demo

流程脚本

脚本列表

请求地址:

Request URL: http://demo.jeesite.com/js/a/bpm/bpmScript/listData
Request Method: POST

入参:

Form data:
scriptName: 
scriptLang: 
scriptType: 
remarks: 
status: 
pageNo: 
pageSize: 
orderBy: 

出参:

{
	"count": 3,
	"list": [{
			"id": "1200047678865907712",
			"isNewRecord": false,
			"status": "0",
			"createDate": "2020-01-02 08:49",
			"updateDate": "2020-01-02 08:49",
			"updateBy": "system",
			"remarks": "",
			"createBy": "system",
			"scriptLang": "groovy",
			"scriptType": "bpm",
			"scriptName": "业务表状态更新脚本(审核、退回、完成、终止)",
			"scriptText": "import com.jeesite.common.entity.DataEntity; import com.jeesite.modules.bpm.utils.BpmUtils; // 任务创建后(流程已退回、审核中) if (BpmUtils.isCurrentCmd(execution, 'back')){ BpmUtils.updateStatus(execution, 'oaLeaveService', DataEntity.STATUS_AUDIT_BACK); }else{ BpmUtils.updateStatus(execution, 'oaLeaveService', DataEntity.STATUS_AUDIT); } // 流程结束后(流程已完成) BpmUtils.updateStatus(execution, 'oaLeaveService', DataEntity.STATUS_NORMAL); // 流程取消后(流程已终止) BpmUtils.updateStatus(execution, 'oaLeaveService', DataEntity.STATUS_DELETE);"
		},
		{
			"id": "1200051215373017088",
			"isNewRecord": false,
			"status": "0",
			"createDate": "2020-01-02 08:49",
			"updateDate": "2020-01-02 08:49",
			"updateBy": "system",
			"remarks": "",
			"createBy": "system",
			"scriptLang": "groovy",
			"scriptType": "sys",
			"scriptName": "UserUtils 用户工具类相关脚本",
			"scriptText": "import com.jeesite.modules.sys.utils.UserUtils; return UserUtils.getUser().getUserCode();"
		},
		{
			"id": "1200387716797861888",
			"isNewRecord": false,
			"status": "0",
			"createDate": "2020-01-02 08:49",
			"updateDate": "2020-01-02 08:49",
			"updateBy": "system",
			"remarks": "",
			"createBy": "system",
			"scriptLang": "beetl",
			"scriptType": "bpm",
			"scriptName": "流程标题生成脚本",
			"scriptText": "${form.currentUser.userName} 在 ${date(),'yyyy-MM-dd'} 发起了 ${form.formName}"
		}
	],
	"pageSize": 20,
	"pageNo": 1
}

脚本新增or编辑

请求地址:

Request URL: http://demo.jeesite.com/js/a/bpm/bpmScript/save
Request Method: POST
Status Code: 500 

入参:
Form data:
id:
scriptLang: groovy
scriptType: sys
scriptName: 测试
scriptText: VW5zdXBwb3J0ZWRPcGVyYXRpb25FeGNlcHRpb24=
remarks: 测试

脚本停用

请求地址:

Request URL: http://demo.jeesite.com/js/a/bpm/bpmScript/disable?id=1200387716797861888
Request Method: POST

入参:
id: 1200387716797861888

脚本删除

请求地址:

Request URL: http://demo.jeesite.com/js/a/bpm/bpmScript/delete?id=1200047678865907712
Request Method: POST

入参:
id: 1200387716797861888

脚本测试

请求地址:

Request URL: http://demo.jeesite.com/js/a/bpm/bpmScript/test
Request Method: POST

入参:
scriptLang: groovy
scriptText: aW1wb3J0IGNvbS5qZWVzaXRlLm1vZHVsZXMuc3lzLnV0aWxzLlVzZXJVdGlsczsKCnJldHVybiBVc2VyVXRpbHMuZ2V0VXNlcigpLmdldFVzZXJDb2RlKCk7

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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