【技术实现步骤摘要】
本专利技术属于视觉识别技术，具体涉及一种基于ai的测试动作和环境自动监控方法及系统。
技术介绍
1、一种基于ai的测试动作和环境自动监控方法及系统利用先进的图像处理和机器学习技术，能够实时、准确地识别测试动作和测试环境，并及时发出异常告警。通过使用直方图和信息熵来识别测试动作和环境类型，该方法提高了监控的准确性和可靠性。此外，通过训练机器学习算法得到的熵阈值，进一步优化了异常检测的准确性。传统的测试动作和环境自动监控存在以下问题：(1)监控范围有限，容易出现漏检。(2)监控效率底下，难以实现实时监控，监控精度不高。(3)发现异常情况时，无法及时处理。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于ai的测试动作和环境自动监控方法，第一方面本专利技术的方法可以通过以下技术步骤实现：
2、s1：通过监控采集测试区域视频，对所述测试区域视频进行图像灰度化处理得到目标测试区域视频；
3、s2：对所述测试区域视频进行关键帧提取得到测试动作和环境图像，根据所述测试动作和环境图像得到直方图；
4、s3：根据所述直方图对所述测试动作和环境图像进行动作识别得到所述测试动作和环境图像的信息熵；
5、s4：获取测试区域图片集，所述测试区域图片集包括测试区域图片和关联的类别标签，根据所述测试区域图片集使用学习算法训练得到所述测试区域图片集分类的熵阈值；
6、s5：根据所述测试动作和环境图像的所述信息熵和所述熵阈值得到所
7、具体地，所述s1的具体步骤为：
8、将所述测试区域视频进行图像灰度化处理得到所述目标测试区域视频，所述灰度化处理的计算公式为：
9、gray(i,j)＝max|r(i,j),g(i,j),b(i,j)|，
10、其中，g(i,j)为所述目标测试区域视频中图像灰度值，r(i,j)表示红色通道数值，g(i,j)表示绿色通道数值，b(i,j)表示蓝色通道数值，(i,j)表示像素点，i表示像素点横坐标，j表示像素点纵坐标。
11、具体地，所述s2的具体步骤为：
12、s201：根据公式计算所述目标测试区域视频的测试区域图像与簇中心总距离均值，计算公式为：其中，ns表示所述目标测试区域视频中属于簇域的测试区域图像总数，表示属于所述簇域的测试区域图像向量，表示簇中心向量，表示所述簇中心和所述测试区域图像向量的总距离平均值；
13、s202：根据所述总距离平均值通过计算得到属于所述簇域的测试区域图像与所述簇中心的距离均值，计算公式为：其中，表示为所述测试区域图像与所述簇中心的距离均值，nv表示所述簇中心个数；
14、s203：通过计算得到图像簇标准差向量，计算公式为：其中，x表示所述测试区域图像，σ表示所述图像簇标准差向量，n表示所测试区域图像的总数，当时，所述所测试区域图像分裂为两个簇中心，σmax表示所述图像簇标准差向量的最大值；
15、s204：重复所述s201-s303提取出所述测试动作和环境图像；
16、s205：根据所述测试动作和环境图像使用3×3均值滤波法得到测试动作和环境图像均值图像，计算公式为：
17、
18、其中，t(x,y)表示所述测试动作和环境图像，m表示所述测试动作和环境图像的宽度，n表示所述测试动作和环境图像的高度，v(x,y)表示所述测试动作和环境均值图像，所述直方图表示为：其中，r(i,j)表示所述测试动作和环境图像的灰度值i与所述测试动作和环境均值图像中的灰度值j出现的频率，p(t)表示所述直方图。
19、具体地，所述s3的具体实现步骤为：
20、根据所述直方图区间得到所述测试动作和环境图像的所述信息熵，计算公式为：其中，n表示所述测试动作和环境图像的总数，k表示所述灰度值个数，表示e表示所述信息熵。
21、具体地，所述s4的具体实现步骤为：
22、对所述测试区域图片集进行所述图像灰度化处理得到标准测试区域图片集，使用卷积网络对所述测试区域图片集进行特征提取得到所述测试区域图片集的所述信息熵，根据所述信息熵和所述类别标签训练支持向量机，所述支持向量机通过学习得到类别标签的所述信息熵，根据所述信息熵对所述测试区域图片集进行分类，根据所述分类中信息熵得到所述熵阈值t。
23、具体地所述s5的具体实现步骤为：
24、所述信息熵e＞t时，所述测试动作和环境图像类型为测试动作及环境异常，所述信息熵e＜t时，所述测试动作和环境图像类型为测试动作及环境正常，获取所述测试动作及环境异常的测试动作和环境图像发出异常告警。
25、第二方面，本专利技术提供了一种基于ai的测试动作和环境自动监控系统，使用如以上所述的方法运行，包括如下模块：
26、视频采集模块：通过监控采集测试区域视频，对所述测试区域视频进行图像灰度化处理得到目标测试区域视频；
27、提取模块：对所述测试区域视频进行关键帧提取得到测试动作和环境图像，根据所述测试动作和环境图像得到直方图；
28、信息熵计算模块：根据所述直方图对所述测试动作和环境图像进行动作识别得到所述测试动作和环境图像的信息熵；
29、训练模块：获取测试区域图片集，所述测试区域图片集包括测试区域图片和关联的类别标签，根据所述测试区域图片集使用学习算法训练得到所述测试区域图片集分类的熵阈值；
30、告警模块：根据所述测试动作和环境图像的所述信息熵和所述熵阈值得到所述测试动作和环境的测试动作及环境类型，根据所述测试动作及环境类型得到异常告警。
31、本专利技术的有益效果为：
32、(1)通过基于ai的测试动作和环境自动监控技术，可以自动且精确的识别工人测试过程中异常动作，降低了人工干预的误差；
33、(2)通过基于ai的测试动作和环境自动监控技术，能够及时发现测试动作和环境的异常并发出告警，有助于提高测试的安全性和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于AI的测试动作和环境自动监控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于AI的测试动作和环境自动监控方法，其特征在于，所述S1的具体步骤为：
3.根据权利要求1所述的一种基于AI的测试动作和环境自动监控方法，其特征在于，所述S2的具体步骤为：
4.根据权利要求1所述的一种基于AI的测试动作和环境自动监控方法，其特征在于，所述S3的具体步骤为：
5.根据权利要求1所述的一种基于AI的测试动作和环境自动监控方法，其特征在于，所述S4的具体步骤为：
6.根据权利要求1所述的一种基于AI的测试动作和环境自动监控方法，其特征在于，所述S5的具体步骤为：所述信息熵E＞T时，所述测试动作和环境图像类型为测试动作及环境异常，所述信息熵E＜T时，所述测试动作和环境图像类型为测试动作及环境正常，获取所述测试动作及环境异常的测试动作和环境图像发出异常告警。
7.一种基于AI的测试动作和环境自动监控系统，使用权利要求1-6任一项所述方法运行，其特征在于，包括如下模块：
【技术特征摘要】
1.一种基于ai的测试动作和环境自动监控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于ai的测试动作和环境自动监控方法，其特征在于，所述s1的具体步骤为：
3.根据权利要求1所述的一种基于ai的测试动作和环境自动监控方法，其特征在于，所述s2的具体步骤为：
4.根据权利要求1所述的一种基于ai的测试动作和环境自动监控方法，其特征在于，所述s3的具体步骤为：
5.根据权利要求1所述的一种基于ai的测试动作和环境自...
【专利技术属性】
技术研发人员：史佳东，王勇，刘文泉，丁世超，
申请(专利权)人：上海艾策通讯科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。