Java中的static关键字

本文通过两个示例程序对比,详细解释了静态变量与实例变量的区别。静态变量属于类,不论创建多少对象,系统只为静态变量分配一个内存空间;而实例变量则属于每个对象。此外,还介绍了静态方法与实例方法的不同。

变量和方法都可以被声明为static类型。被声明static的变量叫做类变量,也叫静态变量,这个变量属于类,不属于任何一个对象。

没有被static修饰的变量为实例变量,属于各对象。

同样被static修饰的方法叫做类方法,属于类。没有被static修饰的方法称为实例方法,属于对象。

不管创建了多少对象实例,整个类中,系统只给静态变量分配一个空间,所有对静态变量的操作都是对这一空间值得操作。

对比下面两段程序便可弄清楚。

package fuckdefault;

class Test1
{
	public int i = 20;
	void changeI()
	{
		i ++;
	}

}

public class TestStatic {

	public static void main(String[] args) {
		Test1 a = new Test1();
		Test1 b = new Test1();
		a.changeI();
		System.out.println("a中的i:" + a.i);
		System.out.println("b中的i:" + b.i);
	}

}
输出结果:

a中的i:21
b中的i:20


package fuckdefault;

class Test2
{
	public static int i = 20;
	void changeI()
	{
		i ++;
	}
}
public class TestStatic2 {
	public static void main(String[] args) {
		Test2 a = new Test2();
		Test2 b = new Test2();
		a.changeI();
		System.out.println("a中的i:" + a.i);
		System.out.println("b中的i:" + b.i);
	}
}
输出结果:

a中的i:21
b中的i:21
比较可知,Test2中的i是静态变量(类变量)。系统只分配一个空间,对象a的操作就是对这个空间值得操作。于是对象b中的i值变化了。




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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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