简介这套源码包面向计算机、软件工程等专业完成毕业设计的学生围绕河道水质检测场景提供从数据采集、处理到算法分析的一套可运行Python项目。内容覆盖传感器数据解析、Pandas/NumPy数据处理、SVM分类器、相似度计算、去背景、GA算法及可视化等模块并附带测试录屏与实验图像便于对照运行效果并理解算法调用流程。压缩包共64个文件以19个Python脚本为核心配合14个mp4演示视频、13张jpg与11张png图像、3个bmp位图、2个pyc缓存、1个Excel数据表和1个数据集txt整体大小45.61MB目录中还包含项目子文件夹与缓存目录。已有149人浏览学习适合需要快速搭建水质检测系统框架、参考算法集成方式或进行功能扩展的本科生可作为毕业设计源码与文档撰写的实用参考。1. 基于检测算法的河道水质检测系统毕业设计为什么选它基于检测算法的河道水质检测系统这几年在毕业设计里热度一直不低。它把目标检测算法作为核心引擎通过摄像头或视频采集河道水面图像自动识别漂浮垃圾、绿藻聚集、水色异常替代过去人工巡河和肉眼判断。这个方向受欢迎的原因很实在它卡在“算法深度”和“工程完整度”之间论文里能展开检测算法的原理和调优代码里又能把图像采集、目标检测、水质分级、结果可视化串成一条完整链路。这套系统适合计算机视觉方向和软件工程方向的学生。如果你已经掌握 Python 基础想找一个能同时锻炼 OpenCV 图像处理、深度学习推理和系统整合能力的项目那这个方向值得投入。下面我按“算法选型 → 环境搭建 → 代码实现 → 避坑 → 验收”五个环节把一条可以照着复现的路径讲清楚。2. 检测什么决定算法选什么先拆解河道水质的可识别目标2.1 基于视觉的检测指标漂浮物、藻华、水色异常、浊度突变基于检测算法的河道水质检测系统本质上是让计算机替代人眼去巡河。传统水质监测依赖化学仪器测 pH、溶解氧、氨氮、总磷但这套基于视觉的方案能直接观察的是四类可见指标水面漂浮物、藻华聚集、水色异常和浊度突变。水面漂浮物最好识别包括塑料瓶、塑料袋、树枝、死鱼特征是有清晰的轮廓边界和水面背景反差大。藻华暴发时水面会形成绿色或红褐色的带状、片状聚集颜色主色调集中在特定色相区间。水色异常是工业废水或生活污水排放导致的整体色调变化比如乳白色、铁锈红、暗黑色。浊度突变则表现为水面原本均匀的纹理被破坏局部反光特征出现明显差异。这四类目标对检测算法的要求不一样。漂浮物更适合目标检测因为有明确的边界框可以回归藻华聚集既可以用目标检测做区域定位也可以用颜色分析做全图筛查水色异常则更适合基于颜色空间的统计分析。所以一套完整系统的常规做法是用目标检测算法做“找目标”再用颜色分析做“判等级”两条线并行互为补充。2.2 为什么主线选目标检测算法对比传统图像处理和工业异常检测算法做这个项目时有三种路线可选传统图像处理、目标检测算法、工业异常检测算法。很多人第一步会选传统图像处理原因是“不用训练”。但我带过的项目里凡是用纯颜色阈值加边缘检测做水面识别的最后都在天气变化面前翻车了。传统图像处理的做法是先用颜色阈值分割出水体区域再用 Canny 边缘检测找轮廓按轮廓面积和长宽比判断目标。优点是代码量小、不需要标注和训练、单帧处理速度极快。缺点是光照敏感度太高河道水面的波纹反光、树影、落叶都会被误检成目标换个阴天或者傍晚原本调好的阈值全部失效维护成本很高。这类方案适合做系统里的辅助判断不适合当主线。工业异常检测算法是这两年被讨论得比较多的路线代表做法是 PatchCore 这类基于特征嵌入的框架。它只需要正常样本训练不需要逐张标注异常框在工业表面缺陷检测场景里效果确实好。但放到河道场景有个先天问题河道水面是动态的波纹、落叶、光影变化本身就被当成异常误报率根本压不住而且它输出的是一个异常分数和一个热力图给不出“哪个位置有什么类别目标”这种结构化信息毕业论文里很难把检测结果和具体污染物对应起来。目标检测算法胜在三个点上。第一单阶段检测器实时性好YOLO 系列在普通消费级显卡上能跑 30 到 60 FPS满足巡河视频流的实时处理。第二输出形式是边界框加类别天然对应“河道哪个位置出现了什么目标”下游可以直接接污染权重打分。第三生态工具链成熟从数据集标注到训练到部署每一环都有现成工具不需要自己造轮子。因此整条主线锁定在 YOLO 系目标检测算法上是合理的。2.3 数据从哪来采集、标注和增广的三条经验确定了目标检测算法作为主线接下来决定检测上限的就是数据。我一般会按三个渠道组数据。第一个是自采用手机或监控摄像头在真实河道录制视频再抽帧这个方式得到的数据最贴合实际部署场景缺点是工作量大而且容易出现类别不均衡——树枝出现几百次瓶盖只出现十几次。第二个是公开的水面垃圾检测数据集网上有一些 COCO 格式的水面漂浮物数据集可以用作预训练和验证。第三个是合成数据把目标物体扣图后贴到不同的水面背景上自动生成标注用来补足小样本类别。标注工具常用 LabelImg导出 YOLO 格式的 txt 文件。这里有两条标注原则要记住一是边界框贴着目标画就好不用精确到像素级YOLO 训练时本身会对框做微调过度精确的标注边际收益很低二是遮挡目标只标可见部分不要凭想象把被挡住的位置画进框里否则会把背景学进特征。类别数量控制在 3 到 5 类起步比如 bottle、branch、algae、plastic_bag类别太多而样本量不够时目标检测算法会出现类别间混淆比如把绿色的塑料瓶认成藻类。数据增广在这个场景里格外重要。河道图像的特点是有大量光照变化和天气干扰训练时至少要加随机亮度、随机对比度、随机旋转、随机透视变换。更进阶一点的做法是模拟雨滴痕迹和水面反光让检测算法在真实环境中不至于退化严重。我见过太多没做增广的模型训练集上精确率很漂亮一到室外视频上就漏检严重这一步一定不要省。3. 从解压到跑通最小推理Python 环境、目录结构和首段代码3.1 Python 安装与 VSCode 环境配置先省掉三小时的折腾以“python源码.zip”形式交付的毕业设计项目第一步不是改代码而是把运行环境搭起来。Python 版本建议直接装 3.9 或 3.10不要追最新版本。原因是 OpenCV、PyTorch、ultralytics 这些核心依赖的预编译安装包对新版本 Python 的支持有滞后装过高版本经常会遇到“找不到匹配的依赖包”的错误属于纯浪费时间。装完 Python 后在终端执行python --version确认路径正确。如果你机器上装过多个 Python 版本还要留意默认python命令指向的是哪一个——这是后面排查“模块找不到”最常见的根源。我就是吃过这个亏有一次整个依赖都装好了运行时报ModuleNotFoundError: torch一查才发现pip属于 3.10python却指向 3.7。编辑器推荐 VSCode。配置要点有两个第一装好 Python 扩展后在项目根目录建一个.vscode/settings.json把解释器路径显式指到项目虚拟环境不要靠 VSCode 自动识别防止它选错全局环境。第二把默认终端设为 cmd 或 PowerShell。Windows 下在 VSCode 里激活虚拟环境时如果报“Activate.ps1 无法加载”一类的权限错本质是执行策略限制命令行里临时改一下策略或者直接用 cmd 终端都能绕开。3.2 解压源码包之后先看目录结构再安装依赖拿到解压后的源码不要急着双击某个.py文件。这类检测系统的源码结构一般相对规整扫一眼就能看出主链路。我见到的典型布局是这样的project_root/ ├── main.py # 主入口启动检测流程 ├── detect.py # 目标检测核心逻辑 ├── water_quality.py # 水质等级判定 ├── utils.py # 图像处理工具函数 ├── models/ │ └── best.pt # 训练好的目标检测权重 ├── data/ │ └── river_demo.mp4 # 测试视频 ├── output/ # 结果输出目录 ├── requirements.txt # 依赖清单 └── README.md # 项目说明看这个目录有一个固定的顺序先读requirements.txt再读README.md最后跑main.py。顺序反了大概率会在依赖缺失上反复碰壁。requirements.txt里通常包含opencv-python、torch、torchvision、ultralytics、numpy、pillow这几类。安装时我习惯分两条命令跑先单独装 torch 和 torchvision 这条重依赖链再一起装剩余轻依赖。因为 torch 的各版本和 CUDA 版本之间有对应关系它与其他依赖冲突时能快速定位是哪一层的兼容问题。pip 下载慢是新手最常遇到的卡点。解决办法不是换工具而是把 pip 源指向公开可用的国内镜像服务。在用户目录下新建 pip 配置文件写入镜像源地址之后依赖下载速度就能起来这是常规且公开的做法。3.3 最小推理脚本先验证模型能加载、图像能推理环境就绪后不要直接跑完整系统先写一个最小推理脚本验证三件事模型权重能加载、图像能读入、推理能出结果。这个动作能让后续所有报错都能区分出是模型层问题还是应用层问题。# quick_check.py — 最小推理验证脚本 import cv2 from ultralytics import YOLO # 加载训练好的检测算法权重路径指向 models/best.pt model YOLO(models/best.pt) # 读取一张河道测试图路径指向 data/test_river.jpg frame cv2.imread(data/test_river.jpg) if frame is None: raise FileNotFoundError(图片读取失败请检查路径是否正确) # 执行推理 # conf: 置信度阈值低于该值的检测框会被过滤 # iou: 非极大值抑制的 IoU 阈值控制重叠框的合并力度 # imgsz: 输入分辨率640 是速度与精度的常见折中 results model.predict(frame, conf0.35, iou0.5, imgsz640) # 取出检测框数据坐标为 xyxy 格式依次为左上角和右下角 boxes results[0].boxes if boxes is not None and len(boxes) 0: for box in boxes: print(类别ID:, int(box.cls), 置信度:, float(box.conf), 坐标:, box.xyxy.cpu().numpy()) else: print(未检出任何目标) # 画出检测框并保存结果 annotated results[0].plot() cv2.imwrite(output/quick_check_result.jpg, annotated)这段代码的逻辑是加载权重 → 读图 → 推理 → 遍历边界框 → 画框存档。逻辑不复杂但三个参数值得单独说。conf控制置信度阈值调低会减少漏检但增多误检调高反之河道场景初始设在 0.3 到 0.4 之间比较合适。iou是 NMS 的 IoU 阈值水面漂浮物经常挨得很近设太高会把两个目标合并成一个设太低又会在一个目标上出多个框0.5 左右是比较通用的起点。imgsz是输入分辨率640 是默认折中方案如果你的检测对象里有大量小目标可以往 960 调代价是推理时间接近翻倍。这个最小脚本跑通整条检测链路的地基就稳了。接下来进主系统代码时任何报错都能快速归类。4. 把检测输出变成水质等级主循环、判级逻辑与可视化4.1 从单帧推理到视频主循环读帧、检测、叠加、输出最小推理脚本验证通过后要把单帧处理升级为视频流处理。这不仅是加一个循环还要处理帧率适配、抽帧策略和结果输出。河道水质检测系统的主循环常见结构是读取一帧 → 目标检测 → 水质判级 → 结果叠加到画面 → 输出到屏幕或保存文件。# main.py — 河道水质检测系统主循环 import cv2 from detect import run_detection from water_quality import evaluate_water_grade # 输入源0 表示本机摄像头也可以换成本地视频文件路径 # 演示时建议先用录制好的河道视频保证每次效果可复现 video_source data/river_demo.mp4 cap cv2.VideoCapture(video_source) # 输出视频保存编码器 XVID 兼容性较好 fps cap.get(cv2.CAP_PROP_FPS) or 30 width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) writer cv2.VideoWriter(output/result.avi, cv2.VideoWriter_fourcc(*XVID), fps, (width, height)) frame_count 0 while True: ret, frame cap.read() if not ret: break # 每隔 2 帧做一次检测降低计算压力画面仍保持流畅 if frame_count % 2 0: detections, annotated run_detection(frame) grade, color_stats, categories evaluate_water_grade(detections, frame) # 把水质等级叠加到画面左上角 cv2.putText(annotated, fWater Grade: {grade}, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 2) writer.write(annotated) cv2.imshow(River Water Quality Monitor, annotated) if cv2.waitKey(1) 0xFF ord(q): break frame_count 1 cap.release() writer.release() cv2.destroyAllWindows()逻辑说明主循环从视频源读帧每两帧执行一次完整检测run_detection返回检测结果和画好框的图像evaluate_water_grade根据检测数据和原始帧给出水质等级、颜色统计和主要污染类别。处理结果写入视频并实时显示。这里有个关键取舍在抽帧策略。检测一帧大约需要 100 到 200 毫秒如果每一帧都跑检测视频播放会出现明显的卡顿感。每隔两帧做一次检测在演示效果和计算压力之间取的平衡。如果部署环境是 GPU可以把抽帧间隔降到每帧检测换来的只是显示效果更顺滑对检测结果本身没有实质影响。4.2 水质等级判定目标检测结果如何结合颜色分析很多新手做到“画出检测框”就停了但毕业设计要往前走一步把检测结果转换成可解释的水质等级。这一步是检测算法输出到业务判断的桥梁也是答辩时能讲出深度的部分。# water_quality.py — 水质等级判定逻辑 import cv2 import numpy as np def evaluate_water_grade(detections, original_frame): 根据检测结果与颜色统计给出水质等级 1-4。 等级越高代表污染越严重。 grade 1 main_categories [] # 污染权重映射不同类型目标对水质的危害程度不同 hazard_scores { bottle: 1, # 塑料瓶影响较轻 plastic_bag: 2, # 塑料袋可能缠绕水生生物 branch: 1, # 树枝属于自然物权重低 algae: 3, # 藻类聚集是富营养化信号 dead_fish: 4, # 死鱼是严重污染信号 } # 统计画面中每类目标的数量按权重累加污染分 if detections.boxes is not None: cls_ids detections.boxes.cls.to(int).tolist() category_count {} for cls_id in cls_ids: category_count[cls_id] category_count.get(cls_id, 0) 1 for cls_id, count in category_count.items(): cat_name detections.names[cls_id] main_categories.append(cat_name) grade hazard_scores.get(cat_name, 0) * count # 取画面中央区域做颜色统计避开岸边树木和建筑干扰 h, w, _ original_frame.shape roi original_frame[int(h * 0.3):int(h * 0.7), int(w * 0.1):int(w * 0.9)] # 转换到 HSV 空间色调对光照变化更不敏感 hsv cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # 绿色藻华HSV 色相 35-85 区间 green_mask cv2.inRange(hsv, (35, 40, 40), (85, 255, 255)) # 红褐色藻华/污水HSV 色相 0-10 区间 red_mask cv2.inRange(hsv, (0, 100, 100), (10, 255, 255)) # 计算色块面积占比归一化到 0-1 roi_area roi.shape[0] * roi.shape[1] * 255 green_ratio green_mask.sum() / roi_area red_ratio red_mask.sum() / roi_area # 水面出现大面积藻华时等级直接抬升 if green_ratio 0.25 or red_ratio 0.15: grade max(grade, 3) # 限制最高等级为 4 grade min(grade, 4) return grade, {green_ratio: green_ratio, red_ratio: red_ratio}, main_categories判级逻辑的思路是双重判断目标检测负责“找目标”给出污染源的类别和数量颜色分析负责“看整体”抓住目标检测可能漏掉的大面积藻华。污染分权重表是关键参数初始值可以按上表的比例设置但具体数值要根据实际场景调整。比如你所在地区的河道主要污染源是生活污水那塑料瓶的权重就要下调藻类权重上调否则等级会被零散漂浮物拉高。颜色判断里两个阈值值得注意。色调范围(35, 40, 40)到(85, 255, 255)是绿色藻华的常见区间但不同水质下藻类颜色会偏黄或偏蓝这个范围要拿真实数据微调。面积占比阈值0.25代表画面中央有超过四分之一区域呈现绿色这个值是我在多段河道视频上试出来的起点实际使用时可以画一条随帧率变化的曲线来决定比定死的阈值更可靠。4.3 可视化输出检测框、等级标签和结果存档判级逻辑输出之后最后一步是让结果可视化。常见做法是直接在画面上叠加检测框用绿色表示低风险目标、红色表示高风险目标框的左上角标注类别和置信度水质等级显示在画面顶部同时用颜色区分等级 1 显示绿色等级 4 显示红色。这个设计看似简单答辩时很加分因为它直观表达了“系统能看见什么”和“系统怎么判断”两层信息。除了实时显示结果存档也是必做的。规范的存档方式是把每一帧的检测数据写入结构化的记录比如 CSV 或 SQLite。字段包括时间戳、目标类别、置信度、坐标、水质等级、绿色占比和红色占比。这样做的价值在于答辩时你能拉出一段时间的统计曲线证明系统不是只能看单张图而是能做趋势分析。这个点如果做成图往往会成为整个设计的亮点。5. 避坑记录从解压到推理的5个翻车问题这一章只讲踩过的坑每条按“现象 → 原因 → 解决”的路子来写都是实际调试中反复出现的高频问题。5.1 解压后文件乱码或项目内文件加载乱码现象从 zip 包解压出源码后代码文件里的中文注释全部变成乱码或者图片路径中的中文文件名无法被 OpenCV 读取。原因zip 包里文件名和文本文件的编码与当前操作系统默认编码不一致。Windows 简体中文环境默认使用 GBK 编码而很多源码文件是按 UTF-8 保存的。两者不一致时解压工具按系统编码去解码文件名就会显示为乱码。Python 的open()读取文件时默认编码也是跟随系统所以即使文件名正常文件内容也可能在读取时报UnicodeDecodeError。解决解压时用 7-Zip它比系统自带解压工具更擅长处理编码转换。代码层面所有读写文本的地方统一指定编码open(data.txt, r, encodingutf-8, errorsignore)。另外把项目路径里的中文文件夹名改成英文路径里带中文是 OpenCV 读取图片失败的常见原因之一能避免就避免。5.2 模型权重加载失败或加载后推理报错现象运行主程序时提示FileNotFoundError: models/best.pt或者模型能加载但推理时报维度不匹配的错误。原因路径问题通常是解压不完整zip 里的 models 目录没解压出来或者权重文件被杀毒软件隔离了。维度不匹配则更隐蔽常见于权重文件是用不同版本的框架训练出来的。比如用 YOLOv8 训练的权重你用 YOLOv5 的代码去加载模型结构对不上就会在 forward 阶段直接抛张量形状错误。解决先检查models/目录和权重文件是否存在文件大小是否合理一个正常的 YOLO 权重文件至少几十 MB如果只有几 KB说明文件不完整。框架版本问题则要看项目里requirements.txt锁定的版本严格按照那个版本建虚拟环境。如果 README 里写了权重对应的训练方式按说明重装对应版本的依赖不要用最新版框架强行加载旧权重。5.3 检测算法一换场景就失效漏检、误检同时出现现象给老师演示时用的是源码自带的测试视频检测效果还不错换成自己拍的河道视频后漂浮物大量漏检树枝落叶被当成塑料瓶。原因这是典型的过拟合或数据分布差异。源码自带的测试视频和训练数据的分布一致检测算法当然效果好但新场景的光照方向、水面颜色、摄像头角度都变了模型没见过这种分布特征提取就会出现偏移。另一个常见原因是类别名称映射错误源码里检测出来的类别 ID 对应的名称和你自己标注的类别顺序不一致。解决如果只是应付演示选择与训练数据相近的视频即可这个不说基本思路。但如果想让系统真正可用就要用新场景的数据做二次微调。收集 100 到 200 张新场景截图用原来的标注格式标注目标在预训练权重基础上把学习率调低到0.001训练 50 到 100 轮通常能把新场景的检测率拉回可用水平。数据混合训练时注意类别映射关系要保持一致这是最容易忽视的细节。5.4 视频流处理卡顿实时性达不到预期现象程序能跑但画面明显卡顿帧率只有个位数视频输出像幻灯片。原因三个瓶颈。第一全部用 CPU 推理YOLO 模型在 CPU 上单帧推理时间在 150 到 300 毫秒根本达不到实时。第二主循环里每一帧都做全图颜色统计HSV 转换和大面积像素遍历在 Python 层很慢。第三输出视频分辨率过高VideoWriter写入耗时超过了帧间隔。解决推理侧如果在 CUDA 环境把模型通过model.to(cuda)放到 GPU没有 GPU 就启用 ONNX 或 OpenVINO 导出格式推理速度能提升 2 到 5 倍。颜色统计从每一帧都跑改为每秒跑一次因为水色变化本来就是缓慢过程。输出视频分辨率保持与输入一致即可不要额外放大。还有一个容易忽略的点cv2.imshow的窗口渲染在高分辨率下也会拖慢整体帧率演示时用 1280x720 的窗口足够。5.5 Python 依赖冲突装完一个包另一个包报错现象安装 ultralytics 后再装 opencv-python 时报依赖冲突或者某次 pip 安装后 torch 直接无法导入。原因多数是版本约束没有对齐。深度学习相关的包对 numpy、opencv 的版本有明确要求例如某些 ultralytics 版本要求 numpy 低于 2.0但另一个包又自动拉到了 numpy 的最新版。pip 在安装新包时默认不会主动降级已有依赖导致版本互相矛盾。解决不要一股脑安装先看requirements.txt里有没有版本约束没有的话用兼容性较好的组合torch 2.xtorchvision 0.17.xnumpy 1.26.xopencv-python 4.9.x。安装过程用虚拟环境隔离保证全局 Python 不被污染。如果已经装乱了最快的办法是删掉虚拟环境重新建这比逐个降级依赖省时间。装好的依赖组合不要随意升级每个项目都记录一份可复用的依赖版本清单这是用时间换来的经验。6. 用 mAP 和可视化验证检测效果答辩前能做的两件事6.1 用 mAP、精确率和召回率给检测算法一个量化评价答辩时导师最常问的一句话是“你的检测算法效果到底怎么样”单靠演示视频远远不够要拿出量化指标。目标检测领域最通用的评价指标是 mAPmean Average Precision它综合了精确率和召回率两个维度能更准确地反映模型在不同置信度阈值下的综合表现。# evaluate.py — 用验证集评估检测指标 from ultralytics import YOLO # 加载训练好的模型 model YOLO(models/best.pt) # 在标注好的验证集上做评估 # split: val 表示用验证集iou: 0.5 是标准 mAP50 设定 metrics model.val( datadataset/data.yaml, splitval, iou0.5, imgsz640, conf0.25, devicecpu ) # 输出核心指标 print(mAP50:, metrics.box.map50) print(mAP50-95:, metrics.box.map) print(各类别精确率:, metrics.box.mp) print(各类别召回率:, metrics.box.mr)评估逻辑是让目标检测算法在验证集上逐张推理把检测框和标注框做 IoU 匹配计算精确率和召回率。map50是 IoU 阈值取 0.5 时的平均精确率毕业设计里主要报这个指标map50-95是更严格的标准会在 0.5 到 0.95 之间取多个 IoU 阈值取均值这个指标能在内容里深挖。通常河道漂浮物检测做到map50在 0.7 以上就是一个可展示的结果。如果指标偏低先拆解原因精确率低说明误检多是类别混淆或背景误检问题召回率低说明漏检多是目标过小或特征不明显问题。这两个数字能直接引导下一步优化方向而不是靠肉眼猜。6.2 可视化对比输出同一画面的检测前与检测后答辩演示最加分的动作是做一张对比图左边是原始河道画面右边是标注了检测框、水质等级和颜色占比的结果图。这比直接放视频更能让老师一眼看到检测算法的工作过程。具体做法是准备 4 到 6 张有代表性的检测结果图覆盖正常水面、单漂浮物、大面积藻华、多目标混合这四种情况。横着拼成对比图在图上方标注场景说明在下方标注检测等级和置信度。选图时要避免全是“完美识别”的结果放一两张漏检或误检的图反而更真实。解释为什么漏检时能讲出“目标过小、与背景对比度低、训练数据不足”这些原因说明你真正理解检测算法的边界这在答辩中比炫耀效果更讨喜。带过这类项目的都知道毕业设计比的不是检测准确率多高而是你对整体链路有没有掌控力。我这些年养成的习惯是每改一版参数就存一份结果图所有版本的效果对比留档。这些记录本身就是答辩时最能说明问题过程感的素材。关键是把“从不会到会、从效果差到效果可用”的路径完整保留下来让老师看到的不只是结果而是你的调试能力和工程习惯。希望这些经验能帮你把项目做好在答辩时从容应对。祝顺利。本文还有配套的精品资源点击获取