[發明專利]基于深度置信網絡的用戶界面測試結果分類方法及裝置

在審

• 申請號: 202110486456.3
• 申請日: 2021-04-30
• 公開（公告）號: CN113010442A
• 公開（公告）日: 2021-06-22
• 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: G06F11/36
• 分類號: G06F11/36;G06K9/62;G06F9/451;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: 任默聞;王濤

1.一種基于深度置信網絡的用戶界面測試結果分類方法，其特征在于，包括：

采集用戶界面測試用例執行結果圖片并對圖片所屬的類型進行標注，組成訓練集；

對訓練集中訓練圖片進行預處理，得到訓練數據；

根據深度置信網絡結構，將訓練數據輸入到深度置信網絡進行訓練，得到深度置信網絡分類模型；

采集待分類的用戶界面測試用例執行結果圖片作為目標圖片，并進行預處理；

將預處理后的目標圖片輸入到深度置信網絡分類模型中，得到目標圖片的分類類型。

2.根據權利要求1所述的基于深度置信網絡的用戶界面測試結果分類方法，其特征在于，所述對圖片所屬的類型進行標注包括：

若用例執行成功，則對應的訓練圖片標注為成功；若用例執行失敗，則將對應的訓練圖片標注為所屬的錯誤類別；

其中，所述錯誤類別包含：頁面元素缺失、頁面大面積異常空白、頁面亂碼、元素順序錯位和元素狀態錯誤中至少一種。

3.根據權利要求1所述的基于深度置信網絡的用戶界面測試結果分類方法，其特征在于，所述對訓練集中訓練圖片進行預處理，包括：

對訓練集中訓練圖片進行灰度化處理和歸一化處理。

4.根據權利要求1所述的基于深度置信網絡的用戶界面測試結果分類方法，其特征在于，所述根據深度置信網絡結構包括：

確定深度置信網絡結構包含至少四層受限玻爾茲曼機RBM和一層BP神經網絡分類器組成；

利用至少四層受限玻爾茲曼機RBM對輸入數據進行數據化處理，提取特征信息；

將受限玻爾茲曼機RBM提取的特征信息輸入所述BP神經網絡分類器，得到數據分類結果；

其中，輸入層的節點數由輸入數據的維數決定，輸出層的節點數由輸入數據的類別數決定。

5.根據權利要求4所述的基于深度置信網絡的用戶界面測試結果分類方法，其特征在于，所述將訓練數據輸入到深度置信網絡進行訓練，得到深度置信網絡分類模型，包括：

輸入訓練數據并確定受限玻爾茲曼機RBM的最大層數、每層的節點數和最大迭代次數；

從第一層開始逐層進行受限玻爾茲曼機RBM的訓練；

若當前層數小于最大層數則進行訓練，否則無監督的預訓練完成。

6.一種基于深度置信網絡的用戶界面測試結果分類裝置，其特征在于，包括：

采集模塊，用于采集用戶界面測試用例執行結果圖片并對圖片所屬的類型進行標注，組成訓練集；

數據模塊，用于對訓練集中訓練圖片進行預處理，得到訓練數據；

模型模塊，用于根據深度置信網絡結構，將訓練數據輸入到深度置信網絡進行訓練，得到深度置信網絡分類模型；

目標模塊，用于采集待分類的用戶界面測試用例執行結果圖片作為目標圖片，并進行預處理；

分類模塊，用于將預處理后的目標圖片輸入到深度置信網絡分類模型中，得到目標圖片的分類類型。

7.根據權利要求6所述的基于深度置信網絡的用戶界面測試結果分類裝置，其特征在于，所述采集模塊包括：

標記單元，用于若用例執行成功，則對應的訓練圖片標注為成功；若用例執行失敗，則將對應的訓練圖片標注為所屬的錯誤類別；

其中，所述錯誤類別包含：頁面元素缺失、頁面大面積異常空白、頁面亂碼、元素順序錯位和元素狀態錯誤中至少一種。

8.根據權利要求6所述的基于深度置信網絡的用戶界面測試結果分類裝置，其特征在于，所述數據模塊包括：

處理單元，用于對訓練集中訓練圖片進行灰度化處理和歸一化處理。