源发出物料，按MU编号的奇偶为增添特性color（两个值），特性color的值不同，MU的图标也不同，在同一工位的处理时间分别为35s和45s，最终通过分流，把两种特性的MU分类。请设计模型实现上述功能，必要步骤请截图详细说明

为了实现这个功能，我们可以使用Python编程语言以及数据结构来构建一个简单的流程模型。以下是步骤概述：

1. **创建数据结构**:
- 创建一个字典或者类来表示每个MU（物料单元），包含MU编号（编号、奇偶性）、颜色（color）、处理时间和图标（icon）等属性。

class MU:
    def __init__(self, mu_num, color_id, processing_time):
        self.mu_num = mu_num
        self.color_id = color_id
        self.icon = get_icon_by_color(color_id)  # 假设get_icon_by_color是一个函数，返回对应颜色的图标
        self.processing_time = processing_time

# 假设有一个列表存放所有MU实例
mus = [MU(num, 'odd', 35), MU(num, 'even', 45) for num in range(1, N)]

2. **分类处理**:
- 使用列表推导式根据MU编号的奇偶性（color_id）将其分为两组，然后分别计算总处理时间。

even_mus = [mu for mu in mus if mu.color_id == 'even']
odd_mus = [mu for mu in mus if mu.color_id == 'odd']

total_even_time = sum(mu.processing_time for mu in even_mus)
total_odd_time = sum(mu.processing_time for mu in odd_mus)

# 分流部分可以进一步细化，比如分配到不同的生产线或队列

3. **屏幕展示或记录**:
- 可能需要将结果可视化，例如打印信息、生成报告或显示图表，可以使用matplotlib等库。这一步通常不会直接截图，但可以在文本终端或者GUI界面上显示结果。

print(f"偶数编号MU处理总时间：{total_even_time}秒")
print(f"奇数编号MU处理总时间：{total_odd_time}秒")

# 或者使用库如Pandas创建数据框并保存
import pandas as pd
df = pd.DataFrame(mus, columns=['MU编号', '颜色', '处理时间'])
df.to_csv('mu_data.csv', index=False)

**注意**：由于这是一个文字描述的过程，没有实际的截图。实际操作中，你可能需要编写对应的函数或模块来获取图标（这里假设已存在），并且图形化界面可能会涉及到UI库如Tkinter或Kivy。