weixin_42384238的博客

本软件实现了拉取实时相机图像的功能，并在拉取图像的同时结合yolo监测进行数据清洗和过滤，大量减少了人工手动去截取图像以及进行图像筛选的成本。（7）填写过滤条件相似度，如果两帧图片相似度大于阈值就过滤掉不保存，继续下一帧图像的截取。（8）选则过滤条件，图像中某个类型的数量大于填写阈值才进行图像保存。（10）拉取图像成功，进行一步的图像的自动标注以及后续的引擎训练。（4）填写拉取的相机IP地址、用户名、密码，进行rtsp拉流。（3）填写相机标识，拉取的图像保存的名称前缀会包含相机标识。

具体功能主要包含可以批量部署、批量启动、批量收集监控结果、监控数据自动计算、监控结果数据自动生成资源趋势图、根据测试场景自动生成执行日志以及可以根据需要同时监控系统资源和进程资源，java应用可以同时监控GC情况等；在单台机器上启动资源监控执行sh ./batch_start_byId.sh 脚本，根据脚本提示，逐步输入测试场景名称，采集频率、监控时长，详细含义见下图。启动资源监控，本监控脚本启动资源监控分两种情况，一种是在单台机器上启动资源监控，另外一种是多台机器同时启动资源监控下面分别介绍；

指标的计算方式是限定一段时间内用正确识别到的每一类交通事件的数量除以所有检测到的结果数值的百分比，分别得到每一类事件的准确率。例如，如果有5个事件，它们的事件准确率分别是80%、90%、70%、85%和75%，然后不同事件设置不同的权重，那么事件平均准确率就是这5个准确率的加权平均值。方差的平方根即为标准差。指标的计算方式是限定一段时间内用检测到的交通事件的数量除以所有被检测的交通事件的数量的百分比。事件平均检测速度指标的计算方式是限定一段时间内用检测到的交通事件的速度之和除以检测到的所有交通事件数量。

2、交通参与者参数检测精度测试指的是在自动驾驶系统中，测试人员对自动驾驶系统在路侧环境中检测交通参与者参数（如速度、方向等）的精度的度量。指标的计算方式是在一定时间范围内实际行驶的轨迹与预定轨迹相似的次数除以总体的行驶次数的占比。（2）设置路侧交通参与者类识别精度的测试，交通参与者参数检测精度的测试，轨迹跟踪能力的测试这三大类的权重分别是4：4：2。（1）主要是分为三部分，一部分是路侧交通参与者类型识别精度测试，一部分是路侧交通参与者检测精度的测试，一部分是轨迹跟踪能力的测试。

指标计算方式是设定有效感知范围，获取整体感知范围面积A，获取一定时间内所有满足定位误差的机动车点位所形成的面积B，按照B/A*100%的方式获取得到感知覆盖率。（2）能够将基础性能测试分析结果进行管理，并做整体的统计分析，以及性能指标的一些趋势来进一步做管理和自动分析出整体性能的测试结果，更加清晰、直观，并有合理化的管理，大量减少了人力去整合数据，分析数据的成本。然后拿一个指标感知覆盖率举例。（1）主要是分为三部分，一部分是路侧感知能力的覆盖测试，一部分是路侧感知时延的测试，一部分是路侧感知频率的测试。

调用FTP连接图像管理平台，连接图片存储路径，获取图像进行屏幕截图，调用opencv处理图像，图像灰度处理，之后将从平台获取的图片也进行灰度处理，然后两者进行模糊匹配，如果超过设置阈值，则匹配成功，并绘制矩形于截图的屏幕图片上标出识别目标。（2）通过可视化的方式管理图像集，一是能够直观的去观测出整体图像的缩略图，而不需要去挨个去打开进行查看，且能够进行可视化的进行管理，能够去拆分不同的产品，不同的模块，能够快速对图像进行检索，以及图像的管理，增删改查等。（3）断言判断主要分为两种，全图对比和区域元素检测。

（2）能够将性能测试分析结果进行管理，并做整体的统计分析，比如达到限定性能指标需求的一个整体通过率，以及性能指标的一些趋势来进一步做管理和自动分析出整体性能的测试结果，更加清晰、直观，并有合理化的管理，大量减少了人力去整合数据，分析数据的成本。（1）设定基础性能指标评分标准，设置指标占用权重标准，如下设定TBT权重30%，FP权重10%，FCP权重10%，LCP权重百分之25%，CLS权重百分之25%。（3）进行结果提取，按照时间维度，日、周、月进行单指标、以及全部指标加权平均分数分析。

一般5开头的为紧急异常，4开头的是严重错误。（2）解决了无法通过定期执行发现问题的及时性，通过本发明能够及时的监控在线API接口的情况，并且在接口出现异常的时候能够进行及时的预警，通知到相关的人员进行问题的排查以及修复。（1）能够直接监控线上的API接口，接口的覆盖程度更全面，不像通过定期的执行接口测试脚本，考虑到在线环境的数据问题，不能覆盖完全。（3）能够对在线API接口进行整体监控、分析，包括整体的接口稳定性趋势、接口的统计报表、错误率等相关监测指标数据。响应码异常、响应码正常断言异常。

分析出最合适的qps，随着并发用户数的增加，平均响应时间也在增加，而且平均响应时间的增加是一个指数增加曲线，当并发数增加到很大的时候，每秒都会有很多请求需要处理，会造成进程(线程)频繁的切换，而对应的qps不会在持续增长，而会在一段时间之后一般是平稳或者是下降的。（2）能够将性能测试分析结果进行管理，并做整体的统计分析，比如达到限定性能指标需求的一个整体通过率，以及性能指标的一些趋势来进一步做管理和自动分析出整体性能的测试结果，更加清晰、直观，并有合理化的管理，大量减少了人力去整合数据，分析数据的成本。

自动化分析判定左右两边的不同路径分支从而自动化的进行路径组合，如图1从a出发，会有a-b和a-c两种情况，然后从语块1之后又会有d和e两种，自动组合后就会生成a-b-d-f，a-b-e-f，a-c-d-f，a-c-e-f四种组合，然后通过组合模拟相应的模拟数据生成对应的测试用例，如图3所示。C1分别有x>0和x<0两种情况，C2分别有y>0和y<0两种情况，C3分别有magic<0和magic>0两种情况，之后将三种组合条件进行组合，然后生成模拟测试数据并生成测试用例。（3）x>0条件，记作C1。

字符串 空字符串、非空字符串、包含特殊字符的字符串、包含数字的字符串、包含字母的字符串、包含大写字母的字符串、包含小写字母的字符串、包含空格的字符串、包含标点符号的字符串。（4）结合边界值方法，结合excel参数长度、参数值、是否必填、参数名称，找到区间min，max的值。（1）结合了多种黑盒测试方法自动生成功能测试用例，大量节省了人工手动编写用例场景的资源成本，且能够自动的根据用例场景进行测试数据的模拟。（2）准备excel文件数据，定义正确的参数范围、类型、是否必填，如下。

（万级别以下）将训练集、验证集、测试集划分为6：2：2；若是数据很大，可以将训练集、验证集、测试集划分为8：1：1（2）模型训练验证部分val.py主要是train.py每一轮训练结束后，用val.py去验证当前模型的mAP、混淆矩阵等指标以及各个超参数是否是最佳，不是最佳的话就去修改train.py里面的结构，再用detect.py去泛化使用train.py：模型训练。读取数据集，加载模型并训练val.py：模型验证。获取当前数据集上的最佳验证结果detect.py：模型推理。

淘宝链接：https://h5.m.taobao.com/awp/core/detail.htm?1为文件输出log 2为控制台输出log 3 文件及控制台均输出log。多协议请求公用方法封装,包括(http,dubbo,webservice,websocket等)生成脚本工具，包括根据excel,postman,yapi等生成单接口，流程公用模版。infos：产品本身的一些包版本配置，机器配置，数据库等连接信息等。inform：邮件，飞书，钉钉等自身产品通知配置。执行文件（多种执行方式，单文件以及并行）

解析测试计划：包括调用ngrinder的api来启动测试场景，循环检查场景启动结果，启动start_monitor监控，定时检查执行脚本，场景执行完发送测试报告至飞书，以及生成在线测试报告。（2）解析监控结果生成html文件，解析主机数据，进程数据。jc数据，主机趋势图，进程趋势图，gc趋势图，如果没有的都标成。获取所有解析监控结果生成json文件monitorResultJson.json，调用2，将json文件生成html。自动化测试脚本路径，执行测试计划，测试报告名称，执行人，测试环境等。

UI自动化测试工程，基于图像识别和文字识别

推荐通用信息部分，统一写在配置中，比如 Content-Type，不需要每个接口单独写。选择配置后，接口请求地址会自动带入，配置中的相关参数也可以在接口中使用起来。YAPI 相关先不用填写，后面导入接口会用到，详见接口管理->导入接口。左侧显示不同分组的接口，点击拖动接口到右侧区域，按顺序组成用例步骤。如果填写完整的接口请求地址，可以不选择配置，也能发送成功。整个项目要使用的变量，可以放到此处，如手机号、商品信息等。接口统一需要用到的变量，可以放到此处，如登录账号、密码。普通用户，编辑按钮灰色，无法点击。

（4）点击单图片目标检测按钮即可进行图像检测并绘制检测框至图像上。（4）点击数据集目标检测按钮即可进行图像检测并绘制检测框至图像上。（4）点击离线视频检测按钮即可进行视频检测并绘制检测框至图像上。（1）选择检测相机类型枪机或者鱼眼图片。（1）选择检测相机类型枪机或者鱼眼图片。（1）选择检测相机类型枪机或者鱼眼图片。（1）选择检测相机类型枪机或者鱼眼图片。（3）选择检测的离线视频。（2）选择加载检测模型。（2）选择加载检测模型。（2）选择加载检测模型。（3）选择检测的数据集。（2）选择加载检测模型。

本软件实现了针对fancelog、tracklog、radarlog、camlog进行可视化数据分析，针对于不同性能指标计算后生成对应的分析结果，展示相应的详细分析数据以及异常数据，大量减少了人工手动去分析数据的成本。点击对应ID下面或者对比轨迹图的链接，进入相应的轨迹图页面，悬停展示具体时间点的相应数据信息。对于整体的融合数据根据阈值范围做整体计算分析，展示是否在阈值期间以及具体对应的值。主要展示日志数据中相对应的融合、相机、雷达ID对应列表，以更快的进行数据定位。

自动驾驶相机标定精度分析测试工具

事件检测模块下设二级菜单“事件管理”、“规则配置”、“事件记录”、“参数配置”围栏管理和子事件启停按钮和事件的启停只有在事件配置初始化是成功状态的才可点击。（这块需要做定时任务更新状态列表数据）（2）导入设备导入设备界面只显示类型为mec和雷视一体机类型的设备，不在线的设备ip是置灰状态的。导入的时候会做扫描，扫描具体事件配置文件是否是存在的(evt_conf.json文件)。如果文件存在，查看文件中EventStart参数，是true，则事件是开启的，否则是关闭的，“事件配置初始化”是成功。

设备监控平台

绘制围栏工具

动态轨迹回放工具

棋盘格标定软件

相机标定软件(基于透视变化)

运维部署管理平台

根据录制数据的导入，点位围栏的导入，进行参数配置后运行生成动态轨迹。生成后的轨迹可进行全屏展示以及下载后单独查看。动态轨迹展示部分包括播放、暂停、继续、清除、测量距离、以及导入具体高精地图等功能。能够更加直观的显示出异常轨迹的问题，类似于航向角异常，类型跳变，飞车，倒退等很难直接从数据上看出的问题，大量提升了相应的测试效率。

包含项目管理、配置管理、计划管理以及测试报告管理功能。项目管理用来管理整体测试项目场景。配置管理用来管理所有场景下的阈值参数。测试计划管理用来管理整体测试任务。测试报告管理用来管理整体测试输出的报告结果。将项目、配置、计划和报告加以关联，通过平台化的方式实现数据质量检测的目的，达到自动化数据分析，大量提升人力手动分析数据的时间，并以平台化的方式更加直观通用，可维护性更高