第七周个人周报-197242-张文煊
1.本周计划任务:完成团队报告、个人报告、最后的bug修复和小程序完善。
2.任务完成情况:
| 任务 | 完成情况 | 预计时间 | 实际时间 |
| 完成个人报告 | √ | 3h | 5h |
| 完成团队周报 | √ | 2h | 3h |
| bug修复和小程序完善 | √ | 3h | 6h |
3.遇到的问题及解决方案
3.1 通知提醒的业务逻辑错误
我后端代码写的通知提醒逻辑有误,到ddl的待办状态码变为1之后,后端就不发送状态码为1的数据给前端了,导致该信息无效,前端没有相应的提醒弹出,修改逻辑后通知模块正常。
3.2 openid的获取
由于测试号无法获取真正的openid,所以我们后端采用的将前端的code和前端的nickname拼接形成openid,再传给前端使用。之前我们的操作是前端把userid写死了(固定值),导致后面很多模块的操作无法正常写入数据库,后来我们统一使用openid进行操作,成功将相应数据写入数据库。
3.3 管理员后台界面无法正常登录
我的后端队友可以正常登录管理员界面,但是我没法正常登录,通过查看浏览器的开发工具中相应的错误提示,发现是我的浏览器拦截导致的,将过滤设置为普通级别后可以正常进入后台管理。
3.4 管理员后台界面的信息无法正常显示
因为我们的admin是user中的一员,通过role进行的区分,但是管理员依旧同时拥有username和nickname,而username是后端数据库自行设定的,nickname是无法获取的(因为这是前端微信一键登录的字段),所以我们的用户管理面板不能正常显示用户信息,通过修改html文件和接口文件,成功显示界面信息。
3.5 前后端接口参数不一致
后端接口部分是URL后拼接参数,部分是通过对象传参,但是前端的接口没有和后端对应好,导致部分模块的信息不能正常写入数据库,修改前端代码后正常实现。
4.个人心得
本周是我本次实习的最后一周,项目也进入了收尾阶段。
在这段实习中,我从零到一完整搭建了一个后端架构,并实现了一个可运行的小程序。这个过程让我深刻理解了后端开发的整体流程,也深入研究了以下内容(部分内容):
-
搭建基于 RESTful 风格的接口,规范 URL 设计,以及 GET、POST、PUT、DELETE 等 HTTP 方法的使用;
-
处理请求与响应的数据格式(JSON),并实现统一的异常处理机制;
-
学习并应用分层架构(Controller、Service、DAO),让代码更清晰、更易维护。
与此同时,我也第一次完整参与了一个小程序的前后端联调,从前端页面渲染到后端接口对接,逐渐熟悉了小程序的开发流程、页面生命周期和组件使用。
此外,我还研究了 HTML 结构的设计思想,理解语义化标签的重要性,以及如何结合 CSS 和 JavaScript 构建前端页面。虽然我的重点在后端,但通过对前端基础知识的深入理解,我能更好地与前端同学配合,写出更稳定、更易用的系统。
这不仅仅是一次技术实践,更是一次工程能力的锻炼。通过这次实习,我更加理解了“从0到1”搭建一个项目的完整流程,也更清楚在实际开发中需要注意的细节,比如接口规范、异常处理、日志记录、数据校验等。
不过在这次实习中,我主要负责的内容是前后端接口设计,以及解决一系列跨域问题。对于数据库的设计、连接、索引查询优化、数据库安全设计等内容研究不深,这是我未来需要继续学习和加强的方向。
我还记得最开始和队友分后端任务的时候,我们简单地把后端工作分为“数据库 + 接口”两大部分。当时我对接口这部分非常感兴趣,因为这是我之前没有怎么接触和深入研究过的,所以我率先选择了这部分作为我的主要任务。在后面的开发中,我发现这部分内容确实很有意思——它不仅仅是单纯地写业务逻辑,而是更关注系统的安全性、稳定性,以及怎么保证系统不会崩掉。这些东西在操作的时候感觉很难、很抽象,但一步步排查问题并解决之后,真的特别开心,即使过程很繁琐。
而且,这个工作还需要和前端不断沟通接口设计,这对我的问题分析能力和沟通能力都是很好的锻炼。未来我还需要学会如何用更通俗易懂、但又不失专业性的语言去描述错误和问题,提高沟通效率。
这次只是完成了一个最小可行架构的搭建,未来还有很长的路要走,还有海量的知识和经验有待积累。我会把本次项目作为一个新的起点,继续丰富自己的知识。
相关推荐
jvm指令使用说明.html
jvm指令使用说明.html
基于一阶谐波相位法的星载SAR多普勒中心频率估计与距离向拟合研究(Matlab代码实现)
内容概要:本文围绕基于一阶谐波相位法的星载合成孔径雷达(SAR)多普勒中心频率估计与距离向拟合方法展开研究,提出了一种结合一阶谐波相位模型的参数估计方法,用于精确估计SAR信号的多普勒中心频率,并在此基础上实现距离向信号的高精度拟合。该方法利用回波信号的相位特性,通过提取一阶谐波分量进行建模分析,有效提升了多普勒参数估计的精度与稳定性,尤其适用于高速运动平台下的星载SAR系统。研究通过Matlab编程实现了完整的算法流程,包括信号建模、相位提取、谐波分析、参数优化与拟合验证,展示了良好的仿真效果与工程应用潜力。; 适合人群:具备雷达信号处理基础知识,熟悉Matlab编程,从事遥感、SAR成像、航天电子等相关领域研究的研发人员及研究生;工作年限1-5年内的工程技术人才。; 使用场景及目标:①用于星载SAR系统中多普勒参数的高精度估计,提升成像质量;②作为SAR信号处理算法模块集成于地面处理系统或星上实时处理单元;③为相关科研项目、论文复现或工程开发提供可运行的Matlab代码参考与技术验证平台。; 阅读建议:建议读者结合SAR信号模型基础理论,逐步调试代码中的各处理环节,重点关注相位提取与谐波拟合部分的实现逻辑,并可通过改变信噪比、运动参数等条件进行敏感性分析,深入理解算法性能边界与优化方向。
Maven Kafka Java开发环境jar包
源码直接下载地址: https://pan.quark.cn/s/1670ca3cbea6 在Java编程领域,Apache Kafka被视为一种普遍应用的分布式流处理平台,其主要用途在于创建实时的数据传输管道以及流式计算应用。若要借助Kafka进行开发工作,前提条件是必须确保已经配置妥当的相关依赖,这些依赖通常以jar(Java Archive)文件格式存储。Maven作为一个Java项目管理的得力工具,能够协助开发者进行项目管理和构建过程,并且可以自动获取所需的各类库文件。在Maven框架内,我们通过在`pom.xml`文档中设定依赖关系,从而将Kafka关联的jar包引入到项目中。 文档标题所提及的"Maven配置Kafka Java开发环境所需的jar包",实际上是指需要为Maven项目设定Kafka的依赖配置。具体操作上,我们需要在项目的`pom.xml`文件中插入Kafka的相关依赖配置。例如,假设我们需要运用Apache Kafka的2.8版本,那么可以加入以下依赖配置: ```xml <dependencies> <dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka-clients</artifactId> <version>2.8.0</version> </dependency> <dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka_2.13</artifactId> <version>2.8.0</version> </dependency> </dependencies> ``` 在这...
手机摄像头测试方法-下载即用.zip
打开链接下载源码: https://pan.quark.cn/s/a4b39357ea24 手机相机作为现代移动设备核心功能模块的关键构成,对其质量进行严格检验显得至关重要,目的是保障相机组件能够满足既定的功能表现规范。本次探讨将聚焦于常规手机相机检测所包含的具体项目及操作方法。 首先开展镜头检测环节,其中包含杂散光干扰的评估。杂散光现象是指当捕捉强光源影像时,由于光学元件制造的不均匀性或光线折射误差,导致画面呈现模糊不清的视觉效果,即光学系统内部出现光线散射状况。杂散光检测通常借助DNPVIEWER与EIAJtestchartF两种检测设备实施评定。 随后进行清晰度测试,清晰度表征相机对图像细节的呈现效能。检测过程中常运用LightBox及ISO12233chart作为测试工具。清晰度检测旨在量化相机在特定距离条件下能够清晰分辨的线对数量,是判断相机成像锐度的重要参考依据。 几何畸变检测同样是镜头评估不可或缺的部分,该检测项目评估相机在记录直线边缘物体时,边缘线条是否发生曲线形态的扭曲变形。借助DNPVIEWER和EIAJtestchartI检测仪器能够对镜头的几何失真程度进行评定。 镜头检测还涵盖了对眩光干扰Flare的评估,这是一种当光源直接照射镜头时产生的光学现象,会对成像质量造成不利影响。采用点光源进行检测能够验证相机抵抗眩光干扰的性能。 光线泄漏检测是指判定相机在缺乏光源直接照射环境下,镜头内部是否存在光线渗漏的情况。该项检测通常需要利用光源设备实施。 CMOS图像传感器作为相机主要的光电转换元件,其功能表现评估同样具有核心意义。首先是自动白平衡AWB的检测,利用Lightbox、GretagMacbeth ColorChecker以及IMATEST软件...
YOLO26算法道路监控交通信号灯logo状态目标检测+训练好的模型+290张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[logo缺失(logo missing), logo正确(logo correct ok), logo方向错误(logo wrong direction), logo错误(logo wrong logo)] · 训练集:290 张 · 验证集:0 张 · 测试集:0 张 · 总计:290 张 该数据集专注于道路监控场景下的交通信号灯logo状态检测,旨在实时识别交通信号灯标志的完整性与准确性,为城市交通管理提供关键支持,有效提升道路通行效率与安全水平。 该数据集训练集规模为290张图像,提供了充足的数据样本以支持模型训练;验证集与测试集均为0张,表明数据集设计聚焦于训练环节,确保模型在有限资源下高效学习,为快速部署智能交通监控系统奠定基础。 该数据集的标注工作精准规范,各类别标注清晰准... 【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 42 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.8863** mAP50-95 | 0.5727 Precision | 0.9381 Recall | 0.7841 train/box_loss | 1.1541 train/cls_loss | 1.1310 val/box_loss | 1.1534 val/cls_loss | 1.6252 【训练过程分析】 从一开始,这模型在训练过程中就显得有... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。


