CN109710523B - 视觉稿的测试用例生成方法及装置、存储介质、电子设备 - Google Patents
视觉稿的测试用例生成方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109710523B CN109710523B CN201811549597.XA CN201811549597A CN109710523B CN 109710523 B CN109710523 B CN 109710523B CN 201811549597 A CN201811549597 A CN 201811549597A CN 109710523 B CN109710523 B CN 109710523B
- Authority
- CN
- China
- Prior art keywords
- test
- tested
- visual
- test case
- manuscript
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种视觉稿的测试用例生成方法及装置、存储介质、电子设备。所述方法包括获取一待测试视觉稿;通过目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。本公开提供了一种自动生成测试用例的方式,大大的降低了测试用例生成的工作量和人力成本,提高了测试用例生成的效率。
Description
背景技术
随着计算机技术的发展,各种软件开发商研发出了各种各样的软件产品(例如,购物类软件产品、外卖类软件产品、社交类软件产品等),以为大众的生活提供更多的便利。为了保证软件产品的可靠性,以确保用户使用软件时的流畅性,在软件上线之前,需要对软件中的视觉稿进行测试。
在对视觉稿进行测试之前,需要获取视觉稿中的测试元素,并采用人工撰写测试用例的方式撰写各测试元素的测试用例,并将各测试元素的测试用例进行集合得到视觉稿的测试用例,最后,根据视觉稿的测试用例对视觉稿进行测试。
显然,在上述方式中,需要采用人工的方式撰写视觉稿中的各测试元素的测试用例,以得到该视觉稿的测试用例,测试用例生成的工作量大、人力成本高、效率低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种视觉稿的测试用例生成方法及装置、存储介质、电子设备,进而至少在一定程度上克服测试用例的生成工作量大、人力成本高、效率低。
根据本公开的一个方面,提供一种视觉稿的测试用例生成方法,包括:
获取一待测试视觉稿;
通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。
在本公开的一种示例性实施例中,所述方法还包括:根据深度学习网络构建所述目标解析模型。
在本公开的一种示例性实施例中,所述根据深度学习网络构建所述目标解析模型包括:
获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素;
根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素对所述深度学习网络进行训练以得到所述目标解析模型。
在本公开的一种示例性实施例中,所述根据深度学习网络构建所述目标解析模型包括:
获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素;
获取多个深度学习网络;
根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素分别对各所述深度学习网络进行训练以得到多个候选解析模型;
获取多个视觉稿测试样本,根据所述多个视觉稿测试样本计算各所述候选解析模型的精确度;
根据各所述候选解析模型的精确度将所述精确度最高的所述候选解析模型确定为所述目标解析模型。
在本公开的一种示例性实施例中,所述方法还包括:
获取多个历史测试视觉稿的测试元素的测试用例;
将多个所述历史测试视觉稿的测试元素的测试用例进行集合操作和去重操作以生成所述测试用例库。
在本公开的一种示例性实施例中,在所述获取一待测试视觉稿之前还包括:根据一视觉稿设计规范设置所述待测试视觉稿。
在本公开的一种示例性实施例中,所述待测试元素的类型包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素。
根据本公开的一个方面,提供一种视觉稿的测试用例生成装置,包括:
获取模块,用于获取一待测试视觉稿;
解析模块,用于通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
匹配模块,用于将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
生成模块,用于根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的测试用例生成方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述中任意一项所述的测试用例生成方法。
本公开一种示例实施例提供的视觉稿的测试用例生成方法及装置、存储介质、电子设备。通过目标解析模型对待测试视觉稿进行解析,以获取待测试视觉稿的多个待测试元素,并根据各待测试元素在测试用例库中获取各待测试元素的测试用例,以及根据各待测试元素的测试用例生成待测试视觉稿的测试用例。一方面,通过目标解析模型获取待测试视觉稿的待测试元素,并结合测试用例库获取各待测试元素的测试用例,提供了一种自动生成测试用例的方式;另一方面,由于采用了自动生成测试用例的方式,因此相比于人工方式,大大的降低了测试用例生成的工作量和人力成本,提高了测试用例生成的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本公开一种视觉稿的测试用例生成方法的流程图;
图2为本公开一示例性实施例中提供的构建目标解析模型的流程图一;
图3为本公开一示例性实施例中提供的构建目标解析模型的流程图二;
图4为本公开一种视觉稿的测试用例生成装置的框图;
图5为本公开一示例性实施例中的电子设备的模块示意图;
图6为本公开一示例性实施例中的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例性实施例中首先公开了一种视觉稿的测试用例生成方法,参照图1所示,所述视觉稿的测试用例生成方法可以包括以下步骤:
步骤S110、获取一待测试视觉稿;
步骤S120、通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
步骤S130、将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
步骤S140、根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。
根据本示例性实施例中的视觉稿的测试用例生成方法,一方面,通过目标解析模型获取待测试视觉稿的待测试元素,并结合测试用例库获取各待测试元素的测试用例,提供了一种自动生成测试用例的方式;另一方面,由于采用了自动生成测试用例的方式,因此相比于人工方式,大大的降低了测试用例生成的工作量和人力成本,提高了测试用例生成的效率。
下面,将参照图1,对本示例性实施例中的视觉稿的测试用例生成方法作进一步说明。
在步骤S110中,获取一待测试视觉稿。
在本示例性实施例中,在完成软件等的制作后,需要对软件中的视觉稿进行测试,以确保软件的正确性。可以通过一获取模块从软件中获取待测试视觉稿。所述待测试视觉稿包括多个待测试元素,所述待测试元素的类型可以包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素等。所述场景例如可以为购物场景、身份认证场景等,本示例性实施例对此不作特殊限定。例如在场景为购物场景时,不同场景下的视觉稿的串联元素指从产品页面买入视觉稿到支付视觉稿到支付结果视觉稿到订单视觉稿均为串联的。
在步骤S120中,通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素。
在本示例性实施例中,可以将待测试视觉稿输入至目标解析模型中,以使目标解析模型输出待测试视觉稿中的多个待测试元素。
所述目标解析模型可以由深度学习网络构建而成,具体的,如图2所示,根据深度学习网络构建所述目标解析模型可以包括以下步骤:
步骤S210,获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素。
在本示例性实施例中,可以通过一获取模块获取多个视觉稿,并将每个视觉稿确定为一个视觉稿训练样本,然后,对每个视觉稿训练样本中的测试元素进行标记,以得到各视觉稿训练样本的测试元素。所述测试元素的类型可以包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素等,本示例性实施例对此不作特殊限定。
步骤S220,根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素对所述深度学习网络进行训练以得到所述目标解析模型。
在本示例性实施例中,可以将各视觉稿训练样本作为输入,将各视觉稿训练样本的测试元素作为输出输入至深度学习网络中,对深度学习网络进行训练,以得到深度学习网络中的各连接的权重值,进而根据各连接的权重值构建目标解析模型。所述深度学习网络例如可以为卷积神经网络、循环神经网络、递归神经网络等,本示例性实施例对此不作特殊限定。
为了使目标解析模型具有更高的精确度,从而使得对待测试视觉稿的解析更加准确,如图3所示,所述根据深度学习网络构建所述目标解析模型可以包括:
步骤S310、获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素。
在本示例性实施例中,可以通过一获取模块获取多个视觉稿,并将每个视觉稿确定为一个视觉稿训练样本,然后,对每个视觉稿训练样本中的测试元素进行标记,以得到各视觉稿训练样本的测试元素。所述测试元素的类型可以包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素等,本示例性实施例对此不作特殊限定。
步骤S320、获取多个深度学习网络。
在本示例性实施例中,所述多个深度学习网络可以包括卷积神经网络、循环神经网络、递归神经网络等,本示例性实施例对此不作特殊限定。所述深度学习网络的数量和各深度学习网络的具体类型可以由开发人员自行设置,例如,深度学习网络的数量可以为2个、也可以为3个,还可以为4个等,本示例性实施例对此不作特殊限定。
步骤S330、根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素分别对各所述深度学习网络进行训练以得到多个候选解析模型。
在本示例性实施例中,首先可以将各视觉稿训练样本作为输入,将各视觉稿训练样本的测试元素作为输出输入至一个深度学习网络中,以对该深度学习网络进行训练,得到该深度学习网络中的各连接的权重值,根据各连接的权重值构建与该深度学习网络对应的解析模型,并将与该深度学习网络对应的解析模型确定为一个候选解析模型;然后可以重复上述过程对剩余的各深度学习网络进行训练以得到与各剩余的深度学习网络对应的解析模型,并将每一个与各剩余的深度学习网络对应的解析模型确定为一个候选解析模型。根据上述过程可以得到多个候选解析模型,需要说明的是,候选解析模型的数量与深度学习网络的数量相同。
步骤S340、获取多个视觉稿测试样本,根据所述多个视觉稿测试样本计算各所述候选解析模型的精确度。
在本示例性实施例中,可以通过一获取模块获取多个视觉稿,并将每个视觉稿确定为一个视觉稿测试样本;将每个视觉稿测试样本分别输入至一个候选解析模型中,以使该候选解析模型输出各所述视觉稿测试样本的测试元素;分别将各视觉稿测试样本的测试元素与其实际测试元素进行匹配,以获取测试元素与其实际测试元素匹配的视觉稿测试样本的数量;将测试元素与其实际测试元素匹配的视觉稿测试样本的数量除以视觉稿测试样本的总数量得到的商确定为该候选解析模型的精确度。重复上述过程即可得到剩余的各候选解析模型的精确度。需要说明的是,上述计算各候选解析模型的精确度的方式仅为示例性的,并不用于限定本发明。
步骤S350、根据各所述候选解析模型的精确度将所述精确度最高的所述候选解析模型确定为所述目标解析模型。在本示例性实施例中,可以按照精确度由高到低的顺序对候选解析模型进行排序,并将排在第一位的候选解析模型确定为目标解析模型。
在步骤S130中,将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例。
在本示例性实施例中,所述测试用例库中包括多个测试元素以及各测试元素的测试用例。所述测试用例的类型可以包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素等,本示例性实施例对此不作特殊限定。
将一个待测试元素与测试用例库中的各测试元素进行匹配,并将测试用例库中的与该待测试元素匹配成功的测试元素的测试用例确定为该待测试元素的测试用例,即可以将待测试元素的类型和功能与测试用例库中的各测试元素的类型和功能进行匹配,并将测试用例库中的与该待测试元素的类型和功能均匹配的测试元素的测试用例确定为该待测试元素的测试用例。重复上述过程即可获取到剩余的其他各待测试元素的测试用例。需要说明的是,待测试元素和测试元素的功能均可以包括保存功能、跳转功能、更新功能等,本示例性实施例对此不作特殊限定。
上述测试用例库的构建过程可以包括:获取多个历史测试视觉稿的测试元素的测试用例;将多个所述历史测试视觉稿的测试元素的测试用例进行集合操作和去重操作以生成所述测试用例库。在本示例性实施例中,可以通过一获取模块获取多个历史测试视觉稿的测试元素的测试用例,将多个历史测试视觉稿的测试元素的测试用例进行集合,并将集合后的测试元素的测试用例进行去重操作,即对于多个相同的测试元素的测试用例,仅保留一个测试元素的测试用例,去除多余的测试元素的测试用例,最后将去重操作后剩余的测试元素的测试用例保存至测试用例库中,以完成对测试用例库的构建。
需要说明的是,上述测试用例库的构建方式均为示例性的,并不用于限定本发明。例如,还可以通过测试人员分别撰写各测试元素的测试用例,并将撰写好的各测试元素的测试用例保存至测试用例库中,以完成测试用例库的构建。
在步骤S140中,根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。在本示例性实施例中,可以将各测试元素的测试用例进行集合,即可生成待测试视觉稿的测试用例。所述待测试视觉稿的测试用例的呈现方式例如可以为EXCEL表格,还可以为word文档等,本示例性实施例对此不作特殊限定。
此外,为了使得待测试视觉稿更加规范,从而提高获取待测试视觉稿的待测试元素的准确度,在所述获取一待测试视觉稿之前还可以包括:根据一视觉稿设计规范设置所述待测试视觉稿。在本示例性实施例中,所述视觉稿设计规范包括各种类型和各功能的测试元素的设计规范,例如,在测试元素的类型为图片元素,且为跳转功能时,其设计规范为:触发图片元素,视觉稿发生跳转;在测试元素的类型为控件元素,且为保存功能时,其设计规范为:触发控件元素时,保存视觉稿中的信息;在测试元素的类型为链接元素,且为跳转功能时,其设计规范为:触发链接元素时,视觉稿发生跳转。在设计待测试视觉稿时,根据待测试视觉稿中的各待测试元素的设计规范设计各待测试元素。
综上所述,通过目标解析模型获取待测试视觉稿的待测试元素,并结合测试用例库获取各待测试元素的测试用例,提供了一种自动生成测试用例的方式;此外,由于采用了自动生成测试用例的方式,因此相比于人工方式,大大的降低了测试用例生成的工作量和人力成本,提高了测试用例生成的效率。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种视觉稿的测试用例生成装置,如图4所示,所述视觉稿的测试用例生成装置400可以包括:获取模块401、解析模块402、匹配模块403、生成模块404,其中:
获取模块401,可以用于获取一待测试视觉稿;
解析模块402,可以用于通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
匹配模块403,可以用于将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
生成模块404,可以用于根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。
上述中各视觉稿的测试用例生成装置模块的具体细节已经在对应的视觉稿的测试用例生成方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤S110、获取一待测试视觉稿;步骤S120、通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;步骤S130、将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;步骤S140、根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (7)
1.一种视觉稿的测试用例生成方法,其特征在于,包括:
获取一待测试视觉稿;
通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例;
其中,根据深度学习网络构建所述目标解析模型,包括:
获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素;
获取多个深度学习网络;
根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素分别对各所述深度学习网络进行训练以得到多个候选解析模型;
获取多个视觉稿测试样本,根据所述多个视觉稿测试样本计算各所述候选解析模型的精确度;
根据各所述候选解析模型的精确度将所述精确度最高的所述候选解析模型确定为所述目标解析模型。
2.根据权利要求1所述的测试用例生成方法,其特征在于,所述方法还包括:
获取多个历史测试视觉稿的测试元素的测试用例;
将多个所述历史测试视觉稿的测试元素的测试用例进行集合操作和去重操作以生成所述测试用例库。
3.根据权利要求1所述的测试用例生成方法,其特征在于,在所述获取一待测试视觉稿之前还包括:根据一视觉稿设计规范设置所述待测试视觉稿。
4.根据权利要求1~3中任一项所述的测试用例生成方法,其特征在于,所述待测试元素的类型包括图片元素、控件元素、链接元素、文本框元素、不同场景下的视觉稿的串联元素。
5.一种视觉稿的测试用例生成装置,其特征在于,包括:
获取模块,用于获取一待测试视觉稿;
解析模块,用于通过一目标解析模型对所述待测试视觉稿进行解析,以获取所述待测试视觉稿的多个待测试元素;
匹配模块,用于将各所述待测试元素与一测试用例库中的各测试元素进行匹配,并将所述测试用例库中的与各所述待测试元素匹配成功的所述测试元素的测试用例确定为各所述待测试元素的测试用例;
生成模块,用于根据各所述待测试元素的测试用例生成所述待测试视觉稿的测试用例;
所述装置还用于,根据深度学习网络构建所述目标解析模型,包括:
获取多个视觉稿训练样本,以及各所述视觉稿训练样本的测试元素;
获取多个深度学习网络;
根据各所述视觉稿训练样本以及各所述视觉稿训练样本的测试元素分别对各所述深度学习网络进行训练以得到多个候选解析模型;
获取多个视觉稿测试样本,根据所述多个视觉稿测试样本计算各所述候选解析模型的精确度;
根据各所述候选解析模型的精确度将所述精确度最高的所述候选解析模型确定为所述目标解析模型。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~4中任意一项所述的测试用例生成方法。
7.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~4中任意一项所述的测试用例生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549597.XA CN109710523B (zh) | 2018-12-18 | 2018-12-18 | 视觉稿的测试用例生成方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549597.XA CN109710523B (zh) | 2018-12-18 | 2018-12-18 | 视觉稿的测试用例生成方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109710523A CN109710523A (zh) | 2019-05-03 |
CN109710523B true CN109710523B (zh) | 2023-04-07 |
Family
ID=66256826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811549597.XA Active CN109710523B (zh) | 2018-12-18 | 2018-12-18 | 视觉稿的测试用例生成方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710523B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124938B (zh) * | 2020-03-31 | 2020-08-21 | 四川新网银行股份有限公司 | 组件化的测试用例的生成方法 |
CN112529106A (zh) * | 2020-12-28 | 2021-03-19 | 平安普惠企业管理有限公司 | 视觉设计原稿的生成方法、装置、设备及存储介质 |
CN114157862A (zh) * | 2021-12-03 | 2022-03-08 | 北京数字电视国家工程实验室有限公司 | 一种数字电视测试信号的生成方法、系统、和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844426A (zh) * | 2017-11-24 | 2018-03-27 | 网易(杭州)网络有限公司 | 自动化测试方法及装置、存储介质、电子设备 |
CN107861862A (zh) * | 2017-06-27 | 2018-03-30 | 陆金所(上海)科技服务有限公司 | Ui自动化测试方法、装置及计算机可读存储介质 |
CN108415705A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 网页生成方法、装置、存储介质及设备 |
-
2018
- 2018-12-18 CN CN201811549597.XA patent/CN109710523B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861862A (zh) * | 2017-06-27 | 2018-03-30 | 陆金所(上海)科技服务有限公司 | Ui自动化测试方法、装置及计算机可读存储介质 |
CN107844426A (zh) * | 2017-11-24 | 2018-03-27 | 网易(杭州)网络有限公司 | 自动化测试方法及装置、存储介质、电子设备 |
CN108415705A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技(深圳)有限公司 | 网页生成方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109710523A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
CN107908635B (zh) | 建立文本分类模型以及文本分类的方法、装置 | |
CN110363810B (zh) | 建立图像检测模型的方法、装置、设备和计算机存储介质 | |
CN107506300B (zh) | 一种用户界面测试方法、装置、服务器和存储介质 | |
CN109710523B (zh) | 视觉稿的测试用例生成方法及装置、存储介质、电子设备 | |
CN110825431B (zh) | 接口文档处理方法及装置、系统、存储介质和电子设备 | |
CN111090641B (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN106550038B (zh) | 一种数字化控制系统的数据组态诊断系统和方法 | |
CN111611797B (zh) | 基于Albert模型的预测数据标注的方法、装置及设备 | |
US10380011B2 (en) | Method, apparatus, and computer-readable medium for performing functional testing of software | |
CN110647523B (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
CN109872230B (zh) | 金融数据分析系统的测试方法、装置、介质、电子设备 | |
CN111143556A (zh) | 软件功能点自动计数方法、装置、介质及电子设备 | |
CN110688111A (zh) | 业务流程的配置方法、装置、服务器和存储介质 | |
CN106959919B (zh) | 基于测试路径图的软件测试方法及装置 | |
US9558462B2 (en) | Identifying and amalgamating conditional actions in business processes | |
CN114048129A (zh) | 软件功能变更的自动化测试方法、装置、设备及系统 | |
CN115562656A (zh) | 页面的生成方法、装置、存储介质及计算机设备 | |
CN113033329A (zh) | 在线教育中题目非正常作答的判定方法以及装置 | |
CN107066302B (zh) | 缺陷检测方法、装置及服务终端 | |
CN109947651B (zh) | 人工智能引擎优化方法和装置 | |
CN112395182A (zh) | 自动化测试方法、装置、设备及计算机可读存储介质 | |
CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 | |
CN117172237A (zh) | 数据的分析方法及装置、电子设备和存储介质 | |
CN109508204B (zh) | 一种前端代码质量检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |