TVSeriesCal | 测试与发布(Alpha版本)

高健 2022-11-22 23:08:24
作业属于哪个课程广工软件工程课程学习
这个作业要求在哪里团队作业5——测试与发布(Alpha版本)
作业目标Alpha版本测试报告,Alpha版本发布说明
项目TVSeriesCal

目录

  • 一、测试报告
  • 1. BUG
  • 2. 场景测试
  • 3. 测试矩阵
  • 4.出口条件
  • 二、发布说明
  • 1.功能介绍
  • 1.1最近动态界面
  • 1.2时间表界面
  • 2.运行环境
  • 3.安装方法
  • 4.系统已知的问题和限制
  • 5.软件的发布方式以及发布地址

一、测试报告

1. BUG

(1) 已观看的剧集数可以为负数或超出总集数
已修复,添加判断条件
(2)条目显示图片错位
已修复,图片比例不符,通过自适应xml
(3)在实机上测试时条目重复显示
无法修复,为小米机型特供bug
(4) 点击“增加”、“减少”按钮闪退
已修复
(5) 查询时间过长
无法修复,api响应过慢
(6) 插入日历事件的时间不准确
已修复

2. 场景测试

电次: 首次使用时没有引导,不知道怎么使用
波奇: 添加条目后,列表上方有一段空白,不整齐美观
阿妮亚:添加条目不够方便

3. 测试矩阵

测试功能测试项检验点预期结果测试结果
最近动态最近动态界面条目框显示番剧名字,图片,更新星期,已看集数,总计数信息,及集数增加减少按钮√
菜单显示新增条目选项√
新增条目选项新增条目√
增加按钮已看集数加一√
减少按钮已看集数减一√
插入日历功能条目框点击条目显示“选择要使用的应用”,含有系统自带的日历√
点击日历单元格跳转日历界面,并根据该条目信息自动填好事件名称,重复日期,重复次数等事件信息√
时间表时间表界面时间表按钮显示周日历√
星期按钮显示该星期的条目√
条目框显示番剧名字,图片及该日更新集数√

4.出口条件

(1)正常使用增删,日历插入,已看剧集增减正常符合逻辑,有初次引导
(2)探索界面的功能还需要完善与测试
(3)数据获取无问题
(4)基本功能可正常使用,无bug

二、发布说明

1.功能介绍

1.1最近动态界面

(1)显示自己正在追的番剧信息,包括番剧的名称,海报图片,更新星期,总集数和已看集数
(2)可通过增加和减少按钮更改已看集数
(3)右上角菜单可新增番剧条目
(4)点击番剧条目框可直接跳转手机日历界面,并根据该条目信息自动填好事件名称,重复日期,重复次数等事件信息,设定为日历事件提醒番剧更新

img

img

img

img

1.2时间表界面

以周日历的形式显示该天会更新的番剧条目,一目了然

img

2.运行环境

Android 8.0版本及以上

3.安装方法

下载改APP的apk即可安装

4.系统已知的问题和限制

(1)从网站获取信息存在些许问题
(2)查询时间过长,无法修复,api响应过慢
(3)小米记性条目显示重复

5.软件的发布方式以及发布地址

  • 发布方式:将apk放到网盘,通过网盘链接在校内传播供大家保存下载

  • 发布地址:该版本还需完善,未打包成apk,暂无网盘地址

...全文
397 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
数据集可视化效果见下方。 【数据集概况】 · 检测类别(中文):[公交车(bus), 车辆(vehicle)] · 训练集:1899 张 · 验证集:0 张 · 测试集:0 张 · 总计:1899 张 该数据集聚焦于城市道路环境下的车辆检测任务,旨在为智能交通系统提供高质量的标注数据支持。通过采集真实道路场景中的各类车辆图像,该数据集能够有效支撑车辆识别与分类模型的训练与优化,具有较高的实用价值和研究意义。数据集覆盖了多种车辆类型,包括公交车和普通车辆,为复杂交通环境下的目标检测提供了丰富的样本。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 96 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9950** mAP50-95 | 0.9884 Precision | 0.9513 Recall | 0.9659 train/box_loss | 0.0783 train/cls_loss | 0.0416 val/box_loss | 0.1259 val/cls_loss | 0.0771 【训练过程分析】 96 轮训练后 mAP50 达到 0.9950,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。mAP50-95 为 0.9884,和 mAP50 差距仅 0.01,框的定位精度也很扎实。 【模型性能评估】 Precision 0.9513、Recall 0.9659,精召双高,模型对公交车、车辆的检测能力强。多类检测中,不同类别性能可能有差异,需关注难例类别的表现。 【预测效果展示...
内容概要:本文系统研究了基于连续小波变换(CWT)与多种深度学习模型相结合的机械故障诊断方法,利用凯斯西储大学轴承故障公开数据集进行实验验证,并提供了完整的Matlab代码实现。研究首先通过连续小波变换将一维振动信号转化为二维时频图像,以增强信号的时频特征表达能力;随后构建并对比了CNN、ResNet、CNN-SVM、CNN-BiGRU、CNN-LSTM等多种深度神经网络模型用于故障分类识别,全面分析各模型在诊断精度、收敛速度与泛化能力等方面的性能差异。该研究融合信号处理与深度学习技术,属于具有创新性的未发表成果,达到可复现SCI一区论文水平。; 适合人群:适用于具备信号处理基础和机器学习知识,从事故障诊断、状态监测、工业自动化等领域的研究生、科研人员及工程技术开发者;尤其适合熟悉Matlab编程并希望开展相关课题研究或工程应用的专业人士。; 使用场景及目标:①应用于旋转机械设备(如电机、齿轮箱、轴承等)的早期故障检测与智能分类;②支撑学术科研中关于深度学习与信号处理融合方法的研究与高水平论文复现;③作为课程设计、毕业设计或科研项目的实践案例,提升从数据预处理到模型构建再到实证分析的全流程能力。; 阅读建议:建议结合所提供的Matlab代码同步运行与调试,重点关注连续小波变换的参数选择、时频图生成策略以及各类深度学习模型的网络结构设计与训练细节,同时可进一步探索其他小波基函数、优化算法或多模型融合策略以拓展研究深度。

203

社区成员

发帖
与我相关
我的任务
社区描述
高校教学社区
其他 高校 广东省·广州市
社区管理员
  • ryue.zh
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧