[發明專利]基于卷積神經網絡的用戶界面測試結果分類方法及裝置

在審

• 申請號: 202110484586.3
• 申請日: 2021-04-30
• 公開（公告）號: CN113076169A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 呂美潔;郭繼泱;高小明;劉泱
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F9/451
• 分類號: G06F9/451;G06F11/36;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 孫乳筍;劉熔

1.一種基于卷積神經網絡的用戶界面測試結果分類方法，其特征在于，包括：

獲取用戶界面對應的測試執行結果圖片并對所述測試執行結果圖片進行預處理；

將預處理后的測試執行結果圖片輸入至預設的深度卷積神經網絡模型，得到所述測試執行結果圖片對應的測試結果分類；

其中，所述深度卷積神經網絡模型用于對輸入的圖片進行分類，且所述深度卷積神經網絡模型包含：一個線性輸出層和至少八層殘差塊。

2.根據權利要求1所述的基于卷積神經網絡的用戶界面測試結果分類方法，其特征在于，所述獲取用戶界面對應的測試執行結果圖片，包括：

采用用于軟件測試的自動化腳本，將每個用戶界面對應的測試執行結果進行截圖處理，得到測試執行結果圖片。

3.根據權利要求1所述的基于卷積神經網絡的用戶界面測試結果分類方法，其特征在于，所述預設的深度卷積神經網絡模型是基于測試執行結果圖片數據和該測試執行結果圖片對應的分類數據，進行訓練得到的，包括：

獲取訓練集數據；其中，所述訓練集數據包括：測試執行結果圖片和測試執行結果圖片對應的分類；

基于所述訓練數據進行訓練得到深度卷積神經網絡模型；

其中，基于所述訓練數據進行訓練得到深度卷積神經網絡模型，包括：

對訓練集數據進行批歸一化和ReLU函數激活，再經過第一個卷積層；

經過第一個卷積層后進行批歸一化、ReLU函數激活和隨機權重丟棄，再經過第二個卷積層；

經過第二個卷積層后進行最大化池化處理，得到深度卷積神經網絡模型。

4.根據權利要求1所述的基于卷積神經網絡的用戶界面測試結果分類方法，其特征在于，所述深度卷積神經網絡模型采用宏平均的方式對預處理后的測試執行結果圖片進行分類。

5.一種基于卷積神經網絡的用戶界面測試結果分類裝置，其特征在于，包括：

獲取模塊，用于獲取用戶界面對應的測試執行結果圖片并對所述測試執行結果圖片進行預處理；

分類模塊，用于將預處理后的測試執行結果圖片輸入至預設的深度卷積神經網絡模型，得到所述測試執行結果圖片對應的測試結果分類；

其中，所述深度卷積神經網絡模型用于對輸入的圖片進行分類，且所述深度卷積神經網絡模型包含：一個線性輸出層和至少八層殘差塊。

6.根據權利要求5所述的基于卷積神經網絡的用戶界面測試結果分類裝置，其特征在于，所述獲取模塊包括：

腳本截圖單元，用于采用用于軟件測試的自動化腳本，將每個用戶界面對應的測試執行結果進行截圖處理，得到測試執行結果圖片。

7.根據權利要求5所述的基于卷積神經網絡的用戶界面測試結果分類裝置，其特征在于，所述預設的深度卷積神經網絡模型是基于測試執行結果圖片數據和該測試執行結果圖片對應的分類數據，進行訓練得到的，包括：

數據集模塊，用于獲取訓練集數據；其中，所述訓練集數據包括：測試執行結果圖片和測試執行結果圖片對應的分類；

訓練模塊，用于基于所述訓練數據進行訓練得到深度卷積神經網絡模型；

其中，基于所述訓練數據進行訓練得到深度卷積神經網絡模型，包括：

第一卷積單元，用于對訓練集數據進行批歸一化和ReLU函數激活，再經過第一個卷積層；

第二卷積單元，用于經過第一個卷積層后進行批歸一化、ReLU函數激活和隨機權重丟棄，再經過第二個卷積層；

池化單元，用于經過第二個卷積層后進行最大化池化處理，得到深度卷積神經網絡模型。

8.根據權利要求5所述的基于卷積神經網絡的用戶界面測試結果分類裝置，其特征在于，所述深度卷積神經網絡模型采用宏平均的方式對預處理后的測試執行結果圖片進行分類。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1至4任一項所述的基于卷積神經網絡的用戶界面測試結果分類方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至4任一項所述的基于卷積神經網絡的用戶界面測試結果分類方法的步驟。