呢？由于图片中的物体都倾向于出现在图片的中心位置，特别是比较大的物体，所以有一个单元格单独位于物体中心的位置用于预测这些物体。 YOLOv2通过引入Anchor Boxes，通过预测Anchor Box的偏移值与置信度，而不是直接预测坐标值。YOLOv2的卷积层采用32这个值来下采样图片，所以通过选择416*416用作输入尺寸最终能输出一个13*13的特征图。若采用FSRCNN中的方式，每个Cell可预测出9个Anchor Box，共13*13*9=1521个（YOLOv2确定Anchor Boxes的方法见是维度聚类，每个Cell选择5个Anchor Box）。 在FSRCNN中，以一个51*39大小的特征图为例，其可以看做一个尺度为51*39的图像，对于该图像的每一个位置，考虑9个可能的候选窗口：3种面积3种比例。这些候选窗口称为Anchor Boxes。下图示出的是51*39个Anchor Box中心，以及9种Anchor Box示例。 YOLOv1和YOLOv2特征图数据结构： YOLOv1：S*S* (B*5 + C) => 7*7（2*5+20） 其中B对应Box数量，5对应边界框的定位信息（w,y,w,h）和边界框置信度（Confidience）。分辨率是7*7，每个Cell预测2个Box，这2个Box共用1套条件类别概率（1*20）。 YOLOv2：S*S*K* (5 + C) => 13*13*9（5+20） 分辨率提升至13*13，对小目标适应性更好，借鉴了FSRCNN的思想，每个Cell对应K个Anchor box（YOLOv2中K=5），每个Anchor box对应1组条件类别概率（1*20）。 聚类：聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。即在没有划分类别的情况下，根据数据相似度进行样本分组。 在FSR-CNN中Anchor Box的大小和比例是按经验设定的，然后网络会在训练过程中调整Anchor Box的尺寸，最终得到准确的Anchor Boxes。若一开始就选择了更好的、更有代表性的先验Anchor Boxes，那么网络就更容易学到准确的预测位置。 YOLOv2使用K-means聚类方法类训练Bounding Boxes，可以自动找到更好的宽高维度的值用于一开始的初始化。传统的K-means聚类方法使用的是欧氏距离函数，意味着较大的Anchor Boxes会比较小的Anchor Boxes产生更多的错误，聚类结果可能会偏离。由于聚类目的是确定更精准的初始Anchor Box参数，即提高IOU值，这应与Box大小无关，因此YOLOv2采用IOU值为评判标准，即K-means 采用的距离函数（度量标准） 为： d(box,centroid) = 1 - IOU(box,centroid) 如下图，左边是聚类的簇个数和IOU的关系，两条曲线分别代表两个不同的数据集。分析聚类结果并权衡模型复杂度与IOU值后，YOLOv2选择K=5，即选择了5种大小的Box 维度来进行定位预测。 其中紫色和灰色也是分别表示两个不同的数据集，可以看出其基本形状是类似的。更重要的是，可以看出聚类的结果和手动设置的Anchor Box位置和大小差别显著——结果中扁长的框较少，而瘦高的框更多（更符合行人的特征）。 YOLOv2采用的5种Anchor的Avg IOU是61，而采用9种Anchor Boxes的Faster RCNN的Avg IOU是，也就是说本文仅选取5种box就能达到Faster RCNN的9中box的效果。选择值为9的时候，AVG IOU更有显著提高。说明K-means方法的生成的boxes更具有代表性。 直接对Bounding Boxes求回归会导致模型不稳定，其中心点可能会出现在图像任何位置，有可能导致回归过程震荡，甚至无法收敛，尤其是在最开始的几次迭代的时候。大多数不稳定因素产生自预测Bounding Box的中心坐标（x,y）位置的时候。 YOLOv2的网络在特征图（13*13）的每一个单元格中预测出5个Bounding Boxes（对应5个Anchor Boxes），每个Bounding Box预测出5个值（tx,ty,tw,th,t0），其中前4个是坐标偏移值，t0是置信度结果（类似YOLOv1中的边界框置信度Confidence）。YOLOv2借鉴了如下的预测方式，即当Anchor Box的中心坐标和宽高分别是（xa,ya）和（wa,wh）时，Bounding Box坐标的预测偏移值（tx,ty,tw,th）与其坐标宽高（x,y,w,h）的关系如下： tx = (x-xa)/wa ty= (y-ya)/ha tw = log(w/wa) th = log(h/ha) 基于这种思想，YOLOv2在预测Bounding Box的位置参数时采用了如下强约束方法： 上图中，黑色虚线框是Anchor Box，蓝色矩形框就是预测的Bounding Box结果，预测出的Bounding Box的坐标和宽高为（bx,by）和（bw,bh），计算方式如图中所示，其中：对每个Bounding Box预测出5个值（tx,ty,tw,th,t0），Cell与图像左上角的横纵坐标距离为（cx,cy），σ定义为sigmoid激活函数（将函数值约束到［0,1］），该Cell对应的Anchor Box对应的宽高为（pw,ph）。 简而言之，（bx,by）就是（cx,cy）这个Cell附近的Anchor Box针对预测值（tx,ty）得到的Bounding Box的坐标预测结果，同时可以发现这种方式对于较远距离的Bounding Box预测值（tx,ty）能够得到很大的限制。 YOLOv2通过添加一个转移层，把高分辨率的浅层特征连接到低分辨率的深层特征（把特征堆积在不同Channel中）而后进行融合和检测。具体操作是先获取前层的26*26的特征图，将其同最后输出的13*13的特征图进行连接，而后输入检测器进行检测（检测器的FC层起到了全局特征融合的作用），以此来提高对小目标的检测能力。 为了适应不同尺度下的检测任务，YOLOv2在训练网络时，其在检测数据集上fine-tuning时候采用的输入图像的size是动态变化的。具体来讲，每训练10个Batch，网络就会随机选择另一种size的输入图像。因为YOLOv2用到了参数是32的下采样，因此也采用32的倍数作为输入的size，即采用{320,352,…,608}的输入尺寸（网络会自动改变尺寸，并继续训练的过程）。 这一策略让网络在不同的输入尺寸上都能达到较好的预测效果，使同一网络能在不同分辨率上进行检测。输入图片较大时，检测速度较慢，输入图片较小时，检测速度较快，总体上提高了准确率，因此多尺度训练算是在准确率和速度上达到一个平衡。 上表反映的是在检测时，不同大小的输入图片情况下的YOLOv2和其他目标检测算法的对比。可以看出通过多尺度训练的检测模型，在测试的时候，输入图像在尺寸变化范围较大的情况下也能取得mAP和FPS的平衡。 YOLOv1采用的训练网络是GoogleNet，YOLOv2采用了新的分类网络Darknet-19作为基础网络，它使用了较多的3*3卷积核，并把1*1的卷积核置于3*3的卷积核之间，用来压缩特征，同时在每一次池化操作后把通道（Channels）数翻倍（借鉴VGG网络）。 YOLOv1采用的GooleNet包含24个卷积层和2个全连接层，而Darknet-19包含19个卷积层和5个最大池化层（Max Pooling Layers），后面添加Average Pooling层（代替v1中FC层），而Softmax分类器作为激活被用在网络最后一层，用来进行分类和归一化。 在ImageNet数据集上进行预训练，主要分两步（采用随机梯度下降法）： 输入图像大小是224*224，初始学习率（Learning Rate）为，训练160个epoch，权值衰减（Weight Decay）为，动量（Momentum）为，同时在训练时采用标准的数据增强（Data Augmentation）方式如随机裁剪、旋转以及色度、亮度的调整。 fine-tuning：第1步结束后，改用448*448输入（高分辨率模型），学习率改为，训练10个epoch，其他参数不变。结果表明：fine-tuning后的top-1准确率为，top-5准确率为，若按照原来的训练方式，Darknet-19的top-1准确率是，top-5准确率为。可以看出，两步分别从网络结构和训练方式方面入手提高了网络分类准确率。 预训练之后，开始基于检测的数据集再进行fine-tuning。 首先，先把最后一个卷积层去掉，然后添加3个3*3的卷积层，每个卷积层有1024个卷积核，并且后面都连接一个1*1的卷积层，卷积核个数（特征维度）根据需要检测的类数量决定。（比如对VOC数据，每个Cell需要预测5个Boungding Box，每个Bounding Box有4个坐标值、1个置信度值和20个条件类别概率值，所以每个单元格对应125个数据，此时卷积核个数应该取125。） 然后，将最后一个3*3*512的卷积层和倒数第2个卷积层相连（提取细粒度特征），最后在检测数据集上fine-tuning预训练模型160个epoch，学习率采用，并且在第60和90个epoch的时候将学习率除以10，权值衰减、动量和数据增强方法与预训练相同。 YOLO9000通过结合分类和检测数据集，使得训练得到的模型可以检测约9000类物体，利用带标注的分类数据集量比较大的特点，解决了带标注的检测数据集量比较少的问题。具体方法是：一方面采用WordTree融合数据集，另一方面联合训练分类数据集和检测数据集。 分类数据集和检测数据集存在较大差别：检测数据集只有粗粒度的标记信息，如“猫”、“狗”，而分类数据集的标签信息则更细粒度，更丰富。比如“狗”就包括“哈士奇”、“金毛狗”等等。所以如果想同时在检测数据集与分类数据集上进行训练，那么就要用一种一致性的方法融合这些标签信息。 用于分类的方法，常用Softmax（比如v2），Softmax意味着分类的类别之间要互相独立的，而ImageNet和COCO这两种数据集之间的分类信息不相互独立（ImageNet对应分类有9000种，而COCO仅提供80种目标检测），所以使用一种多标签模型来混合数据集，即假定一张图片可以有多个标签，并且不要求标签之间独立，而后进行Softmax分类。 由于ImageNet的类别是从WordNet选取的，作者采用以下策略重建了一个树形结构（称为WordTree）： 遍历ImageNet的标签，然后在WordNet中寻找该标签到根节点(所有的根节点为实体对象)的路径； 如果路径只有一条，将该路径直接加入到WordTree结构中； 否则，从可选路径中选择一条最短路径，加入到WordTree结构中。 WordTree的作用就在于将两种数据集按照层级进行结合。 如此，在WordTree的某个节点上就可以计算该节点的一些条件概率值，比如在terrier这个节点，可以得到如下条件概率值： 进而，如果要预测此节点的概率（即图片中目标是Norfolk terrier的概率），可以根据WordTree将该节点到根节点的条件概率依次相乘得到，如下式： 其中： YOLO9000在WordTree1k（用有1000类别的ImageNet1k创建）上训练了Darknet-19模型。为了创建WordTree1k作者添加了很多中间节点（中间词汇），把标签由1000扩展到1369。 训练过程中GroundTruth标签要顺着向根节点的路径传播：为了计算条件概率，模型预测了一个包含1369个元素的向量，而且基于所有“同义词集”计算Softmax，其中“同义词集”是同一概念下的所属词。 现在一张图片是多标记的，标记之间不需要相互独立。在训练过程中，如果有一个图片的标签是“Norfolk terrier”，那么这个图片还会获得“狗”以及“哺乳动物”等标签。 如上图所示，之前的ImageNet分类是使用一个大Softmax进行分类，而现在WordTree只需要对同一概念下的同义词进行Softmax分类。然后作者分别两个数据集上用相同训练方法训练Darknet-19模型，最后在ImageNet数据集上的top-1准确率为，top-5准确率为；在WordTree数据集上的top-1准确率为，top-5准确率为。 这种方法的好处是有“退而求其次”的余地：在对未知或者新的物体进行分类时，性能损失更低，比如看到一个狗的照片，但不知道是哪种种类的狗，那么就预测其为“狗”。 以上是构造WordTree的原理，下图是融合COCO数据集和ImageNet数据集以及生成它们的WordTree的示意图（用颜色区分了COCO数据集和ImageNet数据集的标签节点）， 混合后的数据集对应的WordTree有9418个类。另一方面，由于ImageNet数据集太大，YOLO9000为了平衡两个数据集之间的数据量，通过过采样（Oversampling）COCO数据集中的数据，使COCO数据集与ImageNet数据集之间的数据量比例达到1：4。 对YOLO9000进行评估，发现其mAP比DPM高，而且YOLO有更多先进的特征，YOLO9000是用部分监督的方式在不同训练集上进行训练，同时还能检测9000个物体类别，并保证实时运行。虽然YOLO9000对动物的识别性能很好，但是对衣服或者装备的识别性能不是很好（这跟数据集的数据组成有关）。 YOLO9000的网络结构和YOLOv2类似，区别是每个单元格只采用3个Anchor Boxes。 YOLO9000提出了一种在分类数据集和检测数据集上联合训练的机制，即使用检测数据集（COCO）的图片去学习检测相关的信息即查找对象（例如预测边界框坐标、边界框是否包含目标及目标属于各个类别的概率），使用仅有类别标签的分类数据集（ImageNet）中的图片去扩展检测到的对象的可识别种类。 具体方法是：当网络遇到一个来自检测数据集的图片与标记信息，就把这些数据用完整的损失函数（v2和9000均沿用了v1网络的损失函数）反向传播，而当网络遇到一个来自分类数据集的图片和分类标记信息，只用代表分类误差部分的损失函数反向传播这个图片。 YOLO v2 在大尺寸图片上能够实现高精度，在小尺寸图片上运行更快，可以说在速度和精度上达到了平衡，具体性能表现如下所示。 coco数据集 voc2012数据集
在这篇文章中，我们将使用来自 AWS 上的 COCO 数据集（可定制）的图像设置和运行 YOLO。
一般来说，分类技术在自动驾驶 汽车 中没有多大帮助，因为它只预测图像中的一个对象，并且不给出该图像的位置。 而目标检测在自动驾驶 汽车 中非常重要，可以检测场景中的对象及其位置。 YOLO（你只看一次）是由 Joseph Redmon 等人创建的一种高速实时对象检测算法。 YOLO使用卷积神经网络 (CNN)解决概率的回归问题。 后来又进行了一些修改。 为了进行预测，YOLO 只需要通过 CNN 进行一次前向传播。 它输出具有相应边界框的对象。 它广泛用于自动驾驶 汽车 以检测场景中的物体。
第 1 步：设置帐户（这步可以跳过）
登录网站并复制以下内容：
来自 的 API 密钥 中的团队名称。 默认团队名称将是用户 ID。
第 2 步：创建 AWS 实例（如果你在本机训练这步也可以跳过）
在创建实例时，选择“Deep Learning AMI (Ubuntu ) Version — ami-01f1096e6659d38fa”AMI，因为它具有深度学习任务所需的库。 如果我们在“选择AWS机器映像 (AMI)”步骤中搜索“deep learning”，我们可以找到这。为“实例类型”选择 P3 实例。 实例类型 （V100） 就足够了。为了节省成本，请在“配置实例”步骤下选择 Spot 实例。
第 3 步：安装依赖项
登录 AWS 实例后，使用以下命令创建 conda 环境并设置 Weights & Bias 环境变量：
第 4 步：训练、验证和测试
第 5 步：检查指标
验证集真实标签
验证集预测标签
训练的损失
测试
以上所有结果都会保存在文件夹yolov5runsdetectexp下
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）。
中国车牌的格式与国外有较大差异，所以国外关于识别率的报道只具有参考价值，其在中国的应用效果可能没有在其国内的应用效果好，但其识别系统中采用的很多算法具有很好的借鉴意义。从车牌识别系统进入中国以来，国内有大量的学者在从事这方面的研究，提出了很多新颖快速的算法。中国科学院自动化所的刘智勇等开发的系统在一个样本量为3180的样本集中，车牌定位准确率为，切分准确率为，这套系统后来应用于汉王公司的车牌识别系统，取得了不错的效果。但是包括其他研究人员提出的算法，都存在计算量和存储量大的问题，难以满足实时性的要求。此外，当车辆区域的颜色和附近颜色相近时，定位失误率会增加。国内还有许多学者一直在进行这方面的研究，并且取得了大量的研究成果。（2）国外研究现状 国外在这方面的研究工作开展较早，在上世纪70年代，英国就在实验室中完成了“实时车牌检测系统”的广域检测和开发。同时代，诞生了面向被盗车辆的第一个实时自动车牌监测系统。进入20世纪90年代后，车牌自动识别的系统化研究开始起步。典型的如特征提取、模板构造和字符识别等三个部分，完成车牌的自动识别。字符识别分析技术分析所获得的图像，首先在二值化图像中找到车牌，然后用边界跟踪技术提取字符特征，再利用统计最邻近分类器与字符库中的字符比较，得出一个或几个车牌候选号码，再对这些号码进行核实检查，确定是否为该车牌号码，最终确定车牌号码。这个时期的应用在识别正确率方面有所突破。发展到今日，国外对车牌检测的研究已经取得了一些令人瞩目的成就，识别率都在80%以上，甚至有高于90%。并且已经实现了产品化，并在实际的交通系统中得到了广泛的应用。
不好写。报告论文是指在学术会议、科技交流会议上现场宣读的论文，python的车牌识别的论文报告不好写，它是一种口头形式的论述性报告，有时还没有形成完整的论文形态。
我给你发了全文不知怎么不让发。
汽车ABS技术的发展趋势研究 在汽车防抱死制动系统出现之前，汽车所用的都是开环制动系统。其特点是制动器制动力矩的大小仅与驾驶员的操纵力、制动力的分配调节以及制动器的尺寸和型式有关。由于没有车轮运动状态的反馈信号，无法测知制动过程中车轮的速度和抱死情况，汽车就不可能据此调节轮缸或气室制动压力的大小。因此在紧急制动时，不可避免地出现车轮在地面上抱死拖滑的现象。当车轮抱死时，地面的侧向附着性能很差，所能提供的侧向附着力很小，汽车在受到任何微小外力的作用下就会出现方向失稳问题，极易发生交通事故。在潮湿路面或冰雪路面上制动时，这种方向失稳的现象会更加严重。汽车防抱死制动系统（Anti-lock Braking System简称ABS）的出现从根本上解决了汽车在制动过程中的车轮抱死问题。它的基本功能就是通过传感器感知车轮每一瞬时的运动状态，并根据其运动状态相应地调节制动器制动力矩的大小以避免出现车轮的抱死现象，因而是一个闭环制动系统。 它是电子控制技术在汽车上最有成就的应用项目之一，汽车制动防抱死系统可使汽车在制动时维持方向稳定性和缩短制动距离，有效提高行车的安全性。 一、ABS的工作原理 汽车制动时由于车轮速度与汽车速度之间存在着差异，因而会导致车轮与路面之间产生滑移，当车轮以纯滚动方式与路面接触时，其滑移率为零；当车轮抱死时其滑移率为100％。当滑移率在8％～35％之间时，能传递最大的制动力。制动防抱死的基本原理就是依据上述的研究成果，通过控制调节制动力，使制动过程中车轮滑移率控制在合适的范围内，以取得最佳的制动效果。ABS系统硬件构成主要由传感器（包括轮速传感器、减速度传感器和车速传感器）、电子控制装置、制动压力调节器三大部分组成，形成一个以滑移率为目标的自动控制系统。传感器测量车轮转速并将这一数据传送至电子控制装置上，控制装置是一个微处理器，它根据车轮转速传感器信号来计算车速。在制动过程中，车轮转速可与控制装置中预先编制的理想减速度的特性曲线相比较。如果控制装置判断出车轮减速度太快和车轮即将抱死时，它就发出信号给液压调节器，液压调节器可根据来自控制装置的信号对制动器的卡钳或轮泵的油压进行控制（作用、保持、释放、重新作用）。这一动作，每秒钟能出现10次以上。 二、ABS技术的发展及应用现状 基于制动防抱理论的制动系统首先是应用于火车和飞机上。1936年，德国博世公司（BOSCH）申请一项电液控制的ABS装置专利，促进了ABS技术在汽车上的应用。汽车上开始使用ABS始于1950年代中期福特汽车公司，1954年福特汽车公司在林肯车上装用法国航空公司的ABS装置，这种ABS装置控制部分采用机械式，结构复杂，功能相对单一，只有在特定车辆和工况下防抱死才有效，因此制动效果并不理想。机械结构复杂使ABS装置的可靠性差、控制精度低、价格偏高。ABS技术在汽车上的推广应用举步艰难。直到70年代后期，由于电子技术迅猛发展，为ABS技术在汽车上应用提供了可靠的技术支持。ABS控制部分采用了电子控制，其反应速度、控制精度和可靠性都显著提高，制动效果也明显改善，同时其体积逐步变小，质量逐步减轻，控制与诊断功能不断增强，价格也逐渐降低。这段时期许多家公司都相继研制了形式多样的ABS装置。 进入90年代后，ABS技术不断发展成熟，控制精度、控制功能不断完善。现在发达国家已广泛采用ABS技术，ABS装置已成为汽车的必要装备。北美和西欧的各类客车和轻型货车ABS的装备率已达90％以上，轿车ABS的装备率在60％左右，运送危险品的货车ABS的装备率为100％。ABS装置制造商主要有：德国博世公司（BOSCH），欧、美、日、韩国车采用最多；美国德科公司（DELCO），美国通用及韩国大宇汽车采用；美国本迪克斯公司（BENDIX），美国克莱斯勒汽车采用；还有德国戴维斯公司（TEVES）、德国瓦布科（WABCO）、美国凯尔西海斯公（KELSEYHAYES）等，这些公司的ABS产品都在广泛地应用，而且还在不断发展、更新和换代。 近年来，ABS技术在我国也正在推广和应用，1999年我国制定的国家强制性标准GB12676-1999《汽车制动系统结构、性能和试验方法》中已把装用ABS作为强制性法规。此后一汽大众、二汽富康、上海大众、重庆长安、上海通用等均开始采用ABS技术，但这些ABS装置我国均没有自主的知识产权。 国内研究ABS主要有东风汽车公司、交通部重庆公路研究所、济南捷特汽车电子研究所、清华大学、西安交通大学、吉林大学、华南理工大学、合肥工业大学等单位，虽然起步较晚，也取得了一些成果。在气压ABS方面，国内企业包括东风电子科技股份有限公司、重庆聚能、广东科密等都已形成了一定的生产规模。液压ABS由于技术难度大，国外技术封锁严密，国内企业暂时不能独立生产，但在液压ABS方面也在做自主研发，力图突破国外跨国公司的技术壁垒，已经取得了一些新的进展和突破。如清华大学和浙江亚太等承担的汽车液压防抱死制动系统（ABS）“九五”国家科技攻关课题，在ABS控制理论与方法、电子控制单元、液压控制单元、开发装置和匹配方法等关键技术方面均取得了重大成果。采用的耗散功率理论，避免了传统的逻辑门限值研究方法的局限性，取得了理论上的突破，研发ABS成功且进入产业化、批量生产阶段。其试样在南京IVECO轻型客车上匹配使用全面达到了国家标准GB12676-1999和欧洲法规EECR13的要求。这对振兴我国汽车工业与汽车零部件业具有划时代意义，标志着我国汽车液压ABS国产化已迈出坚实的一步。同时合肥工业大学也研制出国内具有自主知识产权的液压制动电子防抱系统，率先在HF6700轻型汽车上匹配使用获得成功。国内液压ABS技术含量与国外虽有一定的差距，但在政府的大力支持和国内丰富的人力资源配合下，相信国内可以在较短的时间内在ABS技术某些领域赶超国际水平
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
江苏省交通技师学院JIANGSU COMMUNICATION TECHNICIAN COLLEGE毕 业 设 计 (论 文)汽车转向系统检测与维修 Testing and Maintenance of Auto Steering System系 名： 车辆工程系 专业班级： 学生姓名： 学 号： 指导教师姓名： 指导教师职称： 年 月 目 录第一章 汽车转向系统的历史与组成 汽车转向系统的历史 汽车转向系统的组成 转向操纵机构 转向器 转向传动机构 4第二章 汽车转向系统的分类 液压助力转向系统 电控液压助力转向系统 电动助力转向系统 线控转向系统 7第三章 汽车转向系统检测与维修 转向沉重 故障现象 故障原因及处理办法 方向盘自由行程过大 故障现象 故障原因及处理办法 转向轮抖动 故障现象 故障原因及处理办法 助力转向机构检测与维修 9结论 11致谢 12参考文献 13 汽车转向系统检测与维修 专业班级： 学生姓名： 指导教师： 职称：摘要 汽车转向系统是汽车相当重要的组成部分，对汽车的操纵稳定性起着非常重要的作用，从最早的纯机械的转向系统到现在的电控转向系统，他们各自的优点也有各自的缺点。 文论述了汽车转向系统的分类，包括机械式转向系统，液压式转向系统，电控液压式助力转向系统和电控助力转向系统及线控转向系统。并简单的介绍了他们各自的工作原理，以及优缺点。最后对汽车转向系统经常出现的故障进行了分析，尤其是助力转向机构的检测与维修。关键词： 汽车 转向系统 检测 维修Testing and Maintenance of Auto Steering SystemAbstract The steering system is a very important part of the car. It plays a very important role in the handling and stability of the car. From the earliest mechanical steering system to the electronically controlled steering system, they have their own advantages and disadvantages. This article main discusses the classification of automotive steering systems, including mechanical steering system, hydraulic steering system, electronically controlled hydraulic power steering system and electronically controlled power steering system and by-wire steering introduce their working principles as well as the advantages and disadvantages. Finally, the steering system failures are analysed, especially in the detection and repair of the assistance steering words Automobile Steering System Testing Maintenance 汽车转向系统检测与维修引言汽车转向系统是用来改变汽车行驶方向的专设机构的总称。汽车转向系统的功用是保证汽车能按驾驶员的意愿进行直线或转向行驶。一个完整的转向系统包括转向操纵机构，转向器和转向传动机构，根据转向器的不同又分为机械转向系统和动力转向系统。本文系统的分析了转向系统的各自的组成以及他们的故障检测与维修，为以后人们对汽车转向系统的研究提供了一定的参考。第一章 汽车转向系统的历史与组成 汽车转向系统的历史汽车在行驶过程中，需要驾驶员的意志经常改变其行驶方向，即所谓汽车转向。就轮式汽车而言，实现汽车转向的方法是，驾驶员通过一定专设的机构，使汽车转向桥上的车轮相对于汽车纵轴线偏转一定的角度。在汽车直线行驶时，往往转向轮也会受到路面侧向干扰力的作用，自动偏转而改变行驶方向。这一套用来改变或恢复汽车行驶方向的专设机构，称为汽车转向系统。因此，汽车转向系统的功用是保证汽车能按照驾驶员的意志而进行转向行驶。最好的转向系统为纯机械系统，由于机械系统在转向阻力非常大时，驾驶员需要很大的放线盘转向力，频繁的转向会使驾驶员感觉劳累。后来出现了液压助力转向系统，它能较好的帮助驾驶员解决转向劳累的问题，但是它不能较好的协调转向轻便和转向路感之间的矛盾，而且在能耗方面表现的不是很好。随着电子技术的发展，出现了电控液压助力转向系统，它用电机代替了液压助力转向系统中的发动机，能较好的解决了能耗的问题，而且也解决了转向轻便和转向路感之间的矛盾。但是电控液压助力转向系统中液压油的泄漏和液压系统的能耗的问题也一直没有解决掉。目前应用前景最好的是电控助力转向，它真正实现了按需转向。 汽车转向系统的组成汽车转向系统主要由转向操纵机构，转向器和转向传动机构组成。 转向操纵机构转向盘到转向器之间的所有零部件总称为转向操纵机构。主要由转向盘，转向管柱和转向传动轴等组成。下图1为某款汽车的转向操纵机构与转向器的布置图。 图1东风EQ1090E型汽车转向操纵机构与转向器布置图Fig1 The Dongfeng EQ1090E vehicle steering control mechanism and steering layout 1．转向盘转向盘由轮缘、轮辐和轮毂组成。转向盘轮毂的细牙内花键与转向轴连接，转向盘上都装有喇叭按钮，有些轿车的转向盘上还装有车速控制开关和安全气囊。 2．转向轴、转向柱管及其吸能装置 转向轴是连接转向盘和转向器的传动件，转向柱管固定在车身上，转向轴从转向柱管中穿过，支承在柱管内的轴承和衬套上。轿车除要求装有吸能式转向盘外，还要求转向柱管必须装备能够缓和冲击的吸能装置。转向轴和转向柱管吸能装置的基本工作原理是：当转向轴受到巨大冲击而产生轴向位移时，通过转向柱管或支架产生塑性变形、转向轴产生错位等方式，吸收冲击能量。Mazda 6轿车转向柱管吸能装置的工作原理是：发生碰撞时，转向器向后移动，下转向传动轴插入上转向传动轴的孔中，上转向传动轴被压扁，吸收了冲击能量。此外，转向柱管通过支架和U形金属板固定在仪表板上。当驾驶员身体撞击转向盘后，转向管柱和支架将从仪表板上脱离下来向前移动。这时，一端固定在仪表板上而另一端固定在支架上的U形金属板就会产生扭曲变形并吸收冲击能量。如果汽车上装用了网格状或波纹管式转向柱管吸能装置，当发生猛烈撞车导致人体冲撞转向盘时，网格部分或波纹管部分将被压缩产生塑性变形，吸收冲击能量。 转向器1.转向器的传动效率转向器的输出功率与输入功率之比称为转向器传动效率。 （1）正效率功率由转向轴输入，由转向传动机构（如转向横拉杆或摇臂）输出的情况下求得的传动效率称为正效率，显然，正效率越高越好。（2）逆效率功率由转向传动机构输入，由转向轴输出的情况下求得的传动效率称为逆效率。（3）可逆式转向器逆效率很高的转向器称为可逆式转向器。其特点是路面传到转向传动机构的反力很容易传到转向轴和转向盘上，利于汽车转向结束后转向轮和转向盘的自动回正，但也能将坏路面对车轮的冲击力传到转向盘，发生“打手”情况。常用于轿车、客车和货车。 （4）不可逆式转向器逆效率很低的转向器称为不可逆式转向器。不可逆式转向器使转向轮不能自动回正、没有路感。由于上述特性，在汽车上很少采用。（5）极限可逆式转向器逆效率略高于不可逆式转向器称为极限可逆式转向器。其反向传力性能介于可逆式和不可逆式之间，接近于不可逆式。采用这种转向器时，驾驶员有一定路感，可以实现转向轮自动回正，只有路面冲击力很大时，才能部分地传到转向盘。常用于越野车和矿用自卸汽车。2.齿轮齿条转向器齿轮齿条式转向器是以齿轮和齿条传动作为传动机构，适合与麦弗逊式独立悬架配用，常用于轿车、微型货车和轻型货车。目前，轿车普遍采用的都是齿轮齿条式转向器。 3.循环球式转向器循环球式转向器中一般有两级传动副，第一级是螺杆螺母传动副，第二级是齿条齿扇传动副。常用于各种轻型和中型货车，也用于部分轻型越野汽车。转向螺杆转动时，通过钢球将力传给转向螺母，使螺母沿轴向移动。同时，在螺杆、螺母和钢球间的摩擦力矩作用下，所有钢球便在螺旋管状通道内滚动，形成“球流”。4.涡杆曲柄指销式转向器具有梯形截面螺纹的转向蜗杆支承在转向器壳体两端的球轴承上，蜗杆与锥形指销相啮合，指销用双列圆锥滚子轴承支于摇臂轴内端的曲柄孔中。当转向蜗杆随转向盘转动时，指销沿蜗杆螺旋槽上下移动，并带动曲柄及摇臂轴转动。 转向传动机构从转向器到转向轮之间的所有传动杆件总称为转向传动机构。转向传动机构的功用是将转向器输出的力和运动传到转向桥两侧的转向节，使转向轮偏转，并使两转向轮偏转角按一定关系变化，以保证汽车转向时车轮与地面的相对滑动尽可能小。1.转向传动机构的组成 转向传动机构由转向摇臂、转向直拉杆、转向节臂和转向梯形等零部件共同组成，其中转向梯形由梯形臂、转向横拉杆和前梁共同构成。 2.转向摇臂循环球式转向器和蜗杆曲柄指销式转向器通过转向摇臂与转向直拉杆相连。转向摇臂的大端用锥形三角细花键与转向器中摇臂轴的外端连接，小端通过球头销与转向直拉杆作空间铰链连接。3.转向直拉杆转向直拉杆是转向摇臂与转向节臂之间的传动杆件，具有传力和缓冲作用。在转向轮偏转且因悬架弹性变形而相对于车架跳动时，转向直拉杆与转向摇臂及转向节臂的相对运动都是空间运动，为了不发生运动干涉，三者之间的连接件都是球形铰链。4.转向横拉杆转向横拉杆是转向梯形机构的底边，由横拉杆体和旋装在两端的横拉杆接头组成。其特点是长度可调，通过调整横拉杆的长度，可以调整前轮前束。第二章 汽车转向系统的分类汽车转向系统根据转向能源的不同分为机械转向系统和动力转向系统两大类。机械转向系统的所有传力件都是机械的，主要由转向操纵机构，转向器和转向传动机构三大部分组成。上一章已经对其进行了分析。下面主要讨论动力转向系统。动力转向系统又分为，液压助力系统，电动助力转向系统和线控转向系统。液压助力转向系统1.常压式液压助力转向系统其特点是无论转向盘处于中立位置还是转向位置，也无论转向盘保持静止还是运动状态，系统工作管路中总是保持高压。2.常流式液压助力转向系统其特点是转向油泵始终处于工作状态，但液压助力系统不工作时，基本处于空转状态。多数汽车都采用常流式液压助力转向系统。电控液压助力转向系统在传统液压助力转向系统的基础上加装电控系统，使辅助转向力的大小不仅与转向盘的转角增量（或角速度）有关，还与车速有关，就形成了电控液压助力转向系统。与传统液压助力转向系统相比，增加了液压反应装置和液流分配阀，而加设的电控系统则包括动力转向ECU、电磁阀和车速传感器等。电控液压助力转向系统利用电控单元根据车速调节作用在转向盘上的阻力，通过控制转向控制阀的开启程度以改变液压助力系统辅助力的大小，从而实现辅助转向力随车速而变化的助力特性。下图2为电控液压助力转向系统的示意图。 图2电控液压助力转向系统示意图Fig2 Electronically controlled hydraulic power steering system 电动助力转向系统直接助力式电动转向系统是一种直接依靠电动机提供辅助转矩的动力转向系统，可以根据不同的使用工况控制电动机提供不同的辅助动力。当转向轴转动时，转矩传感器开始工作，把两段转向轴在扭杆作用下产生的相对转角转变成电信号传给电子控制单元（ECU），ECU根据车速传感器和转矩传感器的信号决定电动机的旋转方向和助力电流的大小，并将指令传递给电动机，通过离合器和减速机构将辅助动力施加到转向系统（转向轴）中，从而完成实时控制的助力转向。下图3为电动助力转向系统示意图。 图3电动助力转向系统示意图Fig3 Electric power steering system schematic 目前应用前景最好的也是电动助力转向系统，相比其他几种转向助力系统有下列的优缺点。1.优点（1）效率高、能量消耗少；（2）系统内部采用刚性连接，反应灵敏，滞后小，驾驶员的“路感”好；（3）结构简单，质量小；（4）系统便于集成，整体尺寸减小；省去了油泵和辅助管路，总布置更加方便；（5）无液压元件，对环境污染少。2.缺点（1）直接助力式电动转向系统提供的辅助动力较小，难以用于大型车辆；（2）减速机构、电动机等部件会影响汽车的操纵稳定性，正确匹配整车性能至关重要；（3）使用电动机、减速机构和转矩传感器等部件，增加了系统的成本。线控转向系统线控转向系统用传感器记录驾驶员的转向意图和车辆的行驶状况，通过数据线将信号传递给车载电脑，电脑据此做出判断并控制液压激励器提供相应的转向力，使转向轮偏转相应角度实现转向。下图4为线控转向的组成示意框图。 图4线控转向组成示意框图Fig4 By-wire steering system diagram第三章 汽车转向系统检测与维修汽车转向系的性能直接关系到汽车行驶的稳定性和安全性。汽车在长期的运行中，前桥和转向系各零件会发生各种耗损，如磨损，变形，裂纹和车轮定位角改变。这些都会破坏正常运行，使汽车在行驶中，发生不同程度的转向沉重，方向不稳，行驶跑偏，前轮摇摆等故障。这将增加驾驶员的劳动强度，甚至影响到安全行驶，所以一定要重视转向系的维修与调整。常见的故障包括：转向沉重，转向盘自由行程过大和转向轮抖动。转向沉重 故障现象汽车行驶中，驾驶员向左、右转动转向盘时，感到沉重费力，无回正感；汽车低速转弯行驶和调头时，转动转向盘感到非常沉重，甚至打不动。 故障原因及处理办法转向沉重的根本原因是转向轮气压不足或定位不准，转向系传动链中出现配合过紧或卡滞而引起摩擦阻力增大。具体原因主要有：（1）转向轮轮胎气压不足，应按规定充气。（2）转向轮本身定位不准或车轴、车架变形造成转向轮定位失准，应校正车轴和车架，并重新调整转向轮定位。（3）转向器主动部分轴承调整过紧或从动部分与衬套配合太紧，应予调整。（4）转向器主、从动部分的啮合间隙调整过小，应予调整。（5）转向器缺油或无油，应按规定添加润滑油。（6）转向器壳体变形，应予校正。（7）转向管柱转向轴弯曲或套管凹瘪造成互相碰擦，应予修理。（8）转向纵、横拉杆球头连接处调整过紧或缺油，应予调整或添加润滑脂。（9）转向节主销与转向节衬套配合过紧或缺油，或转向节止推轴承缺油，应予调整或添加润滑脂等。方向盘自由行程过大 故障现象汽车保持直线行驶位置静止不动时，转向盘左右转动的游动角度太大。具体表现为汽车转向时感觉转向盘松旷量很大，需用较大的幅度转动转向盘，方能控制汽车的行驶方向；而在汽车直线行驶时又感到行驶方向不稳定。 故障原因及处理办法转向盘自由行程过大的根本原因是转向系传动轴中—处或多处的配合因装配不当、磨损等原因造成松旷。具体原因主要有：（1）转向器主、从动啮合部位间隙过大或主、从动部位轴承松旷，应予调整或更换。（2）转向盘与转向轴连接部位松旷，应予调整。（3）转向垂臂与转向垂臂轴连接松旷，应予调整。（4）纵、横拉杆球头连接部位松旷，应予调整或更换。（5）纵、横拉杆臂与转向节连接松旷，应予调整或更换。（6）转向节主销与衬套磨损后松旷，应予更换。（7）车轮轮毂轴承间隙过大，应予更换等。转向轮抖动 故障现象汽车在某低速范围内或某高速范围内行驶时，出现转向轮各自围绕自身主销进行角振动的现象。尤其是高速时，转向轮摆振严重，握转向盘的手有麻木感，甚至在驾驶室可看到汽车车头晃动。 故障原因及处理办法转向轮抖动的根本原因是转向轮定位不准，转向系连接部件之间出现松旷，旋转部件动不平衡。具体原因主要有：（1）转向轮旋转质量不平衡或转向轮轮毂轴承松旷，应予校正动平衡或更换轴承。（2）转向轮使用翻新轮胎，应予更换。（3）两转向轮的定位不正确，应予调整或更换部件。（4）转向系与悬挂的运动发生干涉，应予更换部件。（5）转向器主、从动部分啮合间隙或轴承间隙太大，应予调整或更换轴承。（6）转向器垂臂与其轴配合松旷或纵、横拉杆球头连接松旷，应予调整或更换。（7）转向器在车架上的连接松动，应予紧固。（8）转向轮所在车轴的悬挂减振器失效或左右两边减振器效能不一，应予更换。（9）转向轮所在车轴的钢板弹簧U形螺栓松动或钢板销与衬套配合松旷，应予紧固或调整。（10）转向轮所在车轴的左右两悬挂的高度或刚度不一，应予更换等。助力转向机构检测与维修大多数中级以上的现代轿车，为同时满足转向省力和转向灵敏度的要求，普遍采用液压式动力转向系统。按时和正确的维护是转向系统能正常工作，减小故障和延长使用寿命的主要手段，是保证行车安全的重要措施之一。1.油液的及时补充和更换（1）经常检查储液罐的液面高度是否在油位标志的范围。检查时要注意热和冷标志。如果发现油液面高度低于规定标志时，要及时补充。还应该经常注意观察油液中是否有泡沫，有则说明系统内有空气或者液面太低，要排气或者补充油液。油液在使用和存放过程中，其品质会不断下降，严重时会直接影响转向系统的工作，甚至引起故障。故必须保障使用保质期内的油液，并按照油液使用说明书规定的行驶里程定期更换。必须使用指定的油液，不能随意更换。同时注意不能将两种不同的油液混合使用。（2）油液的排放和加注。把车水平停放，顶起前桥，支撑好汽车，是方向盘处于中间位置，打开储液罐的盖，排出罐内油液。（3）系统排气的方法。如发现系统内有空气，或者更换油液和维修液压回路时，应对系统进行排气。方法如下：把车水平停放，顶起前桥，支撑好汽车。将油液补充到标定范围，如发现下降，应及时补充足。重新接上高压线，启动发动机并使之怠速运转，将方向盘回转到左右极限位置数次，在这过程中，注意观察液面位置。2.动力转向系统的检查（1）方向盘的检查检查自由间隙。在发动机熄火，方向盘处于中间位置时，用拉力计沿方向盘的切线方向施加5N的拉力，检查方向盘的自由间隙，标准值为25-50mm。如不符合，检查转向器齿轮的啮合间隙和传动机构球头的间隙。检查回正性能。此项检查需在宽阔的场地路试，实验前应确保轮胎气压正常。首先慢性，分别向左，向右轻轻地小角度转向，检查左右转向力有无明显的不同及方向盘的回正情况，不正常则维修。如果正常，以35km/h的速度行驶，将方向盘顺（逆）时针转过90°，1-2s后放开方向盘，如果回正度超过70°，说明其回正性能良好。检查原地转向力。将汽车停于硬质的平面上，确保轮胎气压符合要求，使方向盘处于中间位置。起动发动机，使之怠速运转。用拉力计顺时针和逆时针分别拉动方向盘115度，切向力应小于37N。如果拉力过大，则检查油泵的皮带是否过松，损坏，油液是否不足，系统内有无空气，软管是否扭曲等。（2）系统油压的测试油压测试的目的是检查液压系统及其主要元件的性能。在测试之前，应确保油泵的驱动装置是正常的。检测时，在油泵出口与转向器进口之间连接专用的测试工具，连接顺序为油泵出油口-压力表-关闭阀-转向器进油口。起动发动机，对系统进行排气，并把油液补充到标志范围，原地左，右转动方向盘几次，使油温升高到50-60℃，然后让发动机怠速运转，依次做下面的检查。检查油泵的输出压力。关闭阀门，此时表上的压力即为泵的输出压力，标准值不小于8MPa。如果过低，说明油泵内部泄露严重，应大修或更换油泵。检查不同转速下系统的压力差。完全开通阀门，提高发动机转速，分别记录发动机转速为1000r/min和3000r/min时的压力值，两者之差应小于，如果不符合，则应维修或更换流量控制阀。检查无负荷时的压力。完全开通阀门，此时系统处于无负荷状态，压力值标准为。油压如果过大，说明液压系统内部有堵塞。检查方向盘极限位置的压力。完全开通阀门，原地分别向左和向右转动方向盘极限位置，此时表上的压力值不应小于8MPa，如果压力过小，说明转向器内漏严重，需要大修或者更换。转向压力开关的检测。油泵上安装有一路开关，其作用是，当汽车在发动机怠速或者低速转弯时接通，提高发动机的怠速转速。使发动机熄火，拨开压力开关的接头，在油泵的插座上连接欧姆表，再重新起动发动机。逐渐关闭阀门，使油压升高，然后观察开关接通时的压力值是否为115-210MPa，逐渐打开阀门，使油压降低，然后观察开关接通时的压力值是否为107-112MPa。如果有一项不符合，更换开关。压力检查完后，拆下专用测试工具，接好油管后，要注意重新给系统排气，补足油液。 结论论文分析了不同种类汽车的转向系统，以及他们各自的工作原理和优缺点。最后分析了转向系统的常见故障，对不同的故障现象提出了各自的解决办法。论文在最后对液压助力转向机构的故障进行了特别的分析。致谢在学院学习生活的三年里，我在各位老师孜孜不倦地教诲下，通过自己的努力，顺利完成了大学三年的学习任务。首先，应当感谢学院的各级领导给我们营造了良好的学习氛围和舒适的生活环境，以及对我们学业上的重视与关怀，特别是对本次毕业设计给予了大量人力、物力的支持。在本次毕业设计中，我的指导教师严谨细致、不辞辛劳和精益求精的教学态度，使我深受感动，这对我在本次毕业设计中取得的成绩起了决定性的作用，在此致以衷心的感谢。当然，也要感谢在设计中关心帮助过我的各位同学。我知道我的这次设计还存在着许多缺陷和不完善的地方，将会在今后的生活和工作中不断的去学习。参考文献[1] 丛树林,张彬.汽车底盘构造与维修[M].北京：人民交通出版社.2011.[2] 陈德阳.汽车底盘构造图册.北京：人民交通出版社.2010.[3] 蔡兴旺.付晓光.汽车构造与原理(上册)[M].北京：机械工业出版社.2010.[4] 蔡兴旺.付晓光.汽车构造与原理(下册)[M].北京：机械工业出版社.2010.[5] 屠卫星.汽车底盘构造与维修[M].北京：人民交通出版社.2010.[6] 李家本.汽车底盘构造与维修实训[M].北京：中央广播电视大学出版社.2010.[7] 宋年秀,王东杰,刘超.图解汽车底盘构造与拆装[M].北京：中国电力出版社.2008.[8] 图解新型汽车底盘构造与拆装[M].北京：机械出版社.2011.[9] 黎亚洲.汽车底盘构造与维修图解[M].北京：电子工业出版社.2009.[10] 刘文苹.汽车底盘构造与检修[M].北京：化学工业出版社.2010.[11] 张立飞,赵健.汽车底盘构造与维修[M]. 北京：北京理工大学出版社.2010.[12] 黄华友.汽车底盘构造与维修[M].北京：电子工业出版社.2010.[13] 孔令来.汽车底盘构造与维修[M].北京：机械工业出版社.2010.[14] 王家青.汽车底盘构造与维修[M].北京：人民交通出版社.2011.
1、Paperpass查重软件
paperpass官方版是一款由北京智齿数汇打造的专业论文查重软件，是大多数学校比较认可的一款权威论文查重应用。用户可以随时了解自己的论文重复率，从而进行修改、快速通过论文答辩。由于paperpass论文查重软件官方版的覆盖面范围广泛。
2、格子达查重检测
格子达论文检测系统已于2015年3月正式上线，定位为互联网品牌，面向广大论文写作者提供专业的论文检测服务，并针对用户的不同需求提供了功能完善的周边增值服务。格子达论文检测提供免费的论文相似度检测系统；提供论文查重、论文在线修改等服务。
查重注意事项：
1、调整语序能够避重
查重和避重是一个相互竞争的进程，会促进两方技能的前进。现在知网查重的技术已经不是根据文章的一两个词、字或者是单独的一句话进行判断了，而是会进行自动分段之后，结合上下文的内容进行一个判断。
2、致谢不检测
很多同学都以为致谢不会检测，所以大多同学的致谢内容都是直接从网上借鉴过来的，要么就是复制往届学生的毕业论文中的致谢，其实，只要是提交给系统的内容，都会进行检测的。
3、表格不检测内容
不要以为将内容做成表格的形式知网查重就不会检测了，现在知网系统对文字的检测已经到达一个较高的水平，凡是文字都会进行论文查重，当然也包括表格中的文字。
Paperbye论文查重软件目前有两个版本，标准版（免费版）和旗舰版（收费版），同时还有自建库查重可以查出所有参考内容，这样不易担心任何查重软件。
优秀功能1、自动降重，根据论文重复率情况，自己选择性软件自动降重辅助提高论文修改效率；2、自动排版，根据各校论文要求格式会自动进行格式排版，一键生成，快速便捷；3、同步改重，在查重报告里实现一边修改文章，一边进行查重，及时反馈修改结果。4、自建库，自建上传参考过的文章进行单独比对，可以查出所有抄袭内容。5、自动纠错，AI识别文档中的错别字和标点误用，提示错误位置并提供修改建议。
总结了五种修改论文方法，感觉是降重必备的。
1、变换表达。先理解原句的意思，用自己的话复述一遍。
2、词语替换，在变换表达方式的基础上结合同义词替换，效果更好。
3、变换句式，通过拆分合并语句的方式进行修改，把长句变短句，短句变长句，。
4、图片法，针对专业性太强不好修改的语句或段落（比如计算机代码，法律条款，原理理论等），可以适当把文字写在图片上展现，但是这种方法不宜用的太多。
5、翻译法，用百度翻译或谷歌翻译，中文翻译成英文，英文翻译成日语或其他语种，再从日语翻译成中文，这种看似不错，感觉效果还是不好。
1、知网论文查重系统：知网查重系统应当是不少人都有所了解的一个查重网站，它具备的优势也十分突出，如数据库庞大、文章、资料更新及时，可以为使用者提供十分可靠的查重结果;知网查重系统还具备了批量上传、下载测试结果等功能，操作起来也十分的方便快捷，便于保障使用者的查重效率，节省查重时间。2、PaperPass检测系统: PaperPass采用 了自主研发的动态指纹越级扫描检测技术，具备查重速度快、精度高的优点，高度的准确率可以为使用者提供精确的查重报告，有利于使用者及时的对论文进行修改、调整。3、万方论文查重系统：万方查重系统采用的检测技术十分先进科学，能够为使用者提供多版本、多维度的论文查重报告;万方查重系统还可同时为科研管理、教育教学、人事管理等多个领域的学术机构提供学术成果相似性检测服务。4、维普论文查重系统：该论文查重系统采用了国际领先的海量论文动态语义跨域识别加指纹比对技术，能够快捷准确的检测论文是否存在抄袭问题；中文期刊论文库、硕博学位论文库、高校特色论文库、互联网数据资源等多个数据库的存在，也使得维普论文查重系统能够高效的比对文本数据。一、论文查重标准是什么？我国大部分高校要求本科论文重复率不高于30%。当然，学历越高，对论文的要求就越严格。对于大学硕士生和博士生教育来说，他们对论文的查重要求一般不高于20％和10％。然而，不同的大学对查重率有不同的要求。例如，一些严格的学校要求本科生的论文不超过20％。除了学生论文外，期刊论文检查权重率的要求也与期刊的等级有关。核心期刊论文查重率要求更高，不能超过15%，高级期刊论文查重率要求小于20%，普通期刊论文查重率小于30%才能发表。二、论文查重到底怎么查的？论文查重是借助论文查重系统进行的，论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。查重系统会根据连续出现13个字符的重复来计算论文的整体查重率。由于不同系统的数据库包含不同的文献和算法，查重结果会有所不同。在选择论文查重系统是，尽量选择跟大学或者大学要求一致的查重系统，或者企业选择一个安全、可靠、准确的第三方查重系统设计进行管理自查。
1.知网，大家都知道的一款软件，在知网中查一篇论文的最低价格是 70元/篇，是小分解论文查重，是对于想检测学术不端文献检测系统，而又觉得价格便宜的同学可以选择，限每篇万字符，结果与PMLC、硕博VIP定稿系统有出入！价格虽然在知网是最便宜的，但是效果不好。
本科PMLC大学生论文查重 245元/篇：是最权威的本专科毕业论文查重系统，含”大学生论文联合对比库“，检测结果保证和学校一致！国内95%以上高校使用！知网查重系统是大多数高校都会选择的最终审核系统，但是对于大学生来说，知网查重的收费价格偏高，使用知网查重大学生消费不起，因此，大多数学生都只是使用知网做最后的复查，对于初稿的查重，大学生一般都会选择性价比高的查重网站，但对于家中富裕的大学生，他们可能不会太在乎吧，不过，小编觉得，既然有其他的查重网站可以做到帮你查重，而且性价比也高，大可不必花那么多的冤枉钱，对于知网的看法就是：需要使用，但是只用它做最后的复查。合格率还是需要保证的，不能让你花了钱，毕业论文还不能通过审核吧
2.维普，小编觉得有些复杂，维普查重分为两个版本，个人版和机构版：它们的区别在于
①机构版会有学校的高校自建资源库，学校会上传一部分资料进行比对，这一部分数据是个人版检测没有的。②机构版支持压缩包格式上传检测，管理员帐号有批量上传、下载的功能。个人版不支持上传压缩包，只能单篇上传和下载文档。③没有机构版帐号或检测次数，只能选择个人版付费检测。④机构版是企事业或高校等单位使用，未经单位授权个人无法使用。
收费的话也了解了一下：大学生版、研究生版、编辑部版3元/千字符，职称评定30元/万字符。收费相比与知网来说是比较便宜的。
尝试过使用维普检测，但点击提交论文结果整个网页就卡住了，心情瞬间直线下降，不知道是电脑问题，还是网页问题，
PaperFree是写邦科技于2015年04月03号申请注册的品牌，通过海量的数据对比进行分析，并且给所有的用户提供免费试用，让用户亲身体验，paperfree实时在线改重，改哪里就可以检测哪里，按实际修改句子收费，不改内容不收费，十分的人性化。
收费是元/千字，价格相比于知网，paperfree的的收费是相当低了，小编也在paperfree的官网体验过，感觉是非常不错的。推荐大家使用噢，注册新用户都会送10000+字的。
papertime与paperfree是一家公司的，效果都不错，收费标准一样，小编在知乎上有了解到一位叫做用户写的一篇文章，他亲测过papertime这个查重网站，根据他的经验来看“如果在paperfree/time能降到10以下，在知网应该就稳了。 他个人从初稿的20%降到现在的。”最后他在学校知网检测的结果是。
最值得和大家分享的一点就是，papertime与paperfree都可以实现在线改重的功能。根据对比红色、黄色句子和重复文献的来源以及语句的相似程度，可以在网站的右边进行实时改重，边查边改，效率高！
毕业论文怎么降重？有什么技巧么？
ParterTime论文时间-论文查重-免费论文检测