反射

反射

(1)Java反射机制

Java反射机制允许程序在执行过程中借助于Reflection API取得任何类的全部内部信息,并直接操作任意对象的内部属性及方法;

在程序中,加载完类以后,堆内存中的方法区就产生了一个Class类型的对象(一个类对应一个Class对象),这个对象就包含了完整的类的结构信息;

反射具有动态性;

反射的主要API

  • java.lang.Class
  • java.lang.reflect.Method
  • java.lang.reflect.Field
  • java.lang.reflect.Constructor

(2)反射的功能

1.运行时判断任意一个对象所属的类;

2.运行时判断任意一个类所具有的属性和方法;(包括私有)

3.运行时构造任意一个类的对象;

4.运行时获取泛型信息;

5.运行时调用任意一个对象的属性和方法;

6.运行时处理解析;

7.生成动态代理;

new和反射都可以调用公共的资源,在运行时需要创建不确定对象时用到反射;(动态性)

(3)Class类

类的加载过程

程序经过javac.exe编译后会生成一个或多个字节码文件(xxx.class),java.exe对某个字节码文件进行解释运行,相当于将某个字节码加载到内存中,此过程为类的加载;

加载到内存中的类称为运行时类,此时运行时类是Class类的一个实例;(Class类的对象是一个运行时类)

Class实例

获得Class实例的四种方法

方式一:调用运行时类的属性class

Class personClass = Person.class;//在编译时就确定

方式二:通过运行时类的对象获取

Person person=new Person();
Class personClass = person.getClass();

方式三:通过调用Class类的静态方法:forName(String classPath)

Class personClass=Class.forName("org.hac.java.Person");//在运行时确定

方式四:使用类的加载器

ClassLoader classLoader=ReflectDemo.class.getClassLoader();

Class personClass=classLoader.loadClass("org.hac.java.Person");

类加载器

类加载器的作用:将class文件字节码内容加载到内存中,并将这些静态数据转换成方法区的运行时数据结构,然后在堆中生成一个代表这个类的java.lang.Class的对象,作为方法去中类数据的访问入口;

类缓存:一旦某个类被加载到类加载器中,它将维持加载(缓存)一段时间,JVM垃圾回收机制可以回收这些Class对象;

ClassLoader分为引导类加载器、扩展类加载器、系统类加载器

使用ClassLoader加载配置文件

Properties加载配置文件步骤

1.先创建Properties类对象;

2.创建FileInputStream对象;

3.Properties对象调用load(FileInputStream fileInputStream)来加载文件;

4.Properties对象调用getProperty()方法读取;

ClassLoader加载配置文件步骤

ClassLoader classLoader=ReflectDemo.class.getClassLoader();//1.获得ClassLoader对象

Properties properties=new Properties();//2.获得Properties对象

InputStream inputStream=classLoader.getResourceAsStream("...");//3.通过类加载器获得输入流

properties.load(inputStream);//4.加载文件

创建运行时类对象

可以通过反射来创建运行时类的对象;

Class<Student> studentClass=Student.class;//定义泛型后newInstance()返回类型为泛型的类型,如果不定义泛型则默认返回Object类型对象;

Student student = studentClass.newInstance();

//newInstance();创建运行时类的对象,内部调用运行时类空参构造器,使用这个方法需要在类内内部提供空参构造器和设置合适的访问权限;

//使用空参构造器原因:
1.便于通过反射创建运行时类对象;
2.便于子类继承此运行时类时,默认调用super()时,保证父类有此构造器;

反射获得属性结构

Class studentClass=Student.class;
//getFields()
Field[] fields = studentClass.getFields();//获得当前运行时类及其父类中声明为public的属性对象(返回属性数组)
//getField()
Field id=studentClass.getField("id");//获得单个属性对象;
//getDeclaredFileds()
Field[] fields=studentClass.getDeclaredFields();//获得当前运行时类中声明的所有属性(包括父类,无论任何访问权限)
//getDeclaredFiled()
Field id=studentClass.getDeclaredField("id");//获得单个属性对象
//属性对象常用方法
getModifiers()//获得属性权限修饰符,返回整数
1public
2private
3:缺省  
//如果需要显示原修饰符,调用toString方法
name.toString()
    
getType()//获得属性的数据类型
getName()//获得属性变量名

反射获得方法结构

getMethods()//返回当前运行时类及其父类中所有声明为public的方法的方法类型数组
getMethod()//返回单个方法对象
getDeclaredMethods()//返回当前运行时类中声明的所有方法,包括父类,无论任何权限
//获得运行时类方法的内部结构

反射获得构造器

getConstructors();//返回当前运行时类中声明为public构造器,返回类型是构造器类型数组
getDeclaredConstructors()//返回当前运行时类的所有构造器

反射获得泛型

getSuperclass()//获得当前运行时类的父类对象
getGenericSuperclass()//获得父类的泛型,返回类型是Type类

反射获得其他结构

//获得接口
getInterfaces()//返回接口数组

//获得运行时类所在包
getPackage()
    
//获得注解
getAnnotations()//返回注解数组

(4)调用指定结构

调用属性

//1.获得运行时类
Class<Student> studentClass=Student.class;
//2.创建运行时类对象
Student student = studentClass.newInstance();
//3.获得运行时类的指定属性对象
Field name = studentClass.getDeclaredField("name");//一般不用getField()方法
//4.使非public的属性能够修改,否则报异常
name.setAccessible(true);
//5.通过set()方法设置对象的属性值
name.set(student,"hac");
//6.属性对象通过调用get()方法获得对象中的属性值
System.out.println(name.get(student));

//set(Object obj, Object value)
//get(Object obj)
//setAccessible(boolean flag)

调用方法

Class<Student> studentClass=Student.class;
Student student = studentClass.newInstance();
Method say = studentClass.getDeclaredMethod("say");
say.setAccessible(true);
say.invoke(student);//指定对象调用此方法

invoke(Object obj, Object... args)//invoke方法中也可以传入对象参数

调用构造器

Class<Student> studentClass=Student.class;
Constructor<Student> constructor = studentClass.getDeclaredConstructor();
Student student = constructor.newInstance();

getDeclaredConstructor()//获得无参构造器对象,也可以在方法中传入形参获得带参构造器
newInstance()//创建对象

(5)反射的应用

  • 动态代理
  • Spring、Mybatis框架
  • JDBC数据库数据库连接
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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