白盒测试

1.越浪量识别主要面向海岸与港航工程、沿海城市防灾、近海风电接岸、科研/高校水工实验等行业，在重点堤段实景越浪监测、汛期预警联动、工程加固前后对比评估、实验水槽数据自动化量化等场景进行应用；从而有效降低人工运维成本。实现低成本长时监测；由“看见越浪”升级为“量化越浪量（q）”，辅助运维与设计复核。 2.实现的方式如下： 采集&标定：双目相机接入/同步；棋盘格内外参标定；环境自检（遮挡/污渍/补光）。 越浪识别（分割）：海面/堤体/越浪区域语义分割；叠加掩膜、轮廓、置信度与帧率。 深度/高程融合：由现场 DEM 得到像素高程/距离，对齐到分割结果。 越浪量计算：越浪区域沿视线方向分段加权（透视修正）→ 单帧 q → 分钟/小时累计、峰值与持续时长。 阈值预警与联动：绝对阈值/移动平均/趋势触发。 可视化与报表：多点位总览、堤段热力、事件时间轴；CSV/Excel/PDF 导出。 模型迭代：周期性微调与基线评测；版本化上线与回滚。 运维：设备固件与参数台账、日志审计。

1.一份眼底照片的数据集（取自ODRI-5k），分为正常眼底和白内障眼底。 2.对数据集进行划分，使用TensorFlow训练两个网络resnet-18和mobilenet-v1分别训练两个模型。测试集上正确率分别达到95%。 3.本地部署一个基于neo4j数据库和医疗问答数据集的KGQA（知识图谱问答）项目。 4.使用Django构建一个本地网站，具备（人脸）注册/登录功能；上传眼底图像，后台对样本进行预测，页面显示诊断结果的功能；诊断结果在QA系统中进行查询， 给出医疗建议的功能；医疗问答页面功能，服务器根据用户输入的疾病相关问题，返回并显示相关答案，同时进行语音播报。

1.自动化测试：使用pytest框架编写测试脚本 2.批跑工具 3.压测：支持多线程 卷 Work 的文件夹 PATH 列表 卷序列号为 40EF-026D D:. │ main.py │ Readme.txt // 说明文档 │ test.py │ ├─API // 存放API接口的文件夹 │ │ merchantlayout.py // 商家布局API接口 │ │ v1_menu_parse.py // 菜单解析API接口 │ │ v1_vector_query.py // 向量查询API接口 │ │ __init__.py │ ├─batchtool // 历史不带ID的批跑工具，文件相同只执行参数不同，执行任一文件都可以 │ │ Copilot.py │ │ Copilot_Hunan.py │ │ Copilot_Peking.py │ │ __init__.py │ ├─batchtoolid // 历史带ID的批跑工具 │ │ CopilotBatch.py // time相同的批量执行脚本 │ │ CopilotBatchSingle.py // 单条语句请求的执行脚本 │ │ __init__.py │ │ │ └─Log // 存放日志的文件夹 │ ├─BusinessProcess │ │ filepath.py │ │ __init__.py │ │ │ ├─audiotest │ │ Recorder.py │ │ TTSAsr.py │ │ __init__.py │ ├─Conf │ │ env_config.py // 配置文件,支持配置环境及餐厅merchant_id │ │ __init__.py │ ├─Data // 需要处理的文件夹 │ ├─EvaluationSet // 存放评测集的文件夹 │ └─menujson // 存放菜单json的文件夹 │ ├─Log // 日志文件夹│ ├─MenuSet │ │ menuset.py │ │ __init__.py │ │ │ ├─menuexcel │ │ │ └─Test&CX │ hunan.xlsx │ hunanlast.xlsx │ SetContext.py │ __init__.py │ ├─TestCase │ │ menu_parse_import.py │ │ __init__.py └─Utils // 存放工具的文件夹 │ logger_setup.py │ __init__.py

网上公开的CRWU数据集，试用手写识别的卷积神经网络识别故障，因为收集的数据集是可以当作RGB三个通道的值来使用。采用Python语言编程，利用NumPy和Pandas等库进行数据处理，并使用TensorFlow和PyTorch等深度学习框架进行模型训练和预测。