[发明专利]基于深度置信网络的用户界面测试结果分类方法及装置

说明书

本发明提供一种基于深度置信网络的用户界面测试结果分类方法及装置，方法包括：采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；对训练集中训练图片进行预处理，得到训练数据；根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。本发明能够有效提高用户界面测试结果分类的全面性和准确性，同时减少对测试人员的依赖和工作量，提升用户界面测试的效率。

技术领域

本发明涉及神经网络技术领域，具体涉及一种基于深度置信网络的用户界面测试结果分类方法及装置。

背景技术

用户界面(User Interface,用户界面)是软件系统展示给用户的内容，是用户与软件系统交互的重要媒介，随着软件行业的高速发展和用户数量的激增，用户对用户界面的要求也不断提升，因而，作为软件测试中的重要一环，用户界面测试变得尤为关键。目前，对用户界面测试用例执行结果的判别主要有两种方式：(1)人工判别：依据测试人员对软件系统的熟悉及以往的经验，判别用户界面的展示是否正确，包括：页面是否存在异常空白、是否存在元素缺失、界面元素排列是否错位、界面是否存在文字乱码、界面元素触发后的反应是否符合预期等。(2)自动化脚本关键元素检测：目前主流的用户界面自动化测试框架，如selenium框架，主要是通过定位并抓取用户界面上的特定元素，并判别当前元素状态是否符合预期来进行测试用例执行结果的判定。

以上两种判别方式都存在着一些缺点：(1)人工判别：投入人力较多，耗时较长，同时人工判别也容易出现误判的情况，对测试人员自身的素质有强依赖，需要测试人员对软件系统十分了解。(2)自动化脚本关键元素检测：该方法只能对部分页面元素进行校验，存在检测遗漏的可能，若进行全量页面元素校验则会大大增加自动化测试耗时，降低自动化测试效率，在实践中可行性非常低。同时该方法只能检测目标元素是否存在，状态是否正确，对于元素的排列布局、展示风格是否符合预期无法判定。

因此，急需一种更为自动化和智能化的用户界面测试结果分类方法。

发明内容

针对现有技术中的问题，本发明提供一种基于深度置信网络的用户界面测试结果分类方法及装置，具体包括以下技术方案：

第一方面，本发明提供一种基于深度置信网络的用户界面测试结果分类方法，包括：

采集用户界面测试用例执行结果图片并对图片所属的类型进行标注，组成训练集；

对训练集中训练图片进行预处理，得到训练数据；

根据深度置信网络结构，将训练数据输入到深度置信网络进行训练，得到深度置信网络分类模型；

采集待分类的用户界面测试用例执行结果图片作为目标图片，并进行预处理；

将预处理后的目标图片输入到深度置信网络分类模型中，得到目标图片的分类类型。

其中，所述对图片所属的类型进行标注包括：

若用例执行成功，则对应的训练图片标注为成功；若用例执行失败，则将对应的训练图片标注为所属的错误类别；

其中，所述错误类别包含：页面元素缺失、页面大面积异常空白、页面乱码、元素顺序错位和元素状态错误中至少一种。

其中，所述对训练集中训练图片进行预处理，包括：

对训练集中训练图片进行灰度化处理和归一化处理。

其中，所述根据深度置信网络结构包括：

确定深度置信网络结构包含至少四层受限玻尔兹曼机RBM和一层BP神经网络分类器组成；