异常

异常
  • 概念:程序在运行过程中出现的特殊情况。
  • 异常处理的必要性:任何程序都可能存在大量的未知问题、错误;如果不对这些问题进正确处理,则可能导致程序的中断,造成不必要的损失。
异常的分类
  • Throwable :可抛出的,一切错误或异常的父类,位于 java.lang 包中。
  • Error:
    • JVM、硬件、执行逻辑错误,不能手动处理。
  • Exception:
    • 程序在运行和配置中产生的问题,可处理。
      • RuntimeException:运行时异常,可处理可不处。
      • CheckedException:受查异常,必须处理。
异常的产生
• 自动抛出异常:       当程序在运行时遇到不符合规范的代码或结果时,会产生异常。
•  手动抛出异常 :语法 : throw new  异常类型 (“ 实际参数 ”);
•  产生异常 结果 :相当 于遇到 return 语句,导致程序因异常而终止.
异常的传递
•  异常的传递:按照方法的调用链反向传递 ,如始终没有处理异常,最终会由 JVM
进行默认异常处理(打印堆栈跟踪信息)。
•  受查异常: throws  声明异常,修饰在方法参数列表后端。
•  运行时异常:因可处理可不处理, 无需声明异常.
异常的处理
    try{
        //可能出现的代码
    }catch(Exception e){
        //异常处理的相关代码,getMessage(),printStackTrace()
    }finally{
        //无论是否出现异常,都需要执行代码结构,常用于释放资源.
    }
  • 异常处理结构
    try{} catch{} .. finally{}
    • 注:多重catch,遵循子(小)到父(大)的顺序,父类异常在最后.
自定义异常
•  需继承自 Exception 或 Exception 的子类,常用 RuntimeException 。
•  必要提供的构造方法:
    •  无参数构造方法
    •  String message参数的构造方法.
方法覆盖
•  带有异常声明的方法覆盖:
    •  方法名、参数列表、返回值类型必须和父类相同。
    •  子类的访问修饰符合父类相同或是比父类更宽。
    •  子类中的方法,不能抛出比父类更多、更宽的异常
传送带损坏与对象检测数据集 一、基础信息 • 数据集名称:传送带损坏与对象检测数据集 • 图片数量: 训练集:645张图片 验证集:185张图片 测试集:92张图片 总计:922张工业监控图片 • 训练集:645张图片 • 验证集:185张图片 • 测试集:92张图片 • 总计:922张工业监控图片 • 分类类别: Hole(孔洞):传送带表面的孔洞损坏。 Human(人类):工作区域中的人类,用于安全监控。 Other Objects(其他对象):非预期对象,可能引起故障。 Puncture(刺穿):传送带被刺穿的损坏。 Roller(滚筒):传送带滚筒部件。 Tear(撕裂):传送带撕裂损坏。 impact damage(冲击损坏):由于冲击导致的损坏。 patch work(修补工作):已修补的区域。 • Hole(孔洞):传送带表面的孔洞损坏。 • Human(人类):工作区域中的人类,用于安全监控。 • Other Objects(其他对象):非预期对象,可能引起故障。 • Puncture(刺穿):传送带被刺穿的损坏。 • Roller(滚筒):传送带滚筒部件。 • Tear(撕裂):传送带撕裂损坏。 • impact damage(冲击损坏):由于冲击导致的损坏。 • patch work(修补工作):已修补的区域。 • 标注格式:YOLO格式,包含边界框和类别标签,适用于目标检测任务。 • 数据格式:图像数据来源于工业监控系统,适用于计算机视觉分析。 二、适用场景 • 工业自动化检测系统开发:用于构建自动检测传送带损坏和异物的AI模型,实现实时监控和预防性维护,减少停机时间。 • 安全监控应用:识别人类和其他对象,提升工业环境的安全性,避免事故和人员伤害。 • 学术研究与创新:支持计算机视觉在制造业、物流和自动化领域的应用研究,促进AI技术与工业实践的融合。 • 教育与培训:可用于培训AI模型或作为工业工程和自动化教育的案例数据,帮助学习者理解实际应用场景。 三、数据集优势 • 多样化的类别覆盖:包含8个关键类别,涵盖多种损坏类型和对象,确保模型能够处理各种实际工业场景,提升泛化能力。 • 精准的标注质量:采用YOLO格式,边界框标注准确,由专业标注人员完成,保证数据可靠性和模型训练效果。 • 强大的任务适配性:兼容主流深度学习框架(如YOLO、TensorFlow、PyTorch),可直接用于目标检测任务,并支持扩展至其他视觉任务需求。 • 突出的工业价值:专注于工业传送带系统的实际需求,帮助提升生产效率、降低维护成本,并增强工作场所安全,具有较高的实际应用价值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值