#负分小组WEEK1#软件开发之路——需求获取与相关建模

由业务目标定义边界

提供一种高效的获取睡前多媒体文件的方式,节省寻找相关资源的时间。

提供个性化服务,满足用户的个性需求,如更容易获取喜好的资源类型。

——>个性高效资源获取业务边界

 

实现良好的交互功能,对不同年龄段的用户都能提供良好的交互方式。

提供有知识性,趣味性的多种类型信息(flash动画,视频,音频等),使用户使用软件有知识上的增长等收获。

——>知识性、趣味性交互业务边界

可以通过自己制作的多媒体文件获得一定收益,开辟获取收益的渠道。

——>知识付费业务边界

 

 

对多媒体资源进行有效管理。

——>文件管理业务边界


由业务边界发现业务主角

    以个性高效资源获取业务边界为例,进行较为详细的分析,业务边界外的涉众为儿童模式客户和家长模式客户。对于儿童模式客户,分为感受型宝宝和认知型宝宝,他们直接与系统交互,行使涉众利益。此外,家长也可指导孩子使用,代理孩子与系统交互,代理行使涉众利益。对于家长模式客户,则家长直接与系统交互,行使涉众利益。分析结果如下图所示:

    其他三种业务边界分析出的业务主角如下图所示:

 


 

由业务主角获取业务用例

    我们项目组围绕以下4个问题对提炼出的业务主角进行了采访:

    1.您对系统有什么期望?

    2.您打算在这个系统里做些什么事情?

    3.您做这件事的目的是什么?

    4.您做完这件事希望有一个怎样的结果?

    通过访谈结果,整理出如下用例:


业务建模

    根据分析出的用例,我们小组采用用例协作图进行业务建模,展示部分协作图如下:

家长获取多媒体文件业务

业务用例场景协作图

    

业务规约

 

用例名称

家长获取多媒体文件业务

用例描述

家长登陆网站查询多媒体资源库,根据个人喜好选择,添加资源到儿童文件库,并确认反馈信息

执行者

家长(用户)

前置条件

  1. 网络畅通
  2. 具有个人账号

后置条件

1.添加资源到儿童文件库

主过程描述

  1. 用户打开主网页,进入登陆界面,填写正确的账号密码,成功登陆
  2. 用户用搜索框查询多媒体文件或者通过点击分类选择感兴趣的多媒体文件
  3. 用户将中意的多媒体文件通过点击添加按钮添加到儿童文件库

分支过程描述

2.1.1网站根据用户搜索信息匹配最佳结果

2.2.1网站根据用户选择的多媒体文件类,将网页跳转到相对应的界面

异常过程描述

1.1.1用户突然退出网站,账户将下线

1.2.1用户在10分钟内10次填写密码错误,延时10分钟才能尝试登陆

业务规则

用户无上传不良资源的记录

涉及的业务实体

用户档案

多媒体资源库

多媒体文件

儿童文件库

业务用例实现视图

业务用例实现场景协作图

 

家长个性化设置业务

业务用例场景协作图

业务规约

 

用例名称

家长个性化设置业务

用例描述

家长登陆网站,修改个人信息

执行者

家长(用户)

前置条件

1.网络畅通

2.具有个人账号

后置条件

1.修改信息中无违法乱纪的词语

主过程描述

1.用户打开主网页,进入登陆界面,填写正确的账号密码,成功登陆

2.用户点击个人信息按钮,进入个人信息界面,进行信息修改,最后点击确认按钮,完成信息修改

分支过程描述

2.1.1网站对用户修改的个人信息进行保存

异常过程描述

1.1.1用户在10分钟内10次填写密码错误,延时10分钟才能尝试登陆

2.1.1用户突然退出网站,若尚未点击确认按钮,修改信息将不被保持

业务规则

用户无上传不良资源的记录

涉及的业务实体

用户档案

业务用例实现视图

 

业务用例实现场景协作图

业务模块领域包图

 


建立领域模型

 提出领域问题

     1.问题分析:对于宝宝睡吧软件,设计的用户只有儿童,家长,自频道主播,再加上系统管理员。因为软件所展示的文件与各个涉众都有关系,而这些涉众所接触到的文件数据又不尽相同,因此我们需要建立一个文件管理的模型,需要描述模型各部分与各个涉众之间的存取关系。

     2.问题领域的基本情况如下:

 

     

      3.领域问题具体内容:

   (1)家长:负责获取和筛选儿童接受的多媒体文件内容,包括文件种类,文件具体内容;具有上传文件的能力。

   (2)儿童:接受家长所筛选或系统根据儿童信息随机推送的多媒体文件内容。

   (3)管理员:查看所有多媒体资源的内容,并进行筛选和分类,可以上传新的资源,对于不符合规定的文件予以删除。

   (4)自频道主播:上传和删除自频道中的多媒体文件

分析建立领域模型(暂定,有待修改)

     


 

获取非功能性需求

  非功能性需求调查表

                                                                  可靠性

 

 

 

 

安全性

系统数据的敏感程度

对于用户注册的信息是属于保密性质的

系统运行于何中环境

运行于Interner属于公用服务器,集中式应用和服务器版

客户组织中的信息保密制度

用户个人信息如姓名,电话号码等属于保密级别很高只能管理员可见一般用户是不可见的。

使用人员情况

内部和外部人员都可访问,但访问的范围不同,外部人员范围相对狭窄。

 

 

 

事务性

系统业务交叉程度如何

存在多个用户对同一热点资源文件的访问,此时交叉程度较高。

存在较多的不同文件,总体平均交叉程度不高。

数据精确度要求如何

因都是文件或文本形式的所以对精确度要求不高。

系统集成情况如何

与其他系统联系较少,事务性要求不高。

是分布式系统还是集中式系统

系统是集中式的,数据库本身的事物处理机制就能满足要求。

 

 

 

 稳定性

系统的服务能力要求如何

7X24小时不间断服务。

用户的操作频率如何

用户的操作频率不高,一般情况下每天仅在特定时间段使用1~2次。

业务的及时性要求如何

业务的及时性要求不高,一般情况下用户将多媒体文件保存至本地,数据传输连续性要求不高。

数据的重要程度如何

数据重要程度很高,多媒体文件涉及知识产权问题,处理不当对系统有灭顶之灾。

 

                                                           非功能性需求调查表

                                                                   可用性

 

 

 界面

客户的行业性质如何

客户主要是家长,来自各行各业。

客户业务的复杂程度如何

业务功能较为简单。

使用人员的情况如何

家长与自频道主播计算机素质较高,儿童用户计算机素质较低。

 

 操作习惯

客户之前是否使用过该类型系统

部分使用过。

客户喜欢怎样的操作风格

简单省事,界面简洁。

 

文档要求

客户需要联机文档吗?

需要。

客户需要在线帮助吗?

需要。

客户的计算机操作水平如何?

家长客户计算机操作水平较高,用户手册中直接描述软件操作方法即可。儿童客户计算机操作水平不高,由家长客户指导。

 

                                                          非功能性需求调查表

                                                                   有效性

性能

系统的平均访问量

暂定平均访问量在几百左右,主要集中于中午和晚上

系统的峰值访问量

大约1000左右

系统的数据流量

流量主要消耗于下载或在线播放,建议用wifi提前下载

系统的并发要求

系统并发性好,可以满足多人同时访问同一页面

可伸缩性

客户业务预期的扩张速度

客户使用系统的频率较为固定,扩张速度很慢。

客户数据量的扩张速度

数据量急剧增长可能性不大,扩张速度较慢。

使用人数的扩张速度

系统使用时间段较为固定,扩张速度较快。

可扩展性

系统规模会持续扩大吗

条件允许,会有所扩大。

客户有升级系统的长期计划吗

 

                                                           非功能性需求调查表

                                                                  可移植性

 

 

 

 硬件环境

客户当前的硬件环境如何

支持基本的安卓或IOS程序运行。

客户是否有长期的硬件厂商合作伙伴

客户平均设备更换频率在1年~3年

客户的业务是否在快速增长

客户业务增长速度较慢,业务稳定。

 

 

 

 软件环境

客户的系统运行环境如何

安卓或IOS操作系统。

客户是否有长期的软件提供商

是。

自己是否有长期明确的技术路线

是。

转载于:https://www.cnblogs.com/bitsss/p/9127583.html

  • 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