目标检测RCNN到SSD学习总结

第一篇：目标检测RCNN到SSD学习总结

第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器。

深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD从零开始PyTorch项目：YOLO v3目标检测实现像玩乐高一样拆解Faster R-CNN：详解目标检测的实现过程后RCNN时代的物体检测及实例分割进展物体检测算法全概述：从传统检测方法到深度神经网络框架

基于候选区域的目标检测器 滑动窗口检测器

一种用于目标检测的暴力方法是从左到右、从上到下滑动窗口，利用分类识别目标。为了在不同观察距离处检测不同的目标类型，我们使用不同大小和宽高比的窗口。

滑动窗口（从右到左，从上到下）根据滑动窗口从图像中剪切图像块。由于很多分类器只取固定大小的图像，因此这些图像块是经过变形转换的。但是，这不影响分类准确率，因为分类器可以处理变形后的图像。将图像变形转换成固定大小的图像。变形图像块被输入 CNN 分类器中，提取出 4096 个特征。之后，我们使用 SVM 分类器识别类别和该边界框的另一个线性回归器。

滑动窗口检测器的系统工作流程图。我们创建很多窗口来检测不同位置的不同目标。要提升性能，一个简单的办法就是减少窗口数量。选择性搜索

用候选区域方法（region proposal method）创建目标检测的感兴趣区域（ROI）。在选择性搜索（selective search，SS）中，首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，我们首先对较小的组进行分组。我们继续合并区域，直到所有区域都结合在一起。下图第一行展示了如何使区域增长，第二行中的蓝色矩形代表合并过程中所有可能的 ROI。（作者为了保证能够划分的完全，对于相似度，作者提出了可以多样化的思路，不但使用多样的颜色空间（RGB，Lab，HSV等等），还有很多不同的相似度计算方法。论文考虑了颜色、纹理、尺寸和空间交叠这4个参数）

R-CNN

R-CNN 利用候选区域方法创建了约 2000 个 ROI。这些区域被转换为固定大小的图像，并分别馈送到卷积神经网络中。该网络架构后面会跟几个全连接层，以实现目标分类并提炼边界框。使用候选区域、CNN、仿射层来定位目标。以下是 R-CNN 整个系统的流程图：

通过使用更少且更高质量的 ROI，R-CNN 要比滑动窗口方法更快速、更准确。边界框回归器

候选区域方法有非常高的计算复杂度。为了加速这个过程，通常会使用计算量较少的候选区域选择方法构建 ROI，并在后面使用线性回归器（使用全连接层）进一步提炼边界框。使用回归方法将蓝色的原始边界框提炼为红色的。

Fast R-CNN

R-CNN 需要非常多的候选区域以提升准确度，但其实有很多区域是彼此重叠的，因此 R-CNN 的训练和推断速度非常慢。如果我们有 2000 个候选区域，且每一个都需要独立地馈送到 CNN 中，那么对于不同的 ROI，我们需要重复提取 2000 次特征。

此外，CNN 中的特征图以一种密集的方式表征空间特征，那么我们能直接使用特征图代替原图来检测目标吗？

直接利用特征图计算 ROI。

Fast R-CNN 使用特征提取器（CNN）先提取整个图像的特征，而不是从头开始对每个图像块提取多次。然后，我们可以将创建候选区域的方法直接应用到提取到的特征图上。例如，Fast R-CNN 选择了 VGG16 中的卷积层 conv5 来生成 ROI，这些关注区域随后会结合对应的特征图以裁剪为特征图块，并用于目标检测任务中。我们使用 ROI 池化将特征图块转换为固定的大小，并馈送到全连接层进行分类和定位。因为 Fast-RCNN 不会重复提取特征，因此它能显著地减少处理时间。

将候选区域直接应用于特征图，并使用 ROI 池化将其转化为固定大小的特征图块。以下是 Fast R-CNN 的流程图：

在下面的伪代码中，计算量巨大的特征提取过程从 For 循环中移出来了，因此速度得到显著提升。Fast R-CNN 的训练速度是 R-CNN 的 10 倍，推断速度是后者的 150 倍。

Fast R-CNN 最重要的一点就是包含特征提取器、分类器和边界框回归器在内的整个网络能通过多任务损失函数进行端到端的训练，这种多任务损失即结合了分类损失和定位损失的方法，大大提升了模型准确度。

ROI 池化

因为 Fast R-CNN 使用全连接层，所以我们应用 ROI 池化将不同大小的 ROI 转换为固定大小。为简洁起见，我们先将 8×8 特征图转换为预定义的 2×2 大小。

下图左上角：特征图。右上角：将 ROI（蓝色区域）与特征图重叠。左下角：将 ROI 拆分为目标维度。例如，对于 2×2 目标，我们将 ROI 分割为 4 个大小相似或相等的部分。右下角：找到每个部分的最大值，得到变换后的特征图。输入特征图（左上），输出特征图（右下），ROI(右上，蓝色框)。

按上述步骤得到一个 2×2 的特征图块，可以馈送至分类器和边界框回归器中。Faster R-CNN

Fast R-CNN 依赖于外部候选区域方法，如选择性搜索。但这些算法在 CPU 上运行且速度很慢。在测试中，Fast R-CNN 需要 2.3 秒来进行预测，其中 2 秒用于生成 2000 个 ROI。

Faster R-CNN 采用与 Fast R-CNN 相同的设计，只是它用内部深层网络代替了候选区域方法。新的候选区域网络（RPN）在生成 ROI 时效率更高，并且以每幅图像 10 毫秒的速度运行。

Faster R-CNN 的流程图与 Fast R-CNN 相同

候选区域网络

候选区域网络（RPN）将第一个卷积网络的输出特征图作为输入。它在特征图上滑动一个 3×3 的卷积核，以使用卷积网络（如下所示的 ZF 网络）构建与类别无关的候选区域。其

外部候选区域方法代替了内部深层网络

他深度网络（如 VGG 或 ResNet）可用于更全面的特征提取，但这需要以速度为代价。ZF 网络最后会输出 256 个值，它们将馈送到两个独立的全连接层，以预测边界框和两个 objectness 分数，这两个 objectness 分数度量了边界框是否包含目标。我们其实可以使用回归器计算单个 objectness 分数，但为简洁起见，Faster R-CNN 使用只有两个类别的分类器：即带有目标的类别和不带有目标的类别。

对于特征图中的每一个位置，RPN 会做 k 次预测。因此，RPN 将输出 4×k 个坐标和每个位置上 2×k 个得分。下图展示了 8×8 的特征图，且有一个 3×3 的卷积核执行运算，它最后输出 8×8×3 个 ROI（其中 k=3）。下图（右）展示了单个位置的 3 个候选区域。

此处有 3 种猜想，稍后我们将予以完善。由于只需要一个正确猜想，因此我们最初的猜想最好涵盖不同的形状和大小。因此，Faster R-CNN 不会创建随机边界框。相反，它会预测一些与左上角名为「锚点」的参考框相关的偏移量（如x、y）。我们限制这些偏移量的值，因此我们的猜想仍然类似于锚点。

要对每个位置进行 k 个预测，我们需要以每个位置为中心的 k 个锚点。每个预测与特定锚点相关联，但不同位置共享相同形状的锚点。

这些锚点是精心挑选的，因此它们是多样的，且覆盖具有不同比例和宽高比的现实目标。这使得我们可以以更好的猜想来指导初始训练，并允许每个预测专门用于特定的形状。该策略使早期训练更加稳定和简便。

Faster R-CNN 使用更多的锚点。它部署 9 个锚点框：3 个不同宽高比的 3 个不同大小的锚点框。每一个位置使用 9 个锚点，每个位置会生成 2×9 个 objectness 分数和 4×9 个坐标。

R-CNN 方法的性能

如下图所示，Faster R-CNN 的速度要快得多。基于区域的全卷积神经网络（R-FCN）

假设我们只有一个特征图用来检测右眼。那么我们可以使用它定位人脸吗？应该可以。因为右眼应该在人脸图像的左上角，所以我们可以利用这一点定位整个人脸。

如果我们还有其他用来检测左眼、鼻子或嘴巴的特征图，那么我们可以将检测结果结合起来，更好地定位人脸。

现在我们回顾一下所有问题。在 Faster R-CNN 中，检测器使用了多个全连接层进行预测。如果有 2000 个 ROI，那么成本非常高。

R-FCN 通过减少每个 ROI 所需的工作量实现加速。上面基于区域的特征图与 ROI 是独立的，可以在每个 ROI 之外单独计算。剩下的工作就比较简单了，因此 R-FCN 的速度比 Faster R-CNN 快。

现在我们来看一下 5 × 5 的特征图 M，内部包含一个蓝色方块。我们将方块平均分成 3 × 3 个区域。现在，我们在 M 中创建了一个新的特征图，来检测方块的左上角（TL）。这个新的特征图如下图（右）所示。只有黄色的网格单元 [2, 2] 处于激活状态。

在左侧创建一个新的特征图，用于检测目标的左上角

我们将方块分成 9 个部分，由此创建了 9 个特征图，每个用来检测对应的目标区域。这些特征图叫作位置敏感得分图（position-sensitive score map），因为每个图检测目标的子区域（计算其得分）。

生成 9 个得分图

下图中红色虚线矩形是建议的 ROI。我们将其分割成 3 × 3 个区域，并询问每个区域包含目标对应部分的概率是多少。例如，左上角 ROI 区域包含左眼的概率。我们将结果存储成 3 × 3 vote 数组，如下图（右）所示。例如，vote_array[0][0] 包含左上角区域是否包含目标对应部分的得分。

将 ROI 应用到特征图上，输出一个 3 x 3 数组。

将得分图和 ROI 映射到 vote 数组的过程叫作位置敏感 ROI 池化（position-sensitive ROI-pool）。该过程与前面讨论过的 ROI 池化非常接近。

将 ROI 的一部分叠加到对应的得分图上，计算 V[i][j]。

在计算出位置敏感 ROI 池化的所有值后，类别得分是其所有元素得分的平均值。

ROI 池化

假如我们有 C 个类别要检测。我们将其扩展为 C + 1 个类别，这样就为背景（非目标）增加了一个新的类别。每个类别有 3 × 3 个得分图，因此一共有(C+1)× 3 × 3 个得分图。使用每个类别的得分图可以预测出该类别的类别得分。然后我们对这些得分应用 softmax 函数，计算出每个类别的概率。以下是数据流图，在我们的案例中，k=3。单次目标检测器

单次目标检测器（包括 SSD、YOLO、YOLOv2、YOLOv3）

我们将分析 FPN 以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析 Focal loss 和 RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。单次检测器

Faster R-CNN 中，在分类器之后有一个专用的候选区域网络。

Faster R-CNN 工作流

基于区域的检测器是很准确的，但需要付出代价。Faster R-CNN 在 PASCAL VOC 2007 测试集上每秒处理 7 帧的图像（7 FPS）。和 R-FCN 类似，研究者通过减少每个 ROI 的工作量来精简流程。作为替代，我们是否需要一个分离的候选区域步骤？我们可以直接在一个步骤内得到边界框和类别吗？ YOLO

YOLO将全图划分为SXS的格子，每个格子负责中心在该格子的目标检测，采用一次性预测所有格子所含目标的bbox、定位置信度以及所有类别概率向量来将问题一次性解决(one-shot)。

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。

将一幅图像分成 SxS 个网格（grid cell），如果某个 object 的中心落在这个网格中，则这个网格就负责预测这个 object。

让我们再看一下滑动窗口检测器。我们可以通过在特征图上滑动窗口来检测目标。对于不同的目标类型，我们使用不同的窗口类型。以前的滑动窗口方法的致命错误在于使用窗口作为最终的边界框，这就需要非常多的形状来覆盖大部分目标。更有效的方法是将窗口当做初始猜想，这样我们就得到了从当前滑动窗口同时预测类别和边界框的检测器。

基于滑动窗口进行预测

这个概念和 Faster R-CNN 中的锚点很相似。然而，单次检测器会同时预测边界框和类别。例如，我们有一个 8 × 8 特征图，并在每个位置做出 k 个预测，即总共有 8 × 8 × k 个预测结果。

在每个位置，我们有 k 个锚点（锚点是固定的初始边界框猜想），一个锚点对应一个特定位置。我们使用相同的 锚点形状仔细地选择锚点和每个位置。

使用 4 个锚点在每个位置做出 4 个预测。

以下是 4 个锚点（绿色）和 4 个对应预测（蓝色），每个预测对应一个特定锚点。个预测，每个预测对应一个锚点。

在 Faster R-CNN 中，我们使用卷积核来做 5 个参数的预测：4 个参数对应某个锚点的预测边框，1 个参数对应 objectness 置信度得分。因此 3× 3× D × 5 卷积核将特征图从 8 × 8 × D 转换为 8 × 8 × 5。

使用 3x3 卷积核计算预测。在单次检测器中，卷积核还预测 C 个类别概率以执行分类（每个概率对应一个类别）。因此我们应用一个 3× 3× D × 25 卷积核将特征图从 8 × 8 × D 转换为 8 × 8 × 25（C=20）。每个位置做出 k 个预测，每个预测有 25 个参数。单次检测器通常需要在准确率和实时处理速度之间进行权衡。它们在检测太近距离或太小的目标时容易出现问题。在下图中，左下角有 9 个圣诞老人，但某个单次检测器只检测出了 5 个。SSD

SSD 是使用 VGG19 网络作为特征提取器（和 Faster R-CNN 中使用的 CNN 一样）的单次检测器。我们在该网络之后添加自定义卷积层（蓝色），并使用卷积核（绿色）执行预测。

YOLO在卷积层后接全连接层，即检测时只利用了最高层feature maps（包括Faster RCNN也是如此）；

而SSD采用了特征金字塔结构进行检测，在多个feature maps上同时进行softmax分类和位置回归。

SSD使用低层feature map检测小目标，使用高层feature map检测大目标

SSD中引入了Prior Box：预选框+通过softmax分类+bounding box regression获得真实目标的位置。

同时对类别和位置执行单次预测。然而，卷积层降低了空间维度和分辨率。因此上述模型仅可以检测较大的目标。为了解决该问题，从多个特征图上执行独立的目标检测。

使用多尺度特征图用于检测。

第二篇：点目标检测

点目标检测问题是成像制导领域中的一个关键技术 ,国内 外对此提出过许多算法。文献[1 ,2 ]对传统算法进行介绍与综 述。总体而言 ,实时鲁棒的小目标自动检测技术尚未完全突 破 ,仍然是当今世界高技术领域的热门研究课题。目前这些传 统算法为了在低信噪比条件下实现对点目标较高的检测概率 , 往往需要较大的计算量和存储量。这些限制了具体算法在空 空导弹成像导引头上的应用 ,从而影响了成像导引头获得的更 大的截获和跟踪距离。

近年来 ,国内外学者利用数学形态学理论对点目标检测问

题进行了研究 ,并取得了一些成果。J.Barnett 在文献[ 3 ]中对 形态学方法与线性空间滤波方法进行了比较;Li Jicheng(李吉 成)等在文献[4 ]中提出利用目标图像尺寸的先念知识选择结 构元素消除背景而保留目标的方法;Horak文献[5 ]中提出了基 于灰度形态学 T op2hat 变换的弱目标检测方法 ,并在不含目标 的背景图像上构造所需要的结构元素;Rivest、罗贤龙、Zhu Zhen fu等人在文献[6～8 ]也分别对基于形态学的方法进行了 相应研究;熊辉等人在文献[9 ]中提出新的思路 ,其算法基于形 态学膨胀累加 ,实现对高空背景情况下抖动目标的检测 ,并对 抖动为1～2个像素的点目标进行5帧累加仿真。前人的研究 表明 ,形态学方法对点目标的检测具有很大的潜力。为此 ,我 们在对成像导引头进行分析的基础上 ,对形态学方法应用于成 像导引头进行研究。

由于空空导弹所攻击的目标具有很高机动能力和很宽的速度范围 ,所以其性能指标相对于其他红外系统有较大区别。取典型凝视成像导引头参数 ,进行仿真研究:帧频为 100f/ s ,瞬 时视场为3× 3° ,搜索角速度为 15° / s ,探测器阵列为 128 ×128。经过计算 ,可知在一帧时间内 ,导引头由于搜索而扫描过的角 度为0.15° ,即6.4 个像素。在 10km距离处 ,由导弹目标相对 运动引起的 ,目标图像在帧间位移1.55像素。这样 ,在对目标 截获时 ,由于导引头搜索和目标运动造成的目标图像总的帧间 位移最大值约为8 像素。仿真表明 ,在导弹发射后 ,导弹在目 标跟踪阶段 ,目标图像帧间位移约为 1～10 像素(导弹失控

前)。因此 ,目标图像帧间位移在整个导弹点目标搜索、截获与 跟踪过程中变化范围可认为在1～10像素。

仿真表明 ,利用现有基于形态学背景预测的方法进行点目

标检测和识别时 ,对背景均匀或起伏缓慢的情况效果很好。但 对于亮度梯度高的有云天空背景和地面背景 ,算法常常造成误 判。分析其原因 ,发现往往跟踪的是滤波后残留的高亮度背景 边角。

第三篇：《目标检测》作文

一、提建议：《目标检测》M1 1）.Dear Frank，There are a lot of things you should do.You should talk about it with your classmates.Maybe they just played a joke on you.Or maybe you should write a letter to your best friend if you think it is not easy for you to talk about it with others.Anyway, always be friendly to others and always smile to others!It is the best way to be popular!

Mary 2）（补充另一篇）...It's a good idea to watch English films and listen to real English songs.Try to read English newspapers and listen to English radio.They are good for your English.Try not to be shy when you start a conversation in English.Do you find it difficult to remember the English words? You should remember eight or ten words a day.How about placing the words on the wall or saying the English names for everything you see? Work hard, and you can learn English well.二、谈论爱好：《目标检测》M5 1)

Dear Miss Liu，My name is Lily.I’m 13years old.I’m from Class 1, Grade 8.I can play the violin.I began to play the violin at the age of 5.Now I can play it very well.I often take part in some competitions and I have won some prizes.I like music because I think music is very beautiful.It makes me happy.I also learn a lot from music.It improves my memory a lot.So I can remember English words easily.I hope I can play in our school orchestra.I believe I can do well.Yours，Lily

2)（补充另一篇）I like music very much because it can give me power when I am sad.People from different countries all like music very much.Music is very important for us.If there is no music is very important for us.If there is no music in the world, our life won't be so interesting.Pop music is my favourite.I think it sounds nice and it can make me feel relaxed.Jay Chou is my favourite singer.He is one of the most popular singers in Asia.三、介绍人物：《目标检测》M7

My friend Linda was born in Canada.She is 13 years old.She is a tall and thin girl with long hair.She is lovely and friendly.She has many hobbies, such as dancing and pop music.She also likes shopping and swimming, and reading is her favorite one.She usually invites me to go to the library at the weekend with her.There we read books and have fun together.This is my best friend.I love her.四、谈论规定：《目标检测》M12 Miss White, it is a notice to the audience.It says that we should walk into the cinema hall fifteen minutes before the movie starts.We mustn’t smoke or talk loudly in the cinema hall.We mustn’t take food or drinks into it.We can’t use the mobile phone after the movie is on.We can’t use the camera.(补充另一篇）Dear Jack, I am very happy that you will come to visit China.I'll tell you some customs in China.You must walk on the right.When you meet other people, you should say hello to them instead of bowing.When you eat, you must use chopsticks.When you have dinner with a Chinese family, the host often asks you to eat more food.You don't need to eat it up.After the dinner, the host often makes tea for you.It's delicious.Before you leave the house, you should say goodbye to the host politely.Waiting for you!Yours, Zhang Tao

第四篇：水质检测员学习总结

锅炉水处理检测员培训考试学习总结

2016年五月下旬，有幸参加了锅炉水质检测员培训及考试，培训学习过程中在老师的悉心教导和学员们的互相帮助下，我严格遵守学习纪律，刻苦学习各门专业课程，认真参加理论考试、答辩考试及实际操作考试，通过学习，受益颇多，专业理论水平及实践经验进一步增强，业务工作技能进一步提升。现就个人学习情况作一简要总结：

一、学习基本情况

首先，十分重视和珍惜此次学习机会。锅炉水质检测工作形势不断发展变化，经过此次学习充分认识到之前所学知识及工作经验在一定程度上已经不能满足工作的需要，急需补充新的知识。因此，我把这次学习当作完善自身的需求，把学习当成促进工作的动力。

第二，认真遵守学习纪律。在整个学习过程中，能够合理使用科学的学习方法，充分利用时间，勤学苦练；虚心向同学和教师请教；做到尊敬教师和同学。特别注重正确处理好工作与学习的关系，提前把培训期间的工作做出合理安排，确保能够全身心参加面授学习。在业余时间，我认真阅读教学材料，仔细领会每节课程所讲述的内容，做到课前预习了解，把不明白的内容带到课堂，向教师请教；课后复习巩固。这次培训的教师，是一些具有相关锅炉水质检测工作实战经验的优秀老师，他们的丰富理论知识和工作经验吸引了我，增加了我学习的信心和决心。经过半个月的培训学习，起到了事半功倍的效果。

二、学习的收获及体会

首先，专业理论水平进一步增强。在半个月的学习中，我认真学习相关理论知识，掌握相关原理，熟悉仪器操作，理论联系实践，用先进的理论武装自己的头脑，为比较顺利地完成各项工作创造了良好思想条件，更重要的是，为我今后从事的锅炉水处理工作奠定了坚实基础。

第二，掌握了相关的锅炉腐蚀、结垢及离子交换等相关的实践经验，熟悉了相关的指标意义，对标准有了更深的认识，对锅炉水处理中常用的加药处理及离子交换设备有了直观的认识，为以后的工作学习打下了良好的基础。

第三，业务工作能力 进一步提升。在学习中，我坚持学以致用，自觉将所学的课程知识与自身从事的锅炉水质检测工作实践相联系，自觉从培训教材中探寻答案，并积极加强与同班学员之间的交流和讨论，向其中经验丰富的学员学习，在学习和交流中，往往有拨云见日和豁然开朗的功效，我相信，这些对于我自身专业技能的提升，乃至于在今后工作的更好推进以及自身事业的更好发展都将是大有裨益的。

“学无止境”，虽然水质培训考试的学习已经告一段落，但我对知识和技能的探求不会止步。今后，我将再接再厉，继续保持并发扬严谨的作风，兢兢业业，不断地完善自我，将所学知识运用于实践，在以后的工作和学习中争取更大的成绩，为锅炉水质检测事业不断发展做出自身应有的贡献！

第五篇：汽车性能检测学习总结

科目：汽车性能检测

班级：

姓名：

学号：

汽车性能检测

汽车性能检测学习心得

时光荏苒，大学的学习生活已悄然过半，本学期依旧以学习汽修专业课为主，作为本学期最后的一门课程，我们依旧认真对待。在彭老师的精心安排和耐心指导下，顺利完成了《汽车性能检测》这一课程的学习任务，受益匪浅。

我们知道，项目化教学，是以项目为载体，以工作任务为中心来选择、组织课程内容，并以完成工作任务为主要学习方式的课程模式，其目的在于加强课程内容与工作之间的相关性，整合理论与实践，提高学生职业能力培养的效率。项目化教学法由以教师为主导转变为以学生为主导，由以课本为中心转变为以项目为中心。作为试点专业，作为项目化教学的主导专业，我们学习的《汽车性能检测》一样按照项目化教学的形式来进行。我们知道，《汽车性能检测》也是汽修专业课的一门重要课程。在学习过程中我们认真按照项目化教学形式，根据任务工单及老师的要求，小组讨论分工，做充分的课前准备，完成小组学习方案；课堂中，听取老师讲授的理论知识的同时，也积极组织小组讨论，完善小组方案；课后，认真做好个人总结报告及小组过程记录。

通过对《汽车性能检测》这一课程的学习，我们学习了以下具体的内容：

1、汽车性能检测认识；

汽车性能检测

2、汽车安全性能检测；

（1）制动性能检测；

（2）转向轮侧滑性能检测；

（3）前照灯检测；

（4）车速表检测；

3、汽车环保性能检测；

（1）汽油机尾气检测；

（2）柴油机尾气检测；

（3）汽车噪声检测；

4、汽车综合性能检测；

（1）汽车动力性检测；

（2）汽车燃油经济性检测。

《汽车性能检测》这一课程的制定与教材的安排，是采用工作过程系统化的新理念，以实际的工作过程为主线，按照信息采集——制定方案——研究讨论——任务实施——过程记录——结果评价六个步骤来进行开发，并以此来展开教学内容。汽车性能检测包含四大项目，每个项目分为若干个模块。在每个项目中，从分析项目的能力目标、知识目标、素质目标出发，列出各训练项目，并分析项目的开展所需要的理论知识，供我们查找和自学，在每个项目的最后，分别列出相关的拓展知识和问题，供我们课后讨论。

在项目化的教学过程中，作为第一小组的小组组长，在分配任务、组织小组完成学习方案的过程中，锻炼了自己的组织分配能力。从学 2 汽车性能检测

习的过程中，小组讨论完善方案、讨论解决课堂疑难问题，提高了学习热情的同时，也增加了小组成员之间的合作互助能力。小组成员一起参与完成六个任务，付出了是时间和汗水，但我们收获了无数的知识和完成任务后的喜悦。

通过对《汽车性能检测》这一课程的学习，不仅学习了书本上的专业知识，掌握了对性能检测的基本技能，彭老师在课堂上也补充了许多课本之外的知识，让我们对汽车专业有了更深的体会和认知，拓宽了我们的视野，丰富了我们的内涵。

总的来说，《汽车性能检测》这一课程教诲了我们丰富的专业知识，完成情况良好，较为满意。之后的各门专业课也必定会认真对待，认真学习，继续争取更好更优秀的成绩来回报父母、回报老师、回报自己，在此也对彭老师的精心教育表示诚挚的感谢！！

——