想学习OpenCV进行图像处理的可以参考下，若需求里面的头文件联系：liuqingjie2@163.com
2023/3/11 18:22:57
39KB
1
单片机指纹识别系统的实现毕业设计(89s52单片机)毕业设计1 绪论21.1指纹识别的历史与发展前景21.2指纹识别中的基本概念与技术困难21.3系统总体设计方案和论文结构32 纹图像处理及特征提取与实现52.1方法概述52.2方向图的计算62.2.1求点方向图62.2.2由点方向图求块方向图的算法62.2.3最小均方估计块方向算法72.3指纹图像的滤波82.4基于方向图的动态阀值指纹图像二值化方法102.5指纹图像的细化算法122.6特征提取及其后处理142.6.1特征点的提取142.6.2假特征点的去除142.6.3.细节点信息的提取及记录152.6.4指纹识别中细节点的匹配163指纹识别系统的硬件设计183.1功能描述183.2系统硬件结构概述183.3 AT89S51单片机的结构与特点193.4指纹识别系统硬件电路设计203.5电源电路的设计213.6指纹采集器引见及工作方式223.7单片机和PC机的通讯功能234.指纹识别系统软件设计264.1算法的软件实现264.2指纹识别系统软件的编制264.3指纹传感器初始化设置274.4指纹识别系统串口通信284.4.189S51串行口工作方式284.4.2PC机主程序（函数）324.4.3单片机图像处理设计33致谢35参考文献36
2023/3/10 11:51:50
1.59MB
1
串口调试助手DELPHISPCOMMV1.1使用说明本版本由sky的1.0修改而成，本来只是用来学习SPCOMM控件的，想不到经过一个晚上的努力，程序已经近于完善了。
就将我的成果共享出来吧。
由于改用COMPORT控件为SPCOMM控件，整个代码已经经过大规模的改动，去除了Email等与程序应用不太相关的部分，改进了绝大部分算法，添加原未完成的功能，程序依然是参照龚建伟VC版《串口调试助手V2.2》来编写的。
我相信，现在的程序不比龚建伟VC版《串口调试助手V2.2》差，毕竟串口调试助手V2.2不能显示中文字符（或许只有我遇到这个问题）。
把它作为我串口调试的工具，这也是我能够坚持下去的原因之一。
在《串口调试助手V2.2》上增加的特性：1、自定义波特率。
波特率列表上选择"Custom",列表框将由只读变为可写，直接输入你想要的波特率；
当再选择其他内定的波特率时，列表框会恢复为只读的形态。
2、发送快捷键（ALT＋S），方便数据的发送。
注：1、自动清空的行数我定为50其中用到串口控件为SPCOMM，该控件为开源软件，各大网站均有下载。
使用平台：WIN9X/NT/2000/XP。
本软件目前仅供三线制（NONMODEM）串口调试之用。
作者：谢利洪Email:xiliho221@163.com2006.10.21
就将我的成果共享出来吧。
由于改用COMPORT控件为SPCOMM控件，整个代码已经经过大规模的改动，去除了Email等与程序应用不太相关的部分，改进了绝大部分算法，添加原未完成的功能，程序依然是参照龚建伟VC版《串口调试助手V2.2》来编写的。
我相信，现在的程序不比龚建伟VC版《串口调试助手V2.2》差，毕竟串口调试助手V2.2不能显示中文字符（或许只有我遇到这个问题）。
把它作为我串口调试的工具，这也是我能够坚持下去的原因之一。
在《串口调试助手V2.2》上增加的特性：1、自定义波特率。
波特率列表上选择"Custom",列表框将由只读变为可写，直接输入你想要的波特率；
当再选择其他内定的波特率时，列表框会恢复为只读的形态。
2、发送快捷键（ALT＋S），方便数据的发送。
注：1、自动清空的行数我定为50其中用到串口控件为SPCOMM，该控件为开源软件，各大网站均有下载。
使用平台：WIN9X/NT/2000/XP。
本软件目前仅供三线制（NONMODEM）串口调试之用。
作者：谢利洪Email:xiliho221@163.com2006.10.21
2023/3/9 0:56:50
301KB
1
加州理工大学PythonOpenGL教程，清楚简单，合适初学者，若有任何学术/技术上的以为，欢迎与我交流whitelok@163.com
2023/3/5 10:21:43
477KB
1
DesignandAnalysisofModernTrackingSystems书的目录，另外1,6,16章。
假如有其他章，也可以发一份给我。
ocno[at].163.comthx
假如有其他章，也可以发一份给我。
ocno[at].163.comthx
2023/2/18 23:16:26
40.63MB
1
本书版权属于原作者，本人只是从网络收集到本资源，如侵犯了您的权力，请通知本人删除，本人不承担任何侵权责任。
C的新标准（C11/14）引入了许多强大易用的新特性新功能，从语言层面深刻地改变了C的开发范式。
Boost程序库由C标准委员会部分成员所设立的Boost社区开发并维护，它构造精巧、跨平台、开源并且完全免费，被称为“C‘准’标准库”，已广泛应用在实际软件开发中。
Boost内容涵盖智能指针、文本处理、并发、模板元编程、预处理元编程等许多领域，其范围之广内涵之深甚至要超过C11/14标准，极大地增强了C的功能和表现力。
本书基于C++标准和Boost程序库1.60版，深入探讨了其中的许多特性和高级组件，包括迭代器、函数对象、容器、流处理以及C语言中最复杂*威力的模板元编程和预处理元编程，具有较强的实用性，可协助读者深层次地理解掌握现代C的高级技术和Boost的内部实现机制及用法。
全书内容丰富、结构合理、概念清晰、讲解细致，是广大C程序员和爱好者的必备好书。
目录第0章导读1第1章全新的C语言7第2章模板元编程简介45第3章类型特征萃取55第4章实用工具75第5章迭代器117第6章区间163第7章函数对象185第8章指针容器199第9章侵入式容器251第10章多索引容器295第11章流处理343第12章泛型编程395第13章模板元编程415第14章预处理元编程453第15章现代C开发浅谈463
C的新标准（C11/14）引入了许多强大易用的新特性新功能，从语言层面深刻地改变了C的开发范式。
Boost程序库由C标准委员会部分成员所设立的Boost社区开发并维护，它构造精巧、跨平台、开源并且完全免费，被称为“C‘准’标准库”，已广泛应用在实际软件开发中。
Boost内容涵盖智能指针、文本处理、并发、模板元编程、预处理元编程等许多领域，其范围之广内涵之深甚至要超过C11/14标准，极大地增强了C的功能和表现力。
本书基于C++标准和Boost程序库1.60版，深入探讨了其中的许多特性和高级组件，包括迭代器、函数对象、容器、流处理以及C语言中最复杂*威力的模板元编程和预处理元编程，具有较强的实用性，可协助读者深层次地理解掌握现代C的高级技术和Boost的内部实现机制及用法。
全书内容丰富、结构合理、概念清晰、讲解细致，是广大C程序员和爱好者的必备好书。
目录第0章导读1第1章全新的C语言7第2章模板元编程简介45第3章类型特征萃取55第4章实用工具75第5章迭代器117第6章区间163第7章函数对象185第8章指针容器199第9章侵入式容器251第10章多索引容器295第11章流处理343第12章泛型编程395第13章模板元编程415第14章预处理元编程453第15章现代C开发浅谈463
2023/2/16 15:50:44
65.66MB
1
摘要 IABSTRACT II目录 IV1前言 11.1课题背景 11.1.1办公自动化概述 11.1.2中小企业办公模式的现状 21.2研究意义 31.3设计技术及开发环境 51.3.1设计技术 51.3.2开发环境 72可行性分析 92.1组织和管理可行性 92.2经济可行性 92.3技术可行性 93需求分析 113.1现行业务分析 113.1.1业务流程 113.1.2功能分析 113.2系统建模 133.2.1用户身份验证用例图 133.2.2个人通讯录用例图 133.2.3职工信息管理用例图 143.2.4日程安排用例图 143.2.5日志管理用例图 153.2.6短消息管理用例图 153.2.7公告管理用例图 163.2.8文件管理用例图 163.2.9会议管理用例图 174系统设计 184.1系统设计 184.1.1用户身份验证模块流程图 194.1.2个人通讯录模块流程图 194.1.3职工信息管理模块流程图 214.1.4日程安排模块流程图 224.1.5工作日志模块流程图 234.1.6短消息管理模块流程图 244.1.7文件管理模块流程图 254.1.8公告管理模块流程图 264.1.9会议管理模块流程图 274.2数据库设计 294.2.1数据库概念设计 294.2.2数据库逻辑设计 315系统实现 355.1系统架构 355.1.1系统架构图 355.1.2程序结构图 365.2持久层Hibernate实现 375.2.1创建并配置Hibernate映射文件 375.2.2开发并配置HibernateDAO层 385.3控制层Struts实现 385.3.1开发Struts核心流程代码 385.3.2开发JSP页面原型 405.3.3增加表单校验功能 405.3.4调用DAO组件操作数据库 415.4业务层Spring实现 415.4.1数据源配置 425.4.2配置SessionFactory 435.4.3配置事务 435.4.4配置DAO组件 435.4.5配置DAO事务 436系统测试 446.1测试计划 446.2测试用例 446.2.1对身份验证功能进行测试 446.2.2对职工信息管理功能进行测试 456.3测试结果 467系统开发总结 478结束语 48参考文献 49致谢 50附录 51A次要源程序 51B用户手册 55B.1系统功能简介 55B.2系统的支持平台 56B.3安装说明 56B.4使用说明 59B.5系统维护方法 72C软件光盘 73C.1光盘的树形目录 73C.2光盘文件一览表 73D科技译文 74JavaLearningPathprocess 74JAVA学习过程 81
2023/2/13 15:13:47
1.11MB
1
VS2012开发cs图片裁剪拼接（左右排列）图片裁剪和图片拼接，左右排列。
使用鼠标裁剪后拼接的图片，是选取两个图片中的最大高度，两个图片的平均宽度进行拼接的。
资源address:http://download.csdn.net/detail/liuqiaoying_lqy/5718733在原有的图片裁剪、1×2拼接的基础上实现如下功能：剪切图片后，改变宽高为相框一样的宽高。
就不用考虑拼的图片宽高不一样。
1、实现2×2的图片拼接；
2、实现拼接原图（即拿来拼接的图片）拖拽至拼接相框，松开鼠标后，点击“拼接”按钮，实现图片拼接；
已经实现把需要拼的图片放一起了，就不用考虑点击拼接，直接点另存，在里面拼接和另存功能。
以下规划图片拼为一张图片图片1图片2图片3图片43*3、3*4、4*^等图片实现思路：把当前行的图片，拼一幅。
只剩下一列，把当前列的图片拼成一幅。
liuqiaoying80@163.com
使用鼠标裁剪后拼接的图片，是选取两个图片中的最大高度，两个图片的平均宽度进行拼接的。
资源address:http://download.csdn.net/detail/liuqiaoying_lqy/5718733在原有的图片裁剪、1×2拼接的基础上实现如下功能：剪切图片后，改变宽高为相框一样的宽高。
就不用考虑拼的图片宽高不一样。
1、实现2×2的图片拼接；
2、实现拼接原图（即拿来拼接的图片）拖拽至拼接相框，松开鼠标后，点击“拼接”按钮，实现图片拼接；
已经实现把需要拼的图片放一起了，就不用考虑点击拼接，直接点另存，在里面拼接和另存功能。
以下规划图片拼为一张图片图片1图片2图片3图片43*3、3*4、4*^等图片实现思路：把当前行的图片，拼一幅。
只剩下一列，把当前列的图片拼成一幅。
liuqiaoying80@163.com
2023/2/12 7:57:05
806KB
1
1、将解压出来的文件全部复制到c:\windows目录下，然后在桌面的屏幕属性屏幕保护程序而选择本程序即可2、MagicImages_Config.lua文件为本屏保程序的配置文件，采用Lua编写，通过修改此文件可自在定制模型显示效果或图片，图片只支持256*256大小位图文件格式（.bmp）3、支持鼠标、键盘光标改变视图与视角4、点击图片可放大缩小图片5、场内内置一个聚光灯，纯黑背景，故无阴影显示本程序无版本限制，可自在使用^_^作者：屈金元（offar@163.com）QQ：421137802
2023/2/11 11:09:08
808KB
1
文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
2023/2/8 18:37:14
3.39MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB