Silverlight3学习笔记6(Silverlight,WCF双工通信)(回调异常问题处理)

离上一篇完工似乎又好多天没有更新了,不是因为后续没有什么可写,而是发现后续的问题真的还有好多,一点一点的尝试解决真的是需要一些时间,并且也不想涂鸦般的到网上搜些毫无心得的代码往这里一贴草草敷衍。而是真的希望给自己的这个尝试留个结果,给对这个新技术感兴趣的朋友一点帮助或思路了。

好了,废话少说,回归正题。今天这个帖子严格讲还是延续Silverlight3学习笔记5(Silverlight,WCF双工通信) Silverlight3学习笔记4(Silverlight,WCF通信)的内容,不过前面这两篇应该侧重的是如何搭建一个基本的,且完全可用的项目架子。而今天这篇就应该是希望在这个架子上来探讨下如何解决在Silverlight与WCF通信的模式下遇到的一些问题。

这篇首先列出需要讨论的两个问题,

问题1:客户端的非代码退出,服务端如何处理?(下面简称:问题1)

问题2:客户端的刷新,服务端如何处理?(下面简称:问题2)

先说下问题的由来与重要性,以及如何解决

问题1:这个问题简单说应该是当客户端关闭该URL连接时,服务端该如何处理了,如果这个问题是对原Asp.net或是Jsp的web应用来说关闭链接后该客户端也就没有任何逻辑请求了,服务端当然也不会存在对WebClient请求的响应了,所以对于传统应用来说服务器端不会再有多余的处理(通常来说)。

但是对于目前的双工通信来说问题就不是这么简单了,如果已经写过类似尝试的代码的开发来说应该知道,服务器端如果需要向客户端推消息的话,必须要在服务端首先获得了Client端的Callback对象,通过该回调句柄来发起对Client的回写。

这个时候问题就来了,如果Client端没有通过应用提供的途径关闭了应用,而此时保存在服务端的客户回调句柄就不存在真正的接受方了。

对于该问题,其实从最简单的方式来考虑,处理也可以很简单,对于循环向保留在服务端的每个回调句柄发送消息时,都用异常扑捉块来捕获异常,一旦发现某个回调对象做回调时发生异常,则将该回调对象从服务端移除。

看起来这样处理很简单,但是该解决同样还有相当的不足。对于做客户端回调时,只有在执行到超时时才能引发超时异常,并且该回调是线程阻塞的,也就是如果超时异常没有到达前,服务端就完全等待了。也就是说管理回调的整个方法体如果没有完成的话,所有需要获得服务端回调的客户端都没有办法接收到回调的消息。

在这里我尝试的处理方式就是采用多线程的方式来对所有Client回调对象的管理。

 

NoticeManager
public   class  NoticeManager
    {
        
public   static  List < PlayClient >  ClientList {  get set ; }
        
public   static  List < LoginInfo >  LoginInfo {  get set ; }

        
public   static   object  LockObject  =   new   object ();
        
// 主要方法,通知在线所有用户,如果有没有个回调句柄回调异常,则将该回调句柄移除
         public   static   void  NoticeOnlineUser()
        {
            
if  (ClientList  !=   null   &&  ClientList.Count  !=   0 )
            {
                
foreach  (PlayClient item  in  ClientList)
                {
                    NoticeMessage notice 
=   new  NoticeMessage();
                    notice.exceptionDelegate 
+=   new  ExceptionDelegate(notice_exceptionDelegate);
                    notice.UsersMessages 
=  LoginInfo;
                    notice.NoticeClient 
=  item;
                    notice.NoticeGo();
                }
            }
        }

        
static   void  notice_exceptionDelegate(PlayClient client)
        {
            
lock  (LockObject)
            {
                ClientList.Remove(client);
            }
        }
    }

该类可以对回调进行管理调度。

 

NoticeMessage
     public   delegate   void  ExceptionDelegate(PlayClient client);

    
public   class  NoticeMessage
    {
        
private  Thread noticeThread;

        
public  PlayClient NoticeClient {  get set ; }
        
public  List < LoginInfo >  UsersMessages {  get set ; }

        
public   event  ExceptionDelegate exceptionDelegate;

        
public  NoticeMessage()
        {
            noticeThread 
=   new  Thread( new  ThreadStart(SendMessage));
        }

        
public   void  NoticeGo()
        {
            noticeThread.Start();
        }

        
private   void  SendMessage()
        {
            
if  (NoticeClient  !=   null   &&  UsersMessages  !=   null )
            {
                
try
                {
                    NoticeClient.Client.LoginUserConfrim(UsersMessages);
                }
                
catch  (Exception ex)
                {
                    
if  (exceptionDelegate  !=   null )
                        exceptionDelegate.Invoke(NoticeClient);
                }
            }
        }
    }

 

该类为完成回调的具体线程实现。

这部分代码可能还存在对线程管理上的不足,希望能抛砖引玉了。不管线程管理如何但是通过尝试该方法服务端对客户端的回调不会再有阻塞的问题了。并且也可以将已经非正常关闭的Client回调句柄管理起来,以这种思路应该可以在新的线程能对回调对象做更多的操作,完成需要的逻辑。

问题2:这个刷新问题比较好理解了,类似的情况在Asp.net的页面刷新也应该存在,不过其中的表现形式与该双工通信还不是十分一样了,当然这里的根本问题还在于对保留在服务端的回调句柄的处理,通常我们在双工通信时,服务端获得回调句柄,需要通过

 

代码
public void Login(LoginInfo input)
{
    IDuplexClient client = OperationContext.Current.GetCallbackChannel<IDuplexClient>();
    clientHelp.RegisterClient(client, input);
    clientHelp.NoticeOnlineUser();
}

的方式来获得,可以看到该获得的回调句柄是从,一次请求的OperationContext中获得,也就是说如果一次请求的OperationContext如果出现了差异,那从该上下文中获得的回调句柄也必然出现不一致。

说了这些的目的起始就是想说明,如果对于Silverlight客户端刷新后,对该方法体的调用,就会造成回调客户端的不一致。

对于处理该问题的解决方案来看,我自己感觉应该没有什么好的解决办法,不过如果从业务逻辑的角度来看,应该可以避免该问题的发生,解决的办法就是对于一个Client来说除非其退出或关闭,在服务端创建一次回调句柄就应该足够了。

 

突然想起一个问题,如果句柄获得后,且客户端也做了刷新,那保留在服务端的回调句柄回调会不会失效?

如果不失效,依然可以推到该客户机上,那上面的实现应该是OK的,如果失效,那刷新问题似乎依然没有很好解决了。

这个问题不好意思了,等我好好试试后,在这个帖子后补上!见谅!

转载于:https://www.cnblogs.com/li_g_7711/archive/2009/11/30/1613689.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