CN110221979A - 应用程序的性能测试方法、装置、设备及存储介质 - Google Patents
应用程序的性能测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110221979A CN110221979A CN201910481744.2A CN201910481744A CN110221979A CN 110221979 A CN110221979 A CN 110221979A CN 201910481744 A CN201910481744 A CN 201910481744A CN 110221979 A CN110221979 A CN 110221979A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- frames
- operation phase
- application program
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011056 performance test Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 206010073653 Visual perseveration Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本发明实施例公开了一种应用程序的性能测试方法、装置、设备及存储介质。所述方法包括:获取与应用程序匹配的监控视频,并将监控视频分帧处理为视频帧序列,监控视频中记录有与应用程序的至少两个运行阶段匹配的视频帧;根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型;根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧;根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。本发明实施例的技术方案提供了一种准确地获取与应用程序匹配的运行阶段的时间消耗的方式,并提高了性能测试的效率和易推广性。
Description
技术领域
本发明实施例涉及测试技术,尤其涉及一种应用程序的性能测试方法、装置、设备及存储介质。
背景技术
在应用程序的开发以及测试阶段,确定应用程序中各个运行阶段的时间消耗是对应用程序进行性能评估的重要步骤。
目前,确定与应用程序匹配的各个运行阶段的时间消耗的方式主要有两种:一种是在应用程序的代码中添加特定的时间获取代码(例如,时间戳打印代码),而后运行该应用程序,在程序运行过程中或者运行完成时,可以将时间信息输出,从而确定各个运行阶段的时间消耗;另一种是手动录制应用程序的各个运行阶段,再对得到的视频文件进行分析,以人工方式确定其中的各个运行阶段的时间消耗。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:首先,针对在应用程序中添加时间获取代码,确定运行阶段的时间消耗的方式,由于时间获取代码本身的运行存在性能损耗,一旦对应的应用程序的运行阶段的时间消耗较短,无法将时间测试代码的性能损耗从获取的时间数据中忽略,必然导致获得的运行阶段的时间消耗不准确;其次,手动录制应用程序的运行阶段并分析视频文件的方式,由于过程繁琐且需要大量人力参与,导致性能测试效率不高并且测试方式不易推广。
发明内容
本发明实施例提供一种应用程序的性能测试方法、装置、设备及存储介质,以准确地获取与应用程序匹配的运行阶段的时间消耗,并提高性能测试的效率和易推广性。
第一方面,本发明实施例提供了一种应用程序的性能测试方法,该方法包括:
获取与应用程序匹配的监控视频,并将所述监控视频分帧处理为视频帧序列,所述监控视频中记录有与所述应用程序的至少两个运行阶段匹配的视频帧;
根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型;
根据所述图片分类类型,在所述视频帧序列中确定出运行阶段切换识别帧;
根据至少两个所述运行阶段切换识别帧在所述监控视频中的帧位置,确定与所述应用程序匹配的运行阶段切换耗时。
第二方面,本发明实施例还提供了一种应用程序的性能测试装置,该装置包括:
监控视频获取模块,用于获取与应用程序匹配的监控视频,并将所述监控视频分帧处理为视频帧序列,所述监控视频中记录有与所述应用程序的至少两个运行阶段匹配的视频帧;
图片分类类型确定模块,用于根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型;
切换识别帧确定模块,用于根据所述图片分类类型,在所述视频帧序列中确定出运行阶段切换识别帧;
切换耗时确定模块,用于根据至少两个所述运行阶段切换识别帧在所述监控视频中的帧位置,确定与所述应用程序匹配的运行阶段切换耗时。
第三方面,本发明实施例还提供了计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的应用程序的性能测试方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的应用程序的性能测试方法。
本发明实施例通过对获取的与应用程序匹配的监控视频进行分帧处理,得到视频帧序列,对视频帧序列中的所有视频帧进行分类,确定各个视频帧的图片分类类型,从每一图片分类类型对应的视频帧中确定各个运行阶段的切换识别帧,从而根据切换识别帧在监控视频中的帧位置确定与应用程序匹配的运行阶段切换耗时,实现了在不对应用程序额外添加代码的前提下,以自动化形式确定与应用程序匹配的运行阶段切换耗时的功能。解决了现有的基于时间获取代码或者手动录制视频确定各个运行阶段的时间消耗时,获取的时间消耗值不准确,性能测试效率不高以及测试方法不易推广的问题,实现了准确地获取与应用程序匹配的运行阶段的时间消耗,并提高性能测试的效率和易推广性的效果。
附图说明
图1是本发明实施例一中的一种应用程序的性能测试方法的流程图;
图2是本发明实施例二中的一种应用程序的性能测试方法的流程图;
图3是本发明实施例三中的一种应用程序的性能测试方法的流程图;
图4是本发明实施例四中的一种应用程序的性能测试方法的流程图;
图5是本发明实施例五中的一种应用程序的性能测试装置的结构图;
图6是本发明实施例六中的一种计算机设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种应用程序的性能测试方法的流程图,本实施例可适用于在应用程序的开发或者测试阶段,获取与应用程序匹配的运行阶段的时间消耗的情况,典型的,应用程序为智能终端中的应用程序,例如,智能手机中安装的应用软件。该方法可以由应用程序的性能测试装置来执行,该装置一般集成于通用计算机设备中,所述方法具体包括如下步骤:
步骤110、获取与应用程序匹配的监控视频,并将监控视频分帧处理为视频帧序列。
在本实施例中,可以使用不同的测试框架工具(例如,Monkey(socket)、Monkeyrunner(adb)和Instrumentation等),在单元测试框架中编写自动化测试脚本,录制与应用程序匹配的监控视频,也可以使用测试流程录制工具,先手动录制待获取的监控视频流程,再通过自动化的方式重复上述过程,实现自动化录制与应用程序匹配的监控视频。需要说明的是,本实施例中并不对获取监控视频的方式做具体限定,本领域技术人员可以使用当前任意技术实现自动获取监控视频的步骤。
其中,监控视频中记录有与应用程序的至少两个运行阶段匹配的视频帧。进一步的,应用程序的运行阶段可以是应用程序的启动阶段、首页加载阶段、对应功能页面进入阶段、付款响应阶段等。即本实施例中应用程序的运行阶段可以是在性能测试中任意需要测试的阶段。
在本实施例中,在获取与应用程序匹配的监控视频之后,需要将监控视频分帧处理为视频帧序列。其中,分帧处理的目的在于获取监控视频中的每一帧图像,以便于后续步骤对视频帧序列进行识别分析。典型的,可以通过快进运动图像专家组(Fast ForwardMoving Picture Experts Group,FFmpeg)命令将监控视频分帧为视频帧序列
进一步的,在将监控视频分帧处理为视频帧序列之后,还包括:使用均值哈希算法,按照视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度,将相似度计算结果大于等于相似度阈值的两个视频帧中的后一视频帧作为重复视频帧,从视频帧序列中去除。
本实施例中增加了对分帧处理后的视频帧序列的去重操作。首先根据均值哈希算法设置相似度阈值;再按照视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度;当任意相邻两个视频帧的相似度计算结果大于等于相似度阈值时,说明两个视频帧相似,将两个视频帧中的后一视频帧作为重复视频帧,从视频帧序列中去除。由此,保证了在去重操作后,获取的视频帧序列为不包含重复帧的视频帧序列,以便简化后续对视频帧序列进行操作的流程,提高获取各个运行阶段的时间消耗的效率。
步骤120、根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型。
在本实施例中,针对每一运行阶段,对应的视频帧存在与运行阶段匹配的特点,根据各个匹配的特点,对视频帧序列中各视频帧进行分类,确定与各视频帧对应的图片分类类型。其中,可以通过文本识别、图像识别或者深度学习等方式确定图片分类类型。
步骤130、根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧。
其中,切换识别帧是指应用程序由一种运行阶段进入另一运行阶段时的第一个视频帧,切换识别帧在监控视频中的帧位置就是对应的运行阶段的起始位置。
在本实施例中,根据图片分类类型,可以在视频帧序列中确定出每个运行阶段对应的视频帧,进而确定每个运行阶段的切换识别帧,典型的,确定切换识别帧的方法为利用文本或者图像识别技术,识别相邻两个视频帧之间的变化,当达到预设变化指标时,确定后一帧为切换识别帧。
步骤140、根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
在本实施例中,根据至少两个运行阶段切换识别帧在监控视频中的帧位置,可以确定两个运行阶段之间的间隔视频帧数量,再根据视频帧之间预设的帧间隔时长,即可确定与应用程序匹配的运行阶段切换耗时。
本发明实施例通过对获取的与应用程序匹配的监控视频进行分帧处理,得到视频帧序列,对视频帧序列中的所有视频帧进行分类,确定各个视频帧的图片分类类型,从每一图片分类类型对应的视频帧中确定各个运行阶段的切换识别帧,从而根据切换识别帧在监控视频中的帧位置确定与应用程序匹配的运行阶段切换耗时,实现了在不对应用程序额外添加代码的前提下,以自动化形式确定与应用程序匹配的运行阶段切换耗时的功能。解决了现有的基于时间获取代码或者手动录制视频确定各个运行阶段的时间消耗时,获取的时间消耗值不准确,性能测试效率不高以及测试方法不易推广的问题,实现了准确地获取与应用程序匹配的运行阶段的时间消耗,并提高性能测试的效率和易推广性的效果。
实施例二
图2是本发明实施例二提供的一种应用程序的性能测试方法的流程图,本实施例以上述实施例为基础,在本实施例中,获取与应用程序匹配的监控视频,具体为:获取安装应用程序的终端设备的投屏结果;开启对投屏结果的录屏操作后,向终端设备发送针对应用程序的至少一条运行控制指令,以使应用程序呈现与至少两个运行阶段匹配的展示内容;在检测到满足录制时长条件时,结束对投屏结果的录屏操作,以获取监控视频。
相应的,本实施例的方法包括如下步骤:
步骤210、获取安装应用程序的终端设备的投屏结果。
在本实施例中,为了保证获取的运行阶段的切换耗时的准确性,在录制监控视频前,先将安装应用程序的终端设备的显示界面投屏至其他设备,从而避免在终端设备本地运行录屏程序对终端设备的性能产生影响。
步骤220、开启对投屏结果的录屏操作后,向终端设备发送针对应用程序的至少一条运行控制指令,以使应用程序呈现与至少两个运行阶段匹配的展示内容。
具体的,在包含投屏结果的其他设备上开启对投屏结果的录屏操作,之后,运行针对应用程序的运行控制指令,以执行对应的测试用例。例如,运行基于用户界面(UserInterface,UI)测试框架的单元测试用例,以使应用程序呈现出由点击启动应用程序到应用程序主页显示完成的过程。
步骤230、在检测到满足录制时长条件时,结束对投屏结果的录屏操作,以获取监控视频。
其中,录制时长为预设的,与录制的运行阶段相关的时间长度。一般的,该录制时长大于录制的各个运行阶段的运行时长总和,但是,也可能出现满足录制时长条件,却未完成相应录制内容的情况,此时,可以认为当前测试的运行阶段的切换耗时不能满足基本的测试条件,性能测试失败,需要先进行相应的功能测试以保证应用程序的正常运行。
步骤240、将监控视频分帧处理为视频帧序列。
具体的,可以使用命令“ffmpeg–i视频名称–r 60%d.jpeg”进行分帧处理,其中,限定分帧帧率为60帧/s,以便于后续计算相应的帧间隔时长。当然,在本实施例中,分帧处理的方式并不限于上述命令,分帧帧率也不限于60帧/s,上述分帧处理方式仅为优选的实施方式。
步骤250、使用均值哈希算法,按照视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度,将相似度计算结果大于等于相似度阈值的两个视频帧中的后一视频帧作为重复视频帧,从视频帧序列中去除。
具体的,对视频帧序列中的所有视频帧进行缩放,以去除视频帧图像的大小和纵横比的差异,将视频帧图像的像素数量统一为预设数量;将缩放后的视频帧图像转换为灰度图;计算进行灰度处理后的所有视频帧图像的像素点的灰度平均值;遍历每一视频帧图像的每一像素点,若像素点的灰度大于灰度平均值,记为1,否则记为0,从而针对每一视频帧图像,得到预设数量位的指纹信息;比对任意相邻两个视频帧的指纹信息,计算汉明距离(从一个指纹信息到另一个指纹信息需要变换几次),若第i帧图像和第i+1帧图像通过均值哈希算法得到的汉明距离为0,代表两帧图片完全相同,则剔除第i+1帧图像。
步骤260、根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型。
步骤270、根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧。
步骤280、根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
本实施例的技术方案提供了获取与应用程序匹配的监控视频的具体步骤,通过获取安装应用程序的终端设备的投屏结果,对投屏结果进行录制,获得监控视频,保证了在获取监控视频的过程中,终端设备的性能不会被运行的录屏软件影响,提高了最终得到的与应用程序匹配的运行阶段的切换耗时的准确性。
实施例三
图3是本发明实施例三提供的一种应用程序的性能测试方法的流程图,本实施例以上述实施例为基础,在本实施例中,根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型,具体为:将视频帧序列中的每个视频帧分别输入至预先训练的图片分类模型中,获取图片分类模型输出的,与各视频帧对应的图片分类类型;其中,图片分类模型为使用针对至少一个应用程序的至少一个运行阶段预先标注的多个展示内容图片,对预设的深度神经网络模型进行训练得到的。
相应的,本实施例的方法包括如下步骤:
步骤310、获取安装应用程序的终端设备的投屏结果。
步骤320、开启对投屏结果的录屏操作后,向终端设备发送针对应用程序的至少一条运行控制指令,以使应用程序呈现与至少两个运行阶段匹配的展示内容。
步骤330、在检测到满足录制时长条件时,结束对投屏结果的录屏操作,以获取监控视频。
其中,监控视频中记录有:与应用程序的点击启动阶段匹配的视频帧、与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧。
在本实施例中,针对应用程序的点击启动阶段、程序加载阶段以及进入首页阶段进行视频录制,从而可以确定应用程序的启动耗时以及首页加载耗时。其中,应用程序的启动耗时是指从点击应用程序的时刻起,至应用程序进入加载阶段的时刻止的时间长度;应用程序的首页加载耗时是指从进入加载阶段(例如,显示加载文本或者加载动画)的时刻起,至应用程序进入首页阶段(首页完全显示)的时刻止的时间长度。
步骤340、将监控视频分帧处理为视频帧序列。
步骤350、使用均值哈希算法,按照视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度,将相似度计算结果大于等于相似度阈值的两个视频帧中的后一视频帧作为重复视频帧,从视频帧序列中去除。
步骤360、将视频帧序列中的每个视频帧分别输入至预先训练的图片分类模型中,获取图片分类模型输出的,与各视频帧对应的图片分类类型。
其中,图片分类模型为使用针对至少一个应用程序的至少一个运行阶段预先标注的多个展示内容图片,对预设的深度神经网络模型进行训练得到的,典型的,利用TensorFlow框架,实现机器学习算法的编程,从而得到该图片分类模型。
在本实施例中,通过图片分类模型确定各视频帧对应的图片分类类型。具体的,图片分类类型可以包括:点击类图片和界面切换类图片。与应用程序的点击启动阶段匹配的视频帧对应的图片分类类型属于点击类图片;与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧对应的图片分类类型属于界面切换类图片,具体的,界面切换类图片又包括加载界面切换类图片和首页界面切换类图片。
可选的,在获取图片分类模型输出的,与各视频帧对应的图片分类类型之后,还包括:
按照预设的文本识别算法,识别出各视频帧中包括的文本内容;
根据在各视频帧中识别出的文本内容,以及标准文本内容与图片分类类型之间的映射关系,对各视频帧的图片分类类型进行校正。
在本可选的技术方案中,提出了对图片分类类型进行校正方式。即针对每一图片分类类型设置标准文本内容(例如,针对点击启动阶段,标准文本内容可以是应用程序的名称,针对程序加载阶段,标准文本内容可以是“加载中”的文本字样,针对进入首页阶段,标准文本内容可以是首页中的关键字),而后对通过图片分类模型确定图片分类类型的视频帧进行文本识别,二次确定各视频帧对应的图片分类类型,对通过图片分类模型确定的图片分类类型进行校正,由此,保证获得的图片分类类型的准确性。
步骤370、根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧。
步骤380、根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
本实施例的技术方案,提供了根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型的具体步骤,利用图片分类模型确定各视频帧的图片分类类型,由于图片分类模型是基于多个展示内容图片对预设的深度神经网络模型进行训练得到的,随着展示内容图片的增加,获得的图片分类模型的准确性提高,从而实现了图片分类类型的准确识别,而且,图片分类模型具有易扩展性,使得本实施例的技术方案可以应用于应用程序运行的各个阶段,扩展了适用范围。
实施例四
图4是本发明实施例四提供的一种应用程序的性能测试方法的流程图,本实施例以上述实施例为基础,在本实施例中,根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧,具体为:在视频帧序列中,获取与各图片分类类型分别对应的视频帧集合;如果当前处理的视频帧集合的图片分类类型属于点击类图片,则按照视频帧集合中各视频帧的时间先后顺序比较任意相邻两个视频帧之间的相似度;获取相似度计算结果小于等于相似度阈值的两个视频帧中的后一视频帧作为运行阶段切换识别帧;如果当前处理的视频帧集合的图片分类类型属于界面切换类图片,则按照视频帧集合中各视频帧的时间先后顺序,在视频帧集合中获取首个视频帧作为运行阶段切换识别帧。
相应的,本实施例的方法包括如下步骤:
步骤410、获取安装应用程序的终端设备的投屏结果。
步骤420、开启对投屏结果的录屏操作后,向终端设备发送针对应用程序的至少一条运行控制指令,以使应用程序呈现与至少两个运行阶段匹配的展示内容。
步骤430、在检测到满足录制时长条件时,结束对投屏结果的录屏操作,以获取监控视频。
其中,监控视频中记录有:与应用程序的点击启动阶段匹配的视频帧、与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧。
步骤440、将监控视频分帧处理为视频帧序列。
步骤450、使用均值哈希算法,按照视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度,将相似度计算结果大于等于相似度阈值的两个视频帧中的后一视频帧作为重复视频帧,从视频帧序列中去除。
步骤460、将视频帧序列中的每个视频帧分别输入至预先训练的图片分类模型中,获取图片分类模型输出的,与各视频帧对应的图片分类类型。
其中,图片分类模型为使用针对至少一个应用程序的至少一个运行阶段预先标注的多个展示内容图片,对预设的深度神经网络模型进行训练得到的。
图片分类类型可以包括:点击类图片和界面切换类图片。与应用程序的点击启动阶段匹配的视频帧对应的图片分类类型属于点击类图片;与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧对应的图片分类类型属于界面切换类图片,具体的,界面切换类图片又包括加载界面切换类图片和首页界面切换类图片。
步骤470、按照预设的文本识别算法,识别出各视频帧中包括的文本内容。
步骤480、根据在各视频帧中识别出的文本内容,以及标准文本内容与图片分类类型之间的映射关系,对各视频帧的图片分类类型进行校正。
步骤490、在视频帧序列中,获取与各图片分类类型分别对应的视频帧集合。
在本实施例中,在确定各视频帧的图片分类类型后,获取与各图片分类类型分别对应的视频帧集合。也就是说,分别针对点击类图片、加载界面切换类图片和首页界面切换类图片确定对应的视频帧集合。
步骤4100、判断当前处理的视频帧集合的图片分类类型是否属于点击类图片,若是,执行步骤4110,若否,当前处理的视频帧集合的图片分类类型属于界面切换类图片,执行步骤4130。
步骤4110、按照视频帧集合中各视频帧的时间先后顺序比较任意相邻两个视频帧之间的相似度。执行步骤4120。
步骤4120、获取相似度计算结果小于等于相似度阈值的两个视频帧中的后一视频帧作为运行阶段切换识别帧。执行步骤4140。
在本实施例中,如果当前处理的视频帧集合的图片分类类型属于点击类图片,说明对应的切换识别帧可能存在于视频帧集合的任意位置,即点击操作可以发生的录制启动阶段的任意时刻发生,由此,需要按照视频帧集合中各视频帧的时间先后顺序比较任意相邻两个视频帧之间的相似度,当相似度计算结果小于等于相似度阈值,说明两个视频帧的像素发生了变化,也就是发生了点击操作,将两个视频帧中的后一视频帧作为运行阶段切换识别帧。具体的,可以利用结构相似性(Structural Similarity Index,SSIM)技术作为衡量两幅图片相似度的指标,进而确定图片间是否发生变化。
步骤4130、按照视频帧集合中各视频帧的时间先后顺序,在视频帧集合中获取首个视频帧作为运行阶段切换识别帧。执行步骤4140。
在本实施例中,如果当前处理的视频帧集合的图片分类类型属于界面切换类图片,说明切换识别帧位于视频帧集合的首帧位置,则按照视频帧集合中各视频帧的时间先后顺序,在视频帧集合中获取首个视频帧作为运行阶段切换识别帧。具体的,针对加载界面切换类图片,对应的视频帧集合的首个视频帧就是程序加载阶段的切换识别帧;针对首页界面切换类图片,对应的视频帧集合的首个视频帧就是进入首页阶段的切换识别帧。
步骤4140、判断是否已确定所有视频帧集合中与运行阶段对应的切换识别帧,若是,执行步骤4150,若否,返回执行步骤4100。
步骤4150、根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
具体的,根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时,包括:
获取与点击启动阶段匹配的第一运行阶段切换识别帧、与应用程序的程序加载阶段匹配的第二运行阶段切换识别帧,以及与应用程序的进入首页阶段匹配的第三运行阶段切换识别帧;
根据第二运行阶段切换识别帧与第一运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算应用程序的启动耗时;
根据第三运行阶段切换识别帧与第二运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算应用程序的首页加载耗时。
对应的,上述第一运行阶段为点击启动阶段,第二运行阶段为程序加载阶段、第三运行阶段为进入首页阶段,由于上述三个阶段具有连续性,因此,通过程序加载阶段和点击启动阶段的切换识别帧的帧位置之差,以及预设的帧间隔时长,可计算出应用程序的启动耗时,通过进入首页阶段和程序加载阶段的切换识别帧的帧位置之差,以及预设的帧间隔时长,可计算出应用程序的首页加载耗时。
在本实施例中,提供了根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧的具体步骤,通过针对不同的图片分类类型对应的视频帧集合,采取不同的确定切换识别帧方式,保证了获取准确的与运行阶段匹配的切换识别帧,从而提高了计算出的与应用程序匹配的运行阶段切换耗时的准确性。
实施例五
图5为本发明实施例四提供的一种应用程序的性能测试装置的结构示意图。如图5所示,所述应用程序的性能测试装置具体包括:监控视频获取模块510、图片分类类型确定模块520、切换识别帧确定模块530以及切换耗时确定模块540,其中:
监控视频获取模块510,用于获取与应用程序匹配的监控视频,并将监控视频分帧处理为视频帧序列,监控视频中记录有与应用程序的至少两个运行阶段匹配的视频帧;
图片分类类型确定模块520,用于根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型;
切换识别帧确定模块530,用于根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧;
切换耗时确定模块540,用于根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
在上述各实施例的基础上,监控视频获取模块510,具体用于:
获取安装应用程序的终端设备的投屏结果;
开启对投屏结果的录屏操作后,向终端设备发送针对应用程序的至少一条运行控制指令,以使应用程序呈现与至少两个运行阶段匹配的展示内容;
在检测到满足录制时长条件时,结束对投屏结果的录屏操作,以获取监控视频。
在上述各实施例的基础上,图片分类类型确定模块520,具体用于:
将视频帧序列中的每个视频帧分别输入至预先训练的图片分类模型中,获取图片分类模型输出的,与各视频帧对应的图片分类类型;
其中,图片分类模型为使用针对至少一个应用程序的至少一个运行阶段预先标注的多个展示内容图片,对预设的深度神经网络模型进行训练得到的。
在上述各实施例的基础上,切换识别帧确定模块530,具体用于:
在视频帧序列中,获取与各图片分类类型分别对应的视频帧集合;
如果当前处理的视频帧集合的图片分类类型属于点击类图片,则按照视频帧集合中各视频帧的时间先后顺序比较任意相邻两个视频帧之间的相似度;
获取相似度计算结果小于等于相似度阈值的两个视频帧中的后一视频帧作为运行阶段切换识别帧;
如果当前处理的视频帧集合的图片分类类型属于界面切换类图片,则按照视频帧集合中各视频帧的时间先后顺序,在视频帧集合中获取首个视频帧作为运行阶段切换识别帧。
在上述各实施例的基础上,所述装置还包括:
重复视频帧去除模块,用于使用均值哈希算法,去除视频帧序列中包括的重复视频帧。
在上述各实施例的基础上,所述装置还包括:分类类型校正模块,具体用于:
按照预设的文本识别算法,识别出各视频帧中包括的文本内容;
根据在各视频帧中识别出的文本内容,以及标准文本内容与图片分类类型之间的映射关系,对各视频帧的图片分类类型进行校正。
在上述各实施例的基础上,监控视频中记录有:与应用程序的点击启动阶段匹配的视频帧、与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧;
与应用程序的点击启动阶段匹配的视频帧对应的图片分类类型属于点击类图片;与应用程序的程序加载阶段匹配的视频帧,以及与应用程序的进入首页阶段匹配的视频帧对应的图片分类类型属于界面切换类图片。
在上述各实施例的基础上,切换耗时确定模块540,具体用于:
获取与点击启动阶段匹配的第一运行阶段切换识别帧、与应用程序的程序加载阶段匹配的第二运行阶段切换识别帧,以及与应用程序的进入首页阶段匹配的第三运行阶段切换识别帧;
根据第二运行阶段切换识别帧与第一运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算应用程序的启动耗时;
根据第三运行阶段切换识别帧与第二运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算应用程序的首页加载耗时。
本发明实施例所提供的应用程序的性能测试装置可执行本发明任意实施例所提供的应用程序的性能测试方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例五中的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12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6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20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20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12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。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如,在计算机设备为区块生成节点时,处理单元16实现本发明实施例所提供的一种应用程序的性能测试方法:
也即:获取与应用程序匹配的监控视频,并将监控视频分帧处理为视频帧序列,监控视频中记录有与应用程序的至少两个运行阶段匹配的视频帧;根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型;根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧;根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
实施例七
本发明实施例七提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的应用程序的性能测试方法:
也即:获取与应用程序匹配的监控视频,并将监控视频分帧处理为视频帧序列,监控视频中记录有与应用程序的至少两个运行阶段匹配的视频帧;根据视频帧序列中各视频帧所属的运行阶段,确定与各视频帧对应的图片分类类型;根据图片分类类型,在视频帧序列中确定出运行阶段切换识别帧;根据至少两个运行阶段切换识别帧在监控视频中的帧位置,确定与应用程序匹配的运行阶段切换耗时。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机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。
计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种应用程序的性能测试方法,其特征在于,包括:
获取与应用程序匹配的监控视频,并将所述监控视频分帧处理为视频帧序列,所述监控视频中记录有与所述应用程序的至少两个运行阶段匹配的视频帧;
根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型;
根据所述图片分类类型,在所述视频帧序列中确定出运行阶段切换识别帧;
根据至少两个所述运行阶段切换识别帧在所述监控视频中的帧位置,确定与所述应用程序匹配的运行阶段切换耗时。
2.根据权利要求1所述的方法,其特征在于,获取与应用程序匹配的监控视频,包括:
获取安装所述应用程序的终端设备的投屏结果;
开启对所述投屏结果的录屏操作后,向所述终端设备发送针对所述应用程序的至少一条运行控制指令,以使所述应用程序呈现与所述至少两个运行阶段匹配的展示内容;
在检测到满足录制时长条件时,结束对所述投屏结果的录屏操作,以获取所述监控视频。
3.根据权利要求1所述的方法,其特征在于,根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型,包括:
将所述视频帧序列中的每个视频帧分别输入至预先训练的图片分类模型中,获取所述图片分类模型输出的,与各所述视频帧对应的图片分类类型;
其中,所述图片分类模型为使用针对至少一个应用程序的至少一个运行阶段预先标注的多个展示内容图片,对预设的深度神经网络模型进行训练得到的。
4.根据权利要求1所述的方法,其特征在于,根据所述图片分类类型,在所述视频帧序列中确定出运行阶段切换识别帧,包括:
在所述视频帧序列中,获取与各所述图片分类类型分别对应的视频帧集合;
如果当前处理的视频帧集合的图片分类类型属于点击类图片,则按照所述视频帧集合中各视频帧的时间先后顺序比较任意相邻两个视频帧之间的相似度;
获取相似度计算结果小于等于相似度阈值的两个视频帧中的后一视频帧作为所述运行阶段切换识别帧;
如果当前处理的视频帧集合的图片分类类型属于界面切换类图片,则按照所述视频帧集合中各视频帧的时间先后顺序,在所述视频帧集合中获取首个视频帧作为所述运行阶段切换识别帧。
5.根据权利要求1-4任一项所述的方法,其特征在于,在将所述监控视频分帧处理为视频帧序列之后,还包括:
使用均值哈希算法,按照所述视频帧序列中各视频帧的时间先后顺序,分别比对任意相邻两个视频帧的相似度,将相似度计算结果大于等于相似度阈值的两个视频帧中的后一视频帧作为重复视频帧,从所述视频帧序列中去除。
6.根据权利要求1-4任一项所述的方法,其特征在于,在根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型之后,还包括:
按照预设的文本识别算法,识别出各所述视频帧中包括的文本内容;
根据在各所述视频帧中识别出的文本内容,以及标准文本内容与图片分类类型之间的映射关系,对各所述视频帧的图片分类类型进行校正。
7.根据权利要求1所述的方法,其特征在于,所述监控视频中记录有:与所述应用程序的点击启动阶段匹配的视频帧、与所述应用程序的程序加载阶段匹配的视频帧,以及与所述应用程序的进入首页阶段匹配的视频帧;
与所述应用程序的点击启动阶段匹配的视频帧对应的图片分类类型属于点击类图片;与所述应用程序的程序加载阶段匹配的视频帧,以及与所述应用程序的进入首页阶段匹配的视频帧对应的图片分类类型属于界面切换类图片。
8.根据权利要求7所述的方法,其特征在于,根据至少两个运行阶段切换识别帧在所述监控视频中的帧位置,确定与所述应用程序匹配的运行阶段切换耗时,包括:
获取与所述点击启动阶段匹配的第一运行阶段切换识别帧、与所述应用程序的程序加载阶段匹配的第二运行阶段切换识别帧,以及与所述应用程序的进入首页阶段匹配的第三运行阶段切换识别帧;
根据所述第二运行阶段切换识别帧与所述第一运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算所述应用程序的启动耗时;
根据所述第三运行阶段切换识别帧与所述第二运行阶段切换识别帧之间的帧位置差值,以及预设的帧间隔时长,计算所述应用程序的首页加载耗时。
9.一种应用程序的性能测试装置,其特征在于,包括:
监控视频获取模块,用于获取与应用程序匹配的监控视频,并将所述监控视频分帧处理为视频帧序列,所述监控视频中记录有与所述应用程序的至少两个运行阶段匹配的视频帧;
图片分类类型确定模块,用于根据所述视频帧序列中各视频帧所属的运行阶段,确定与各所述视频帧对应的图片分类类型;
切换识别帧确定模块,用于根据所述图片分类类型,在所述视频帧序列中确定出运行阶段切换识别帧;
切换耗时确定模块,用于根据至少两个所述运行阶段切换识别帧在所述监控视频中的帧位置,确定与所述应用程序匹配的运行阶段切换耗时。
10.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的应用程序的性能测试方法。
11.一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,该程序被处理器执行时实现如权利要求1-8中任一所述的应用程序的性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481744.2A CN110221979A (zh) | 2019-06-04 | 2019-06-04 | 应用程序的性能测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481744.2A CN110221979A (zh) | 2019-06-04 | 2019-06-04 | 应用程序的性能测试方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110221979A true CN110221979A (zh) | 2019-09-10 |
Family
ID=67819307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481744.2A Pending CN110221979A (zh) | 2019-06-04 | 2019-06-04 | 应用程序的性能测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221979A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553408A (zh) * | 2020-04-26 | 2020-08-18 | 智泉科技(广东)有限公司 | 视频识别软件自动测试的方法 |
CN111859019A (zh) * | 2020-07-17 | 2020-10-30 | 腾讯音乐娱乐科技(深圳)有限公司 | 获取页面切换响应时间的方法及相关设备 |
CN112153375A (zh) * | 2020-09-25 | 2020-12-29 | 平安国际智慧城市科技股份有限公司 | 基于视频信息的前端性能测试方法、装置、设备及介质 |
CN112218155A (zh) * | 2020-09-24 | 2021-01-12 | 北京达佳互联信息技术有限公司 | 一种切换耗时的自动检测方法、装置及电子设备 |
CN112580644A (zh) * | 2020-12-08 | 2021-03-30 | 平安国际智慧城市科技股份有限公司 | 基于视频流抠图时间的测试方法、装置及可读存储介质 |
CN112612690A (zh) * | 2020-11-30 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 一种用户界面信息处理方法、装置、电子设备及存储介质 |
CN113032228A (zh) * | 2020-11-26 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 一种操作响应耗时的确定方法、装置、设备及存储介质 |
CN113094285A (zh) * | 2021-05-11 | 2021-07-09 | 世纪龙信息网络有限责任公司 | 测试用例运行过程的录屏方法、装置、设备及存储介质 |
CN115396705A (zh) * | 2022-08-19 | 2022-11-25 | 上海哔哩哔哩科技有限公司 | 投屏操作验证方法、平台及系统 |
CN115398891A (zh) * | 2021-04-23 | 2022-11-25 | 腾讯美国有限责任公司 | 通过多次测量进行的估计 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025392A (zh) * | 2015-06-25 | 2015-11-04 | 西北工业大学 | 基于摘要空间特征学习的视频摘要关键帧提取方法 |
CN106126590A (zh) * | 2016-06-20 | 2016-11-16 | 北京航空航天大学 | 一种基于关键信息的无人机侦察视频检索方法 |
CN106874186A (zh) * | 2016-12-29 | 2017-06-20 | 努比亚技术有限公司 | 一种应用启动速度的测试装置、终端及方法 |
CN108280233A (zh) * | 2018-02-26 | 2018-07-13 | 南京邮电大学 | 一种基于深度学习的视频gis数据检索方法 |
CN108833973A (zh) * | 2018-06-28 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 视频特征的提取方法、装置和计算机设备 |
CN108874673A (zh) * | 2018-06-21 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 应用程序的测试方法及装置 |
CN108984395A (zh) * | 2018-06-21 | 2018-12-11 | 腾讯科技(北京)有限公司 | 一种应用程序启动耗时测试方法、装置和存储介质 |
CN109710520A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安财产保险股份有限公司 | 应用启动耗时测试方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-04 CN CN201910481744.2A patent/CN110221979A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025392A (zh) * | 2015-06-25 | 2015-11-04 | 西北工业大学 | 基于摘要空间特征学习的视频摘要关键帧提取方法 |
CN106126590A (zh) * | 2016-06-20 | 2016-11-16 | 北京航空航天大学 | 一种基于关键信息的无人机侦察视频检索方法 |
CN106874186A (zh) * | 2016-12-29 | 2017-06-20 | 努比亚技术有限公司 | 一种应用启动速度的测试装置、终端及方法 |
CN108280233A (zh) * | 2018-02-26 | 2018-07-13 | 南京邮电大学 | 一种基于深度学习的视频gis数据检索方法 |
CN108874673A (zh) * | 2018-06-21 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 应用程序的测试方法及装置 |
CN108984395A (zh) * | 2018-06-21 | 2018-12-11 | 腾讯科技(北京)有限公司 | 一种应用程序启动耗时测试方法、装置和存储介质 |
CN108833973A (zh) * | 2018-06-28 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 视频特征的提取方法、装置和计算机设备 |
CN109710520A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安财产保险股份有限公司 | 应用启动耗时测试方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
XIAQING: "移动性能测试 机器学习技术在 App 启动测试中的一次尝试", 《HTTPS://TESTERHOME.COM/TOPICS/10592》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553408A (zh) * | 2020-04-26 | 2020-08-18 | 智泉科技(广东)有限公司 | 视频识别软件自动测试的方法 |
CN111859019A (zh) * | 2020-07-17 | 2020-10-30 | 腾讯音乐娱乐科技(深圳)有限公司 | 获取页面切换响应时间的方法及相关设备 |
CN112218155A (zh) * | 2020-09-24 | 2021-01-12 | 北京达佳互联信息技术有限公司 | 一种切换耗时的自动检测方法、装置及电子设备 |
CN112153375A (zh) * | 2020-09-25 | 2020-12-29 | 平安国际智慧城市科技股份有限公司 | 基于视频信息的前端性能测试方法、装置、设备及介质 |
CN112153375B (zh) * | 2020-09-25 | 2023-09-15 | 深圳平安智慧医健科技有限公司 | 基于视频信息的前端性能测试方法、装置、设备及介质 |
CN113032228A (zh) * | 2020-11-26 | 2021-06-25 | 北京字节跳动网络技术有限公司 | 一种操作响应耗时的确定方法、装置、设备及存储介质 |
CN113032228B (zh) * | 2020-11-26 | 2023-09-05 | 北京字节跳动网络技术有限公司 | 一种操作响应耗时的确定方法、装置、设备及存储介质 |
CN112612690A (zh) * | 2020-11-30 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 一种用户界面信息处理方法、装置、电子设备及存储介质 |
CN112612690B (zh) * | 2020-11-30 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 一种用户界面信息处理方法、装置、电子设备及存储介质 |
CN112580644A (zh) * | 2020-12-08 | 2021-03-30 | 平安国际智慧城市科技股份有限公司 | 基于视频流抠图时间的测试方法、装置及可读存储介质 |
CN115398891A (zh) * | 2021-04-23 | 2022-11-25 | 腾讯美国有限责任公司 | 通过多次测量进行的估计 |
CN115398891B (zh) * | 2021-04-23 | 2024-06-21 | 腾讯美国有限责任公司 | 估计音频渲染程序的复杂度的方法、装置和存储介质 |
CN113094285A (zh) * | 2021-05-11 | 2021-07-09 | 世纪龙信息网络有限责任公司 | 测试用例运行过程的录屏方法、装置、设备及存储介质 |
CN115396705A (zh) * | 2022-08-19 | 2022-11-25 | 上海哔哩哔哩科技有限公司 | 投屏操作验证方法、平台及系统 |
CN115396705B (zh) * | 2022-08-19 | 2024-03-19 | 上海哔哩哔哩科技有限公司 | 投屏操作验证方法、平台及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221979A (zh) | 应用程序的性能测试方法、装置、设备及存储介质 | |
CN108846126B (zh) | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 | |
US20200134456A1 (en) | Video data processing method and apparatus, and readable storage medium | |
US11075862B2 (en) | Evaluating retraining recommendations for an automated conversational service | |
CN108920380A (zh) | 软件兼容性的测试方法、装置、服务器、设备和存储介质 | |
CN111652087B (zh) | 验车方法、装置、电子设备和存储介质 | |
CN110554831B (zh) | 操作同步方法、装置、设备及存储介质 | |
CN108874665A (zh) | 一种测试结果校验方法、装置、设备和介质 | |
US11620474B2 (en) | Model reselection for accommodating unsatisfactory training data | |
WO2020029608A1 (zh) | 用于检测电极片毛刺的方法和装置 | |
CN109660533B (zh) | 实时识别异常流量的方法、装置、计算机设备和存储介质 | |
KR20210098397A (ko) | 차량용 기기의 응답 속도 테스트 방법, 장치, 기기 및 저장매체 | |
CN114898466A (zh) | 一种面向智慧工厂的视频动作识别方法及系统 | |
CN110598008A (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN110502414A (zh) | 终端设备性能测试方法、装置、终端设备及存储介质 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN112232276A (zh) | 一种基于语音识别和图像识别的情绪检测方法和装置 | |
CN114245232B (zh) | 一种视频摘要生成方法、装置、存储介质及电子设备 | |
CN115205883A (zh) | 基于ocr和nlp的资料审核方法、装置、设备、存储介质 | |
WO2022062968A1 (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
CN113254608A (zh) | 通过问答生成训练数据的系统及其方法 | |
CN112434953A (zh) | 一种基于计算机数据处理的客服人员考核方法和装置 | |
US11762939B2 (en) | Measure GUI response time | |
CN110516024B (zh) | 地图搜索结果展现方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |