测试用例生成平台通过大模型升级查询功能，生成智能测试用例

news2025/5/15 19:10:08

在测试工作中，查询功能是各类系统的核心模块，传统的测试用例编写往往耗时且重复。如何让老旧平台焕发新活力？本文将结合大模型技术，通过用户输入的字段信息，自动化生成高效、精准的测试用例。同时，我们还将介绍如何在 Django 框架中异步调用阿里云的 DeepSeek-R1 API，避免阻塞主线程，从而进一步提升系统性能。点击底部小卡片了解更多AI测试话题。

一、传统查询功能的痛点

在老旧平台中，查询功能面临以下问题：

  1. 测试用例编写耗时：每次需求变更后，测试用例需要手动更新，效率低下。
  2. 用例质量参差不齐：测试人员的理解差异导致用例覆盖率和场景设计不足。
  3. 缺乏智能化：无法根据用户输入的字段信息自动生成测试用例，适应动态变化的需求。

二、大模型驱动的查询功能升级

2.1 升级方案概述

通过将用户输入的字段名称、字段类型、字段值等信息传递给大模型，我们可以自动生成符合标准的测试用例。以下是升级的基本逻辑：

  1. 用户输入查询条件（字段名称、类型、值等）。
    在这里插入图片描述

  2. 系统将输入的信息封装为提示词（Prompt），并发送给大模型。
    在这里插入图片描述

  3. 大模型根据模板自动生成测试用例，包括查询步骤和预期结果。 真拿来即用！
    在这里插入图片描述

[
  {
    "title": "根据机构、类型、开始日期、结束日期组合查询",
    "steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在类型中选择当年；\n4.在开始日期输入2023-01-01；\n5.在结束日期输入2023-12-31；\n6.点击查询",
    "expect_results": "查询到湖北分公司当年且在2023-01-01至2023-12-31期间的数据",
    "priority": "P0"
  },
  {
    "title": "根据开始日期、结束日期组合查询",
    "steps": "1.进入页面；\n2.在开始日期输入2023-01-01；\n3.在结束日期输入2023-12-31；\n4.其他条件保持默认；\n5.点击查询",
    "expect_results": "查询到2023-01-01至2023-12-31期间的数据",
    "priority": "P0"
  },
  {
    "title": "根据机构、类型组合查询",
    "steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在类型中选择当年；\n4.其他条件保持默认；\n5.点击查询",
    "expect_results": "查询到湖北分公司当年的数据",
    "priority": "P1"
  },
  {
    "title": "根据机构、开始日期、结束日期组合查询",
    "steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.在开始日期输入2023-01-01；\n4.在结束日期输入2023-12-31；\n5.其他条件保持默认；\n6.点击查询",
    "expect_results": "查询到湖北分公司且在2023-01-01至2023-12-31期间的数据",
    "priority": "P1"
  },
  {
    "title": "根据类型、开始日期、结束日期组合查询",
    "steps": "1.进入页面；\n2.在类型中选择当年；\n3.在开始日期输入2023-01-01；\n4.在结束日期输入2023-12-31；\n5.其他条件保持默认；\n6.点击查询",
    "expect_results": "查询到当年且在2023-01-01至2023-12-31期间的数据",
    "priority": "P1"
  },
  {
    "title": "根据机构查询",
    "steps": "1.进入页面；\n2.在机构中选择湖北分公司；\n3.其他条件保持默认；\n4.点击查询",
    "expect_results": "查询到湖北分公司的所有数据",
    "priority": "P2"
  },
  {
    "title": "根据类型查询",
    "steps": "1.进入页面；\n2.在类型中选择当年；\n3.其他条件保持默认；\n4.点击查询",
    "expect_results": "查询到当年的所有数据",
    "priority": "P2"
  },
  {
    "title": "根据开始日期查询",
    "steps": "1.进入页面；\n2.在开始日期输入2023-01-01；\n3.其他条件保持默认；\n4.点击查询",
    "expect_results": "查询到开始日期大于等于2023-01-01的数据",
    "priority": "P3"
  },
  {
    "title": "根据结束日期查询",
    "steps": "1.进入页面；\n2.在结束日期输入2023-12-31；\n3.其他条件保持默认；\n4.点击查询",
    "expect_results": "查询到结束日期小于等于2023-12-31的数据",
    "priority": "P3"
  }
]

2.2 提示词逻辑设计

我们设计如下提示词模板：

prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'
          f'用例创建人为： {case_creator}；'
          f'查询结果比对方式为： {check_result_method}；'
          f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')

prompt += f'字段名称： {field_name}；字段类型: {field_type}；'

if enums:
    prompt += f'枚举值:{enums}；'
elif symbol_date:
    prompt += f'日期符号为：{symbol_date}；'
elif date_:
    prompt += f'日期为：{date_}；'
elif symbol_time:
    prompt += f'时间比较符号为：{symbol_time}；'
elif time_:
    prompt += f'时间选定的值为：{time_}；\n'

2.3 自动生成的测试用例示例

根据提示词生成的测试用例示例如下：

[
    {'title': '根据姓名查询'},
    {'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},
    {'expect_results': '查询到姓名的数据'},
]

通过这种方式，测试工程师只需输入字段信息，即可轻松生成高质量的测试用例，大幅提升工作效率。

三、实战演练：基于大模型升级查询功能

结合上述逻辑，我们对用户输入进行处理，并生成测试用例。以下是具体代码示例：

3.1 数据输入

用户输入字段信息：

project = "客户管理系统"
primary_module = "查询功能"
sub_module = "客户信息查询"
case_creator = "测试工程师A"
check_result_method = "数据匹配"
ui_case_needed = "是"

field_name = "姓名"
field_type = "字符串"
enums = None
symbol_date = None
date_ = None
symbol_time = None
time_ = None

3.2 提示词构建

根据输入信息构建提示词：

prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'
          f'用例创建人为： {case_creator}；'
          f'查询结果比对方式为： {check_result_method}；'
          f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')

prompt += f'字段名称： {field_name}；字段类型: {field_type}；'

3.3 调用大模型生成测试用例

通过大模型接口生成测试用例：

async def generate_cases(prompt_param):
    # 初始化OpenAI客户端
    client = OpenAI(
        # 如果没有配置环境变量，请用百炼API Key替换：api_key="sk-xxx"
        # api_key='sk-xxx',
        api_key='sk-xxx',  # todo 此处需更换
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
    )

    reasoning_content = ""  # 定义完整思考过程
    answer_content = ""  # 定义完整回复
    is_answering = False  # 判断是否结束思考过程并开始回复
    example = [
        {'title': '根据姓名查询'},
        {'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},
        {'expect_results': '查询到姓名的数据'},
    ]
    # 创建聊天完成请求
    completion = client.chat.completions.create(
        model="deepseek-r1",  # 此处以 deepseek-r1 为例，可按需更换模型名称
        messages=[
            {'role': 'user',
             'content': f'你是一名资深测工程师，根据这些字段组合{prompt_param}生成查询条件的组合，条件组合不能重复；输出列表形式的JSON，示例：{example}'}
        ],
        stream=True,
        # 解除以下注释会在最后一个chunk返回Token使用量
        # stream_options={
        #     "include_usage": True
        # }
    )

    print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")

    for chunk in completion:
        # 如果chunk.choices为空，则打印usage
        if not chunk.choices:
            print("\nUsage:")
            print(chunk.usage)
        else:
            delta = chunk.choices[0].delta
            # 打印思考过程
            if hasattr(delta, 'reasoning_content') and delta.reasoning_content != None:
                print(delta.reasoning_content, end='', flush=True)
                reasoning_content += delta.reasoning_content
            else:
                # 开始回复
                if delta.content != "" and not is_answering:
                    print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
                    is_answering = True
                # 打印回复过程
                print(delta.content, end='', flush=True)
                answer_content += delta.content
    return answer_content

四、Django 异步调用阿里云 DeepSeek-R1 API

为了在查询功能升级中提升性能，我们可以采用 Django 异步调用阿里云 DeepSeek-R1 API。以下是具体实现步骤：

4.1 安装依赖

pip install aiohttp

4.2 异步请求实现

通过 aiohttp 实现异步调用：

import aiohttp
import asyncio

async def generate_cases(prompt_param):
    # 初始化OpenAI客户端
    client = OpenAI(
        # 如果没有配置环境变量，请用百炼API Key替换：api_key="sk-xxx"
        # api_key='sk-xxx',
        api_key='sk-xxx',  # todo 此处需更换
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
    )

    reasoning_content = ""  # 定义完整思考过程
    answer_content = ""  # 定义完整回复
    is_answering = False  # 判断是否结束思考过程并开始回复
    example = [
        {'title': '根据姓名查询'},
        {'steps': '1.进入页面；\n2.在查询条件姓名输入；\n3.其他查询条件保持默认；\n4.点击查询'},
        {'expect_results': '查询到姓名的数据'},
    ]
    # 创建聊天完成请求
    completion = client.chat.completions.create(
        model="deepseek-r1",  # 此处以 deepseek-r1 为例，可按需更换模型名称
        messages=[
            {'role': 'user',
             'content': f'你是一名资深测工程师，根据这些字段组合{prompt_param}生成查询条件的组合，条件组合不能重复；输出列表形式的JSON，示例：{example}'}
        ],
        stream=True,
        # 解除以下注释会在最后一个chunk返回Token使用量
        # stream_options={
        #     "include_usage": True
        # }
    )

    print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")

    for chunk in completion:
        # 如果chunk.choices为空，则打印usage
        if not chunk.choices:
            print("\nUsage:")
            print(chunk.usage)
        else:
            delta = chunk.choices[0].delta
            # 打印思考过程
            if hasattr(delta, 'reasoning_content') and delta.reasoning_content != None:
                print(delta.reasoning_content, end='', flush=True)
                reasoning_content += delta.reasoning_content
            else:
                # 开始回复
                if delta.content != "" and not is_answering:
                    print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")
                    is_answering = True
                # 打印回复过程
                print(delta.content, end='', flush=True)
                answer_content += delta.content
    return answer_content

# 示例调用
async def search_page_generate_case_by_ai(request):
    print('开始进行异步大模型用例生成')
    if request.method == 'POST':
        case = Cases.objects.all()
        case_common_title = []
        case_common_steps = []
        case_common_expect_result = []
        total_len = len(request.POST)
        case_system = request.POST.get('auth')
        case_module = ''
        primary_module = request.POST.get("module1")
        sub_module = []
        for _ in range(2, 4):
            if request.POST.get(f"module{_}"):
                sub_module.append(request.POST.get(f"module{_}"))
        sub_module = ">>".join(sub_module)
        case_precondition = f'已登录{case_module}系统'
        page_name = request.POST.get('page_name')
        check_result_method = request.POST.get("check_result_method")
        case_creator = request.POST.get('creator')
        ui_case_needed = request.POST.get('ui_case')
        field_count = (total_len - 10) // 7
        project = Project.objects.get(project_name=case_system)
        project_id = project.id
        if field_count > 1:
            field_name_list = []
            prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'
                      f'用例创建人为： {case_creator}；'
                      f'查询结果比对方式为： {check_result_method}；'
                      f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')
            for i in range(field_count):
                field_name = request.POST.get(f'field_name{i}')
                field_type = request.POST.get(f'field_type{i}')
                enums = request.POST.get(f'enums{i}')
                symbol_date = request.POST.get(f'symbol_date{i}')
                date_ = request.POST.get(f'date{i}')
                symbol_time = request.POST.get(f'symbol_time{i}')
                time_ = request.POST.get(f'time{i}')
                time_ = str(time_).replace('T', ' ')
                field_name_list.append(field_name)
                # todo 修改此处适配AI大模型用例生成
                prompt += f'字段名称： {field_name}；字段类型: {field_type}；'
                if enums:
                    prompt += f'枚举值:{enums}；'
                elif symbol_date:
                    prompt += f'日期符号为：{symbol_date}；'
                elif date_:
                    prompt += f'日期为：{date_}；'
                elif symbol_time:
                    prompt += f'时间比较符号为：{symbol_time}；'
                elif time_:
                    prompt += f'时间选定的值为：{time_}；\n'
            deepseek_result = await generate_cases(prompt)
            return HttpResponse(deepseek_result)

asyncio.run(main())

4.3 在 Django 中集成

将异步调用集成到 Django 视图中：

@require_POST
async def search_page_generate_case_by_ai(request):
    print('开始进行异步大模型用例生成')
    if request.method == 'POST':
        case = Cases.objects.all()
        case_common_title = []
        case_common_steps = []
        case_common_expect_result = []
        total_len = len(request.POST)
        case_system = request.POST.get('auth')
        case_module = ''
        primary_module = request.POST.get("module1")
        sub_module = []
        for _ in range(2, 4):
            if request.POST.get(f"module{_}"):
                sub_module.append(request.POST.get(f"module{_}"))
        sub_module = ">>".join(sub_module)
        case_precondition = f'已登录{case_module}系统'
        page_name = request.POST.get('page_name')
        check_result_method = request.POST.get("check_result_method")
        case_creator = request.POST.get('creator')
        ui_case_needed = request.POST.get('ui_case')
        field_count = (total_len - 10) // 7
        project = Project.objects.get(project_name=case_system)
        project_id = project.id
        if field_count > 1:
            field_name_list = []
            prompt = (f'系统名称为： {project}；主功能模块名称为： {primary_module}；子功能模块为：{sub_module}；'
                      f'用例创建人为： {case_creator}；'
                      f'查询结果比对方式为： {check_result_method}；'
                      f'查询页面是否需要补充UI测试用例： {ui_case_needed}；自主标定用例的优先级；')
            for i in range(field_count):
                field_name = request.POST.get(f'field_name{i}')
                field_type = request.POST.get(f'field_type{i}')
                enums = request.POST.get(f'enums{i}')
                symbol_date = request.POST.get(f'symbol_date{i}')
                date_ = request.POST.get(f'date{i}')
                symbol_time = request.POST.get(f'symbol_time{i}')
                time_ = request.POST.get(f'time{i}')
                time_ = str(time_).replace('T', ' ')
                field_name_list.append(field_name)
                # todo 修改此处适配AI大模型用例生成
                prompt += f'字段名称： {field_name}；字段类型: {field_type}；'
                if enums:
                    prompt += f'枚举值:{enums}；'
                elif symbol_date:
                    prompt += f'日期符号为：{symbol_date}；'
                elif date_:
                    prompt += f'日期为：{date_}；'
                elif symbol_time:
                    prompt += f'时间比较符号为：{symbol_time}；'
                elif time_:
                    prompt += f'时间选定的值为：{time_}；\n'
            deepseek_result = await generate_cases(prompt)
            return HttpResponse(deepseek_result)
        else:
            return HttpResponse("没有内容！！！")

通过这种方式，Django 可以在处理查询请求时避免主线程阻塞，从而提升系统的并发性能。

五、大模型与平台升级的未来展望

通过大模型的引入，老旧平台的查询功能可以焕发新活力。测试工程师不仅能更高效地生成测试用例，还可以通过异步调用大模型接口，提升系统响应速度，为用户提供更好的体验。未来，随着大模型和容器化技术的普及，本地部署和性能优化将成为测试领域的重要方向。

快将这些技术应用到你的项目中，让测试工作更智能、更高效吧！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2322879.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

python每日十题(9)

python每日十题(9)

外存储器的容量一般都比较大，而且大部分可以移动，便于在不同计算机之间进行信息交流。外存储器中数据被读入内存储器后，才能被CPU读取，CPU不能直接访问外存储器。本题答案为A选项。 进程是指一个具有一定独立功能的程序关于某个数…
阅读更多...
macOS 制作dmg磁盘映像安装包

macOS 制作dmg磁盘映像安装包

制作dmg磁盘影像安装包需要准备一下材料： 1. 导出的APP 2. 背景图片 3. 应用程序替身 前两种材料很容易得到。 下面介绍一下 应用程序替身制作过程： Finder —> 选中 应用程序 --> 找到顶部菜单栏中 的 前往 ----> 选择上层文件夹选中应用程…
阅读更多...
Three.js 快速入门教程【十八】射线拾取模型——鼠标点击屏幕选中模型或物体

Three.js 快速入门教程【十八】射线拾取模型——鼠标点击屏幕选中模型或物体

系列文章目录 Three.js 快速入门教程【一】开启你的 3D Web 开发之旅 Three.js 快速入门教程【二】透视投影相机 Three.js 快速入门教程【三】渲染器 Three.js 快速入门教程【四】三维坐标系 Three.js 快速入门教程【五】动画渲染循环 Three.js 快速入门教程【六】相机控件 Or…
阅读更多...
如何下载 Postman？快速指南！

如何下载 Postman？快速指南！

Postman 是一款非常受欢迎的 API 测试工具。它最初是作为一个 Chrome 插件发布，后来发展成为一款独立的跨平台软件，支持 Windows、Mac、Linux 等操作系统。 Postman 怎么下载教程（2025最新版）？
阅读更多...
Shiro学习（一）：Shiro介绍和基本使用

Shiro学习（一）：Shiro介绍和基本使用

一、Shiro介绍 1、百科对shiro的定义如下： Apache Shiro 一个强大且易于使用的 Java 安全框架，它提供了身份验证、授权、加密和会话管理等功能。Shiro 的设计目标是简化企业级应用程序的安全性开发过程，同时保持代码的简洁和易于维护。 2、…
阅读更多...
7.1 分治-快排专题：LeetCode 75. 颜色分类

7.1 分治-快排专题：LeetCode 75. 颜色分类

1. 题目链接 LeetCode 75. 颜色分类 2. 题目描述 给定一个包含红色（0）、白色（1）和蓝色（2）的数组 nums，要求原地对数组进行排序，使得相同颜色的元素相邻，且按红、白、蓝…
阅读更多...
开源软件许可证冲突的原因和解决方法

开源软件许可证冲突的原因和解决方法

1、什么是开源许可证以及许可证冲突产生的问题 开源软件许可证是一种法律文件，它规定了软件用户、分发者和修改者使用、复制、修改和分发开源软件的权利和义务。开源许可证是由软件的版权所有者（通常是开发者或开发团队）发布的，它…
阅读更多...
详解java体系实用知识总结

详解java体系实用知识总结

0.java技术能力框架 基础模块应用模块综合模块技术岗位与面试流程常用工具集系统架构设计计算机基础常用框架微服务架构jvm原理缓存容器化多线程队列云计算（阿里云/aws）设计模式数据库数据结构与算法 1.常用设计模式与应用场景 工厂模式：s…
阅读更多...
【区块链安全 | 第二篇】区块链概念详解

【区块链安全 | 第二篇】区块链概念详解

文章目录 概述1. 区块链类型2 区块链五层架构3 账本模型4. 节点（Node）5. 区块（Block）6. 区块链（Blockchain）7. 区块链工作流程 核心技术1. 共识机制2. 智能合约 主要组件1. 交易（Transaction&am…
阅读更多...
【开源宝藏】30天学会CSS - DAY6 第六课 流光文字动画

【开源宝藏】30天学会CSS - DAY6 第六课 流光文字动画

第 0 步&#xff1a;项目结构 lighting-text/├─ index.html└─ style.cssindex.html&#xff1a;包含列表 <ul>&#xff0c;其中每个 <li> 放一个字母或符号。style.css&#xff1a;设置背景、文字样式&#xff0c;以及关键帧动画&#xff08;lighting&#xf…
阅读更多...
Swift实现嵌套json字典重排序并输出string

Swift实现嵌套json字典重排序并输出string

在网络请求或接口签名中&#xff0c;通常要求将参数按照一定规则拼接成字符串。一个常见的做法是对字典的 key 进行排序&#xff0c;然后按照 “keyvalue” 的格式拼接&#xff0c;多个参数之间以特定符号&#xff08;例如 &&#xff09;连接。 如果参数中包含嵌套的字典或…
阅读更多...
【Ai】--- 可视化 DeepSeek-r1 接入 Open WebUI（超详细）

【Ai】--- 可视化 DeepSeek-r1 接入 Open WebUI（超详细）

在编程的艺术世界里，代码和灵感需要寻找到最佳的交融点，才能打造出令人为之惊叹的作品。而在这座秋知叶i博客的殿堂里，我们将共同追寻这种完美结合，为未来的世界留下属于我们的独特印记。【Ai】--- 可视化 DeepSeek-r1 接入 Open WebUI（超详细） 开发环境一、前情提要：你…
阅读更多...
Flink基础简介和安装部署

Flink基础简介和安装部署

文章目录 一、Flink基础简介1、什么是Flink2、Flink流处理特性3、Flink四大基石4、Flink中的角色 二、Flink集群搭建1、Local模式①上传Flink安装包②启动交互窗口③提交任务测试④访问WebUI页面查看⑤退出停止集群 2、Standalone模式①修改配置⽂件 conf/flink-conf.yaml②修改…
阅读更多...
从零构建大语言模型全栈开发指南：第二部分：模型架构设计与实现-2.2.2文本生成逻辑：Top-k采样与温度控制

从零构建大语言模型全栈开发指南：第二部分：模型架构设计与实现-2.2.2文本生成逻辑：Top-k采样与温度控制

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路 文章大纲 2.2.2 文本生成逻辑：Top-k采样与温度控制1. 文本生成的核心挑战与数学框架1.1 自回归生成的基本流程2. `Top-k`采样原理与工程实现2.1 数学定义与算法流程2.2 PyTorch实现优化3. 温度控制的数学本质与参…
阅读更多...
LeetCode算法题(Go语言实现)_11

LeetCode算法题(Go语言实现)_11

题目 给定字符串 s 和 t &#xff0c;判断 s 是否为 t 的子序列。 字符串的一个子序列是原始字符串删除一些&#xff08;也可以不删除&#xff09;字符而不改变剩余字符相对位置形成的新字符串。&#xff08;例如&#xff0c;"ace"是"abcde"的一个子序列&a…
阅读更多...
Python----数据分析（足球运动员数据分析）

Python----数据分析（足球运动员数据分析）

一、数据展示 1.1、数据 1.2、列名 字段名备注Name姓名Nationality国籍National_Position国家队位置National_Kit国家队号码Club所在俱乐部Club_Position所在俱乐部位置Club_Kit俱乐部号码Club_Joining加入俱乐部时间Contract_Expiry合同到期时间Rating评分Height身高Weight体…
阅读更多...
matplotlib——南丁格尔玫瑰

matplotlib——南丁格尔玫瑰

南丁格尔玫瑰图&#xff08;Nightingale Rose Chart&#xff09;&#xff0c;是一种特殊形式的柱状图&#xff0c;它以南丁格尔&#xff08;Florence Nightingale&#xff09;命名&#xff0c;她在1858年首次使用这种图表来展示战争期间士兵死亡原因的数据。 它将数据绘制在极坐…
阅读更多...
Django与网页表单

Django与网页表单

我叫补三补四&#xff0c;很高兴见到大家&#xff0c;欢迎一起学习交流和进步 今天来讲一讲网页表单 网页表单又叫做HTML表单&#xff0c;用来处理用户从页面输入发送到服务器的数据&#xff0c;页面表单通常会提供复选框、单选按钮和文本字段&#xff0c;方便用户填写各种形式…
阅读更多...
ChatDBA VS DeepSeek：快速诊断 OceanBase 集群新租户数据同步异常

ChatDBA VS DeepSeek：快速诊断 OceanBase 集群新租户数据同步异常

社区王牌专栏《一问一实验&#xff1a;AI 版》改版以来已发布多期&#xff08;51-60&#xff09;&#xff0c;展现了 ChatDBA 在多种场景下解决问题的效果。 下面让我们正式进入《一问一实验&#xff1a;AI 版》第 62 期&#xff0c;看看 ChatDBA 最新效果以及与热门大模型 De…
阅读更多...
Python----计算机视觉处理（Opencv：图像边缘检测：非极大值抑制，双阈值筛选)

Python----计算机视觉处理（Opencv：图像边缘检测：非极大值抑制，双阈值筛选)

一、 高斯滤波 边缘检测本身属于锐化操作&#xff0c;对噪点比较敏感&#xff0c;所以需要进行平滑处理。这里使用的是一个5*5的高斯 核对图像进行消除噪声。 二、计算图像的梯度和方向 三、非极大值抑制 在得到每个边缘的方向之后&#xff0c;其实把它们连起来边缘检测就算完了…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023