搜索到
179
篇与
的结果
-
图像识别模型训练 | 苹果花识别(unet 像素级识别)Apple/Strawflower 分割训练全流程（Windows 版） Apple/Strawflower 分割训练全流程（Windows 版）一、项目概述数据集使用：https://agdatacommons.nal.usda.gov/articles/dataset/Data_from_Multi-species_fruit_flower_detection_using_a_refined_semantic_segmentation_network/24852636上框资源中的 AppleA目标：利用 USDA 公开数据集，训练一个像素级「花/背景」二分类分割模型数据：174 张 2K 分辨率图像 + 130 张单通道掩码（255=花，0=背景） 2k 分辨率原图单通道掩码方案：U-Net + ResNet34 预训练，Windows 本地 GPU/CPU 均可跑通语言：Python ≥3.8，PyTorch ≥1.12二、目录结构flower_seg/ ├─ data/ │ ├─ images/ IMG_0248.JPG … │ └─ masks/ 248.png … ├─ checkpoints/ best.pth ├─ train.py # 一站式训练脚本 └─ README.md # 本文档三、快速开始下载数据集并放到对应文件夹数据集下载地址：https://agdatacommons.nal.usda.gov/articles/dataset/Data_from_Multi-species_fruit_flower_detection_using_a_refined_semantic_segmentation_network/24852636上框资源中的 AppleA创建环境conda create -n unet conda activate unet pip install torch torchvision segmentation-models-pytorch albumentations tqdm训练cd flower_seg python train.py推理见「六、推理示例」四、核心踩坑与解决问题报错提示解决Win 多进程RuntimeError: ...spawn...把训练代码包进 main() + if __name__ == '__main__':；num_workers=0通道检查失败...shape consistency...is_check_shapes=FalseRandomCrop 越界Values for crop should be non negative...改用 A.Resize(512,512) 或先 PadIfNeededIoU 指标移除no attribute 'utils'手动计算：(inter+1e-7)/(union+1e-7)五、训练脚本（train.py）# -*- coding: utf-8 -*- import os, glob, random, cv2, torch import segmentation_models_pytorch as smp from torch.utils.data import Dataset, DataLoader import albumentations as A from albumentations.pytorch import ToTensorV2 from tqdm import tqdm # ---------- 参数 ---------- DATA_DIR = r'data' IMAGE_DIR = os.path.join(DATA_DIR, 'images') MASK_DIR = os.path.join(DATA_DIR, 'masks') CHECK_DIR = r'checkpoints' os.makedirs(CHECK_DIR, exist_ok=True) DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu') BATCH_SIZE = 2 EPOCHS = 60 LR = 1e-3 IMG_SIZE = 512 # ---------- 数据集 ---------- class FlowerDS(Dataset): def __init__(self, img_paths, mask_paths, transform=None): self.imgs, self.masks, self.tf = img_paths, mask_paths, transform def __len__(self): return len(self.imgs) def __getitem__(self, idx): img = cv2.cvtColor(cv2.imread(self.imgs[idx]), cv2.COLOR_BGR2RGB) mask = cv2.imread(self.masks[idx], cv2.IMREAD_GRAYSCALE) if self.tf: res = self.tf(image=img, mask=mask) img, mask = res['image'], res['mask'] return img, (mask > 127).long() def get_paths(): img_ext = ('*.jpg', '*.png', '*.JPG', '*.PNG') imgs_ok, masks_ok = [], [] for ext in img_ext: for img_p in glob.glob(os.path.join(IMAGE_DIR, ext)): name = os.path.basename(img_p) number = name.split('.')[0].split('_')[-1] mask_cand = glob.glob(os.path.join(MASK_DIR, f'{int(number)}.*')) if mask_cand: imgs_ok.append(img_p) masks_ok.append(mask_cand[0]) else: print(f'[Skip] missing mask -> {name}') return sorted(imgs_ok), sorted(masks_ok) # ---------- 增强 ---------- tf_train = A.Compose([ A.Resize(IMG_SIZE, IMG_SIZE), A.HorizontalFlip(p=0.5), A.RandomRotate90(), A.ColorJitter(0.1, 0.1, 0.1, 0.05), A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)), ToTensorV2() ], is_check_shapes=False) tf_val = A.Compose([ A.Resize(IMG_SIZE, IMG_SIZE), A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)), ToTensorV2() ], is_check_shapes=False) # ---------- 训练 / 验证 ---------- def train_one_epoch(model, loader, loss_fn, optimizer, device, epoch): model.train() running_loss = 0. pbar = tqdm(loader, desc=f'Epoch {epoch}') for x, y in pbar: x, y = x.to(device), y.to(device).unsqueeze(1).float() pred = model(x) loss = loss_fn(pred, y) optimizer.zero_grad(); loss.backward(); optimizer.step() running_loss += loss.item() pbar.set_postfix(loss=loss.item()) return running_loss / len(loader) @torch.no_grad() def validate(model, loader, loss_fn, device): model.eval() iou_sum = 0. for x, y in loader: x, y = x.to(device), y.to(device).unsqueeze(1).float() pred = torch.sigmoid(model(x)) > 0.5 inter = (pred & y.bool()).sum() union = (pred | y.bool()).sum() iou_sum += (inter / (union + 1e-7)).item() return iou_sum / len(loader) # ---------- main ---------- def main(): all_imgs, all_masks = get_paths() if len(all_imgs) == 0: print('No valid pairs!'); return paired = list(zip(all_imgs, all_masks)) random.seed(42); random.shuffle(paired) split = int(0.8 * len(paired)) train_img, train_msk = zip(*paired[:split]) val_img, val_msk = zip(*paired[split:]) train_ds = FlowerDS(train_img, train_msk, tf_train) val_ds = FlowerDS(val_img, val_msk, tf_val) train_dl = DataLoader(train_ds, batch_size=BATCH_SIZE, shuffle=True, num_workers=0, pin_memory=False) val_dl = DataLoader(val_ds, batch_size=BATCH_SIZE, shuffle=False, num_workers=0, pin_memory=False) model = smp.Unet('resnet34', encoder_weights='imagenet', classes=1, activation=None).to(device) loss_fn = smp.losses.DiceLoss('binary') optimizer = torch.optim.Adam(model.parameters(), lr=LR) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=EPOCHS) best_iou = 0.0 for epoch in range(1, EPOCHS + 1): train_loss = train_one_epoch(model, train_dl, loss_fn, optimizer, DEVICE, epoch) val_iou = validate(model, val_dl, loss_fn, DEVICE) scheduler.step() print(f'Epoch {epoch:02d} | train loss {train_loss:.4f} | val mIoU {val_iou:.4f}') if val_iou > best_iou: best_iou = val_iou torch.save(model.state_dict(), os.path.join(CHECK_DIR, 'best.pth')) print(' * best model saved') print('Training finished!') if __name__ == '__main__': main()六、推理示例import cv2, torch, albumentations as A from albumentations.pytorch import ToTensorV2 import segmentation_models_pytorch as smp device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = smp.Unet('resnet34', classes=1, activation=None).to(device) model.load_state_dict(torch.load(r'checkpoints\best.pth', map_location=device)) model.eval() tf = A.Compose([ A.Resize(512, 512), A.Normalize(mean=(0.485,0.456,0.406), std=(0.229,0.224,0.225)), ToTensorV2() ]) img = cv2.cvtColor(cv2.imread('test.jpg'), cv2.COLOR_BGR2RGB) x = tf(image=img)['image'].unsqueeze(0).to(device) with torch.no_grad(): mask = (torch.sigmoid(model(x)) > 0.5).cpu().numpy().squeeze(0).transpose(1, 2, 0) cv2.imwrite('mask.png', mask * 255)七、性能参考（RTX-3060 12 G）阶段数值训练 60 epoch≈ 3.5 min最高验证 mIoU0.87512×512 推理35 fps八、后续优化数据：CutMix / Mosaic / 外采更多图模型：Mask2Former、SegFormer、EfficientNet-B3 backbone部署：TensorRT 量化、ONNXRuntime、OpenVINOHappy Training! 🌼未完待续... -
-
2 2025年河南省工业和信息化技术技能大赛——碳排放管理员职业技能竞赛实操试卷（二）（含答案）一、试卷基本信息满分：100分考试时间：90分钟项目背景：已知某工业生产厂A，需根据参考资料中的信息和数据，在“AIOT能碳数智管理平台”创建碳排放计算项目，完成碳排放计算及分析并作答。2024年1月、2月、3月生产总值分别为3150万元、4200万元、3300万元，其中，净碳排放量=碳排放总量-碳减排总量。二、基础数据信息（一）碳排放源数据计算周期计算内容名称单位消耗量2024年1月固定燃烧型煤t712562024年1月固定燃烧煤油t1872024年2月固定燃烧型煤t762502024年2月固定燃烧煤油t2112024年3月固定燃烧型煤t711502024年3月固定燃烧煤油t184.52024年1月生产排放CaCO₃脱硫过程碳排放t239552024年1月生产排放草酸分解碳排放t316202024年2月生产排放CaCO₃脱硫过程碳排放t284502024年2月生产排放草酸分解碳排放t389002024年3月生产排放CaCO₃脱硫过程碳排放t213602024年3月生产排放草酸分解碳排放t451602024年1月电厂总电量10⁴kWh11882024年1月水厂总水量t1050002024年2月电厂总电量10⁴kWh13262024年2月水厂总水量t1116002024年3月电厂总电量10⁴kWh13642024年3月水厂总水量t117400（二）碳汇土地利用（耕地）数据计算周期计算内容名称单位面积2024年1月碳汇土地利用小麦hm²514002024年2月碳汇土地利用小麦hm²514002024年3月碳汇土地利用小麦hm²51400（三）企业B生产线数据型煤消耗量（吨）生产线消耗量1#生产线262412#生产线26185生产过程消耗（吨）生产线类型数值1#生产线纯碱分解129532#生产线纯碱分解141691#生产线菱镁石MgCO₃消耗11322#生产线菱镁石MgCO₃消耗2108电力消耗（10⁴kWh）生产线数值1#生产线141822#生产线16499（四）碳排放因子表类型排放因子（数值）单位原煤1.9003tCO₂e/t洗精煤2.4044tCO₂e/t型煤2.3183tCO₂e/t焦炭2.8604tCO₂e/t原油3.0202tCO₂e/t汽油2.9251tCO₂e/t柴油3.0959tCO₂e/t纯碱分解0.4110tCO₂e/t石灰石分解0.4050tCO₂e/t白云石分解0.4680tCO₂e/t草酸分解0.3480tCO₂e/t菱镁石MgCO₃消耗0.5120tCO₂e/t电力（河南省郑州市）6.3690tCO₂e/10⁴kWh三、题目及答案（一）项目建立（共5分，每空1分）题目企业概况：某工业生产厂A，位于河南省郑州市，属于制造行业，现需完成“2024年碳排放计算及分析”项目（主项目）。请在“AIOT能碳数智管理平台”创建对应项目并完成计算，根据创建信息完成作答。项目名称：________地理位置：________行业信息：________统计时间：________电网选择：________答案项目名称：2024年碳排放计算及分析地理位置：河南省行业信息：制造业统计时间：2024年电网选择：华中区域（二）碳排放核算（10分，每题5分）题目请根据企业B生产线相关资料自行进行下列碳排放核算，数值保留小数点后1位：计算出1#生产线与2#生产线本年在消耗型煤方面累计产生的碳排放。计算出2#生产线本年在各方面（型煤消耗、纯碱分解、菱镁石MgCO₃消耗、电力消耗）累计产生的碳排放。答案型煤消耗累计碳排放： ((26241 + 26185)×2.3183 = 121539.2)（tCO₂e）2#生产线各方面累计碳排放： (26185×2.3183 + 14169×0.4110 + 2108×0.5120 + 16499×6.3690 = 172689.6)（tCO₂e）（三）碳排放源全面梳理及核算（共60分，每空4分）题目根据IPCC《国家温室气体清单指南》及中国《企业温室气体排放核算与报告指南(发电设施)》，结合工业生产厂A碳排放源数据，完成以下表格填写，数值保留小数点后1位。计算周期计算范围单位范围碳排放(减排)总量2024年1月范围一直接碳排放tCO₂e 2024年1月范围二间接碳排放tCO₂e 2024年1月范围三价值链间接碳排放tCO₂e 2024年1月范围四碳抵消tCO₂e 2024年1月范围五碳汇tCO₂e 2024年2月范围一直接碳排放tCO₂e 2024年2月范围二间接碳排放tCO₂e 2024年2月范围三价值链间接碳排放tCO₂e 2024年2月范围四碳抵消tCO₂e 2024年2月范围五碳汇tCO₂e 2024年3月范围一直接碳排放tCO₂e 2024年3月范围二间接碳排放tCO₂e 2024年3月范围三价值链间接碳排放tCO₂e 2024年3月范围四碳抵消tCO₂e 2024年3月范围五碳汇tCO₂e 答案计算周期计算范围单位范围碳排放(减排)总量2024年1月范围一直接碳排放tCO₂e187303.92024年1月范围二间接碳排放tCO₂e7661.92024年1月范围三价值链间接碳排放tCO₂e02024年1月范围四碳抵消tCO₂e02024年1月范围五碳汇tCO₂e14166.72024年2月范围一直接碳排放tCO₂e203465.52024年2月范围二间接碳排放tCO₂e8546.92024年2月范围三价值链间接碳排放tCO₂e02024年2月范围四碳抵消tCO₂e02024年2月范围五碳汇tCO₂e14166.72024年3月范围一直接碳排放tCO₂e190620.72024年3月范围二间接碳排放tCO₂e8794.22024年3月范围三价值链间接碳排放tCO₂e02024年3月范围四碳抵消tCO₂e02024年3月范围五碳汇tCO₂e14166.7（四）碳排放数据汇总（共9分，每空1分）题目根据第三部分工业生产厂A碳排放计算结果，完成以下表格填写，数值保留小数点后1位（单位均为tCO₂e）。计算周期数值类型数值2024年1月碳排放总量 2024年1月碳减排总量 2024年1月净碳排放量 2024年2月碳排放总量 2024年2月碳减排总量 2024年2月净碳排放量 2024年3月碳排放总量 2024年3月碳减排总量 2024年3月净碳排放量 答案计算周期数值类型单位数值2024年1月碳排放总量tCO₂e194965.82024年1月碳减排总量tCO₂e14166.72024年1月净碳排放量tCO₂e180799.12024年2月碳排放总量tCO₂e212012.42024年2月碳减排总量tCO₂e14166.72024年2月净碳排放量tCO₂e197845.72024年3月碳排放总量tCO₂e199414.92024年3月碳减排总量tCO₂e14166.72024年3月净碳排放量tCO₂e185248.2（五）碳排放核查（共12分，每空2分）题目经过核查对工业生产厂A部分碳排放源的消耗量进行调整（未调整的消耗量及碳汇土地利用相关数值保持不变），调整后数据如下：直接排放——燃料燃烧（核心排放源）计算周期计算内容名称单位消耗量2024年1月固定燃烧型煤t718752024年2月固定燃烧煤油t2322024年3月固定燃烧型煤t71669直接排放——生产排放计算周期计算内容名称单位消耗量2024年1月生产排放CaCO₃脱硫过程碳排放t248502024年2月生产排放草酸分解碳排放t395002024年3月生产排放草酸分解碳排放t45734购入电力间接排放计算周期计算内容名称单位消耗量2024年1月电厂总电量10⁴kWh12422024年2月电厂总电量10⁴kWh14282024年3月水厂总水量t118600请根据碳排放核查结果完成以下表格填写（单位：tCO₂e），数值保留小数点后1位。计算周期核查碳排放差值2024年1月 2024年2月 2024年3月 答案计算周期核查碳排放（tCO₂e）差值（tCO₂e）2024年1月182971.92172.82024年2月198767.8922.12024年3月186652.21404.0（六）碳足迹（共4分，每空1分）题目产品名称：产品W，各阶段碳排放数据来源如下：原材料获取阶段：取自工业生产厂A项目“2024年碳排放计算及分析”2024年1月原材料运输阶段：取自工业生产厂A项目“2024年碳排放计算及分析”2024年2月产品制造阶段：取自工业生产厂A项目“2024年碳排放计算及分析”2024年3月请根据提示信息，完成以下表格填写及产品总碳排放量计算，数值保留小数点后1位。阶段碳排放量表格产品阶段单位阶段碳排放量原材料获取阶段tCO₂e 原材料运输阶段tCO₂e 产品制造阶段tCO₂e 产品总碳排放量（kgCO₂e）：________答案阶段碳排放量表格产品阶段单位阶段碳排放量原材料获取阶段tCO₂e180799.1原材料运输阶段tCO₂e197845.7产品制造阶段tCO₂e185248.2产品总碳排放量（kgCO₂e）：563892999.3
-
1 2025年河南省工业和信息化技术技能大赛——碳排放管理员职业技能竞赛实操试卷（一）（含答案）一、试卷基本信息满分：100分考试时间：90分钟项目背景：已知某水泥生产厂A，需根据参考资料中的信息和数据，在“AIOT能碳数智管理平台”创建碳排放计算项目，完成碳排放计算及分析并作答。2024年1月、2月、3月生产总值分别为3150万元、4200万元、3300万元，其中，净碳排放量=碳排放总量—碳减排总量。二、基础数据信息（一）碳排放源数据计算周期计算内容名称单位消耗量2024年1月固定燃烧型煤t701582024年1月固定燃烧柴油t177.22024年2月固定燃烧型煤t723602024年2月固定燃烧柴油t2332024年3月固定燃烧型煤t716402024年3月固定燃烧柴油t178.52024年1月生产排放脱硫过程碳排放t248252024年1月生产排放MgCO₃脱硫过程碳排放t426302024年2月生产排放脱硫过程碳排放t262602024年2月生产排放MgCO₃脱硫过程碳排放t438002024年3月生产排放脱硫过程碳排放t214902024年3月生产排放MgCO₃脱硫过程碳排放t436402024年1月电厂总电量10⁴kWh119802024年1月水厂总水量t1241002024年2月电厂总电量10⁴kWh141002024年2月水厂总水量t1815002024年3月电厂总电量10⁴kWh126702024年3月水厂总水量t168500（二）碳汇土地利用（耕地）数据计算周期计算内容名称单位面积2024年1月碳汇土地利用小麦hm²516002024年2月碳汇土地利用小麦hm²516002024年3月碳汇土地利用小麦hm²51600（三）企业B生产线数据焦炭消耗量（吨）生产线消耗量1#生产线254212#生产线26622生产过程消耗（吨）生产线类型数值1#生产线纯碱分解118502#生产线纯碱分解135291#生产线白云石分解11422#生产线白云石分解2318电力消耗（10⁴kWh）：表格仅列出生产线，无具体数值。（四）碳排放因子表类型排放因子单位型煤2.3183tCO₂e/t焦炭2.8604tCO₂e/t原油3.0202tCO₂e/t汽油2.9251tCO₂e/t柴油3.0959tCO₂e/t纯碱分解0.4110tCO₂e/t石灰石分解0.4050tCO₂e/t白云石分解0.4680tCO₂e/t草酸分解0.3480tCO₂e/t菱镁石MgCO₃消耗0.5120tCO₂e/t电力(河南省郑州市)6.3690tCO₂e/10⁴kWh三、题目及答案（一）项目建立（共5分，每空1分）题目企业概况：某水泥生产厂A，位于河南省郑州市，属于制造行业，现需完成“2024年碳排放计算及分析”项目（主项目）。请在“AIOT能碳数智管理平台”创建对应项目并完成计算，根据创建信息完成作答。项目名称：________地理位置：________行业信息：________统计时间：________电网选择：________答案项目名称：2024年碳排放计算及分析地理位置：河南省行业信息：制造业统计时间：2024年电网选择：华中区域（二）碳排放核算（10分，每题5分）题目请根据企业B生产线相关资料自行进行下列碳排放核算，数值保留小数点后1位：计算出1#生产线与2#生产线本年在消耗焦炭方面累计产生的碳排放。计算出2#生产线本年在各方面累计产生的碳排放。答案焦炭消耗累计碳排放：((25421 + 26622)×2.8604 = 148863.8)（tCO₂e）2#生产线各方面累计碳排放：(26622×2.8604 + 13529×0.4110 + 2318×0.4680 + 14527×6.3690 = 175317.3)（tCO₂e）（三）碳排放源全面梳理及核算（共60分，每空4分）题目根据IPCC《国家温室气体清单指南》及中国《企业温室气体排放核算与报告指南(发电设施)》，结合水泥生产厂A碳排放源数据，完成以下表格填写，数值保留小数点后1位。计算周期计算范围单位范围碳排放(减排)总量2024年1月范围一直接碳排放tCO₂e 2024年1月范围二间接碳排放tCO₂e 2024年1月范围三价值链间接碳排放tCO₂e 2024年1月范围四碳抵消tCO₂e 2024年1月范围五碳汇tCO₂e 2024年2月范围一直接碳排放tCO₂e 2024年2月范围二间接碳排放tCO₂e 2024年2月范围三价值链间接碳排放tCO₂e 2024年2月范围四碳抵消tCO₂e 2024年2月范围五碳汇tCO₂e 2024年3月范围一直接碳排放tCO₂e 2024年3月范围二间接碳排放tCO₂e 2024年3月范围三价值链间接碳排放tCO₂e 2024年3月范围四碳抵消tCO₂e 2024年3月范围五碳汇tCO₂e 答案计算周期计算范围单位范围碳排放(减排)总量2024年1月范围一直接碳排放tCO₂e196371.72024年1月范围二间接碳排放tCO₂e76413.62024年1月范围三价值链间接碳排放tCO₂e02024年1月范围四碳抵消tCO₂e02024年1月范围五碳汇tCO₂e14221.82024年2月范围一直接碳排放tCO₂e202891.52024年2月范围二间接碳排放tCO₂e89968.12024年2月范围三价值链间接碳排放tCO₂e02024年2月范围四碳抵消tCO₂e02024年2月范围五碳汇tCO₂e14221.82024年3月范围一直接碳排放tCO₂e198871.32024年3月范围二间接碳排放tCO₂e80848.62024年3月范围三价值链间接碳排放tCO₂e02024年3月范围四碳抵消tCO₂e02024年3月范围五碳汇tCO₂e14221.8（四）碳排放数据汇总（共9分，每空1分）题目根据第三部分水泥生产厂A碳排放计算结果，完成以下表格填写，数值保留小数点后1位。计算周期数值类型单位数值2024年1月碳排放总量tCO₂e 2024年1月碳减排总量tCO₂e 2024年1月净碳排放量tCO₂e 2024年2月碳排放总量tCO₂e 2024年2月碳减排总量tCO₂e 2024年2月净碳排放量tCO₂e 2024年3月碳排放总量tCO₂e 2024年3月碳减排总量tCO₂e 2024年3月净碳排放量tCO₂e 答案计算周期数值类型单位数值2024年1月碳排放总量tCO₂e272785.32024年1月碳减排总量tCO₂e14221.82024年1月净碳排放量tCO₂e258563.52024年2月碳排放总量tCO₂e292859.62024年2月碳减排总量tCO₂e14221.82024年2月净碳排放量tCO₂e278637.82024年3月碳排放总量tCO₂e279719.92024年3月碳减排总量tCO₂e14221.82024年3月净碳排放量tCO₂e265498.1（五）碳排放核查（共12分，每空2分）题目经过核查对水泥生产厂A部分碳排放源的消耗量进行调整（未调整的消耗量及碳汇土地利用相关数值保持不变），调整后数据如下：直接排放——燃料燃烧（核心排放源）计算周期计算内容名称单位消耗量2024年1月固定燃烧型煤t711302024年2月固定燃烧柴油t2642024年3月固定燃烧型煤t72381直接排放——生产排放计算周期计算内容名称单位消耗量2024年1月生产排放CaCO₃脱硫过程碳排放t251302024年2月生产排放MgCO₃脱硫过程碳排放t437442024年3月生产排放MgCO₃脱硫过程碳排放t43410购入电力间接排放计算周期计算内容名称单位消耗量2024年1月电厂总电量10⁴kWh122402024年2月电厂总电量10⁴kWh147402024年3月水厂总水量t164000请根据碳排放核查结果完成以下表格填写（单位：tCO₂e），数值保留小数点后1位。计算周期核查碳排放差值2024年1月 2024年2月 2024年3月 答案计算周期核查碳排放差值2024年1月262607.04043.52024年2月282780.74192.42024年3月267091.81593.7（六）碳足迹（共4分，每空1分）题目产品名称：产品W，各阶段碳排放数据来源如下：原材料获取阶段：取自水泥厂A项目“2024年碳排放计算及分析”2024年1月原材料运输阶段：取自水泥厂A项目“2024年碳排放计算及分析”2024年2月产品制造阶段：取自水泥厂A项目“2024年碳排放计算及分析”2024年3月请根据提示信息，完成以下表格填写及产品总碳排放量计算，数值保留小数点后1位。阶段碳排放量表格产品阶段单位阶段碳排放量原材料获取阶段tCO₂e 原材料运输阶段tCO₂e 产品制造阶段tCO₂e 产品总碳排放量（kgCO₂e）：________答案阶段碳排放量表格产品阶段单位阶段碳排放量原材料获取阶段tCO₂e258563.5原材料运输阶段tCO₂e278637.8产品制造阶段tCO₂e265498.1产品总碳排放量（kgCO₂e）：802699308.7
-
Android Studio || 国内主流镜像仓库全局配置方案 Android Studio || 国内主流镜像仓库全局配置方案适用于 Gradle 7.x/8.x，整合阿里云、华为云、腾讯云等稳定镜像源，一键加速依赖下载。一、方案总览方案作用域推荐场景备注① settings.gradle 项目级单仓库团队协作、CI 统一随 Git 提交，开箱即用② init.gradle 用户级全局个人开发一次配置，所有项目生效③ gradle-wrapper.propertiesGradle 分发包首次打开项目解决“Downloading gradle-8.x-bin.zip”卡顿④ gradle.properties 代理级全局网络公司代理/镜像加速底层 HTTP(S) 代理二、方案一：项目级 settings.gradle（团队最常用）把下面内容直接贴到项目根目录的 settings.gradle即可，无需修改模块级 build.gradle。\原来内容pluginManagement { repositories { google() mavenCentral() gradlePluginPortal() } } dependencyResolutionManagement { repositoriesMode.set(RepositoriesMode.FAIL_ON_PROJECT_REPOS) repositories { google() mavenCentral() } } rootProject.name = "xxx" include ':app'pluginManagement { repositories { // 1. 阿里云系列（全量同步 MavenCentral、Google、Gradle Plugin） maven { url 'https://maven.aliyun.com/repository/public' } maven { url 'https://maven.aliyun.com/repository/google' } maven { url 'https://maven.aliyun.com/repository/gradle-plugin' } maven { url 'https://maven.aliyun.com/repository/central' } // 2. 华为云 maven { url 'https://repo.huaweicloud.com/repository/maven/' } // 3. 腾讯云 maven { url 'https://mirrors.cloud.tencent.com/nexus/repository/maven-public/' } // 4. 网易 maven { url 'https://mirrors.163.com/maven/repository/maven-public/' } // 5. 保底官方源（顺序放最后） mavenCentral() google() // AndroidX 必备 mavenCentral() gradlePluginPortal() } } dependencyResolutionManagement { repositoriesMode.set(RepositoriesMode.FAIL_ON_PROJECT_REPOS) repositories { // 与上面保持一致，可 copy 同一段 maven { url 'https://maven.aliyun.com/repository/public' } maven { url 'https://maven.aliyun.com/repository/google' } maven { url 'https://maven.aliyun.com/repository/central' } maven { url 'https://repo.huaweicloud.com/repository/maven/' } maven { url 'https://mirrors.cloud.tencent.com/nexus/repository/maven-public/' } maven { url 'https://mirrors.163.com/maven/repository/maven-public/' } google() mavenCentral() } } rootProject.name = "xxx" include ':app'顺序即优先级，最快的放最前；建议保留 google() 否则 AndroidX 可能缺失。三、方案二：用户级 init.gradle（个人电脑全局）路径 Windows：C:\Users\<电脑用户名称>\.gradle\init.gradle macOS/Linux：~/.gradle/init.gradleallprojects { repositories { // 先移除默认国外源 all { ArtifactRepository repo -> if (repo instanceof MavenArtifactRepository) { def url = repo.url.toString() if (url.contains('repo1.maven.org') || url.contains('jcenter.bintray.com') || url.contains('maven.google.com') || url.contains('plugins.gradle.org')) { remove repo } } } // 再按优先级添加国内镜像 maven { url 'https://maven.aliyun.com/repository/public' } maven { url 'https://maven.aliyun.com/repository/google' } maven { url 'https://maven.aliyun.com/repository/gradle-plugin' } maven { url 'https://repo.huaweicloud.com/repository/maven/' } maven { url 'https://mirrors.cloud.tencent.com/nexus/repository/maven-public/' } mavenCentral() google() } }保存后 重启 Gradle 守护进程：./gradlew --stop四、方案三：Gradle 分发包加速修改 gradle/wrapper/gradle-wrapper.properties：# 阿里云（推荐） distributionUrl=https\://mirrors.aliyun.com/gradle/gradle-8.5-bin.zip # 腾讯云 # distributionUrl=https\://mirrors.cloud.tencent.com/gradle/gradle-8.5-bin.zip # 华为云 # distributionUrl=https\://repo.huaweicloud.com/gradle/gradle-8.5-bin.zip仅影响 Gradle 本体 下载，不影响依赖。五、方案四：全局代理式镜像（备选）在 ~/.gradle/gradle.properties 追加：# 把整个 HTTP 流量转发到镜像（底层代理） systemProp.http.proxyHost=mirrors.aliyun.com systemProp.http.proxyPort=80 systemProp.https.proxyHost=mirrors.aliyun.com systemProp.https.proxyPort=80某些公司网络需要代理时可使用；不建议与前面的 init.gradle 混用，容易冲突。六、国内镜像地址速查表提供商地址覆盖范围阿里云公共https://maven.aliyun.com/repository/publicMavenCentral、JCenter阿里云 Googlehttps://maven.aliyun.com/repository/googleGoogle 仓库阿里云 Gradle 插件https://maven.aliyun.com/repository/gradle-pluginplugins.gradle.org华为云https://repo.huaweicloud.com/repository/maven/MavenCentral腾讯云https://mirrors.cloud.tencent.com/nexus/repository/maven-public/MavenCentral网易https://mirrors.163.com/maven/repository/maven-public/MavenCentral中科大https://mirrors.ustc.edu.cn/nexus/content/groups/public/MavenCentral七、最佳实践小结团队项目：直接用方案一，提交到 Git，新成员克隆即可。个人开发：方案二 init.gradle 最省事，一次配置，终身受益。多镜像组合使用，阿里云 → 华为云 → 腾讯云 → 官方源，容错+提速。务必保留 google()，否则 androidx.* 依赖会找不到。每隔 3-6 个月验证镜像是否同步最新版本；出现 Could not find 先换镜像顺序再排查。不同地区延迟不一样，ping 一下选最快：ping maven.aliyun.com ping repo.huaweicloud.com八、常见问题 FAQ现象解决配置后仍卡在“Download maven-metadata.xml”① ./gradlew --stop ② 删除 ~/.gradle/caches ③ 换镜像顺序Failed to resolve: androidx.xxx检查是否遗漏 google()依赖版本比官方低镜像同步延迟，把官方源放最后兜底即可九、一句话总结“项目级配置给团队，init.gradle 给自己，wrapper 加速装 Gradle，多镜像+官方兜底，顺序放对，缓存清掉，构建就能飞起！”现在复制粘贴，重新 Sync，享受秒级构建吧！
