CN115562979B - 一种基于人工智能的自动生成测试报告的方法 - Google Patents

Abstract

本发明提供一种基于人工智能EXCEL VBA的自动生成测试报告的方法，其特征在于，包括如下步骤：S1获取数据，所述数据包括测试项目检测数据，以及图片数据；定义基本信息、织物对照数据、材料和制样信息数据、测试标准信息数据、图例、参数清单数据、设置数据和错误代码数据中各性能参数和关联码的映射关系，其中、基本信息数据、材料和制样信息数据、测试标准信息数据、参数清单数据、设置数据和错误代码数据中各性能参数中所需保存的数据属于项目检测数据，而织物对照数据、图例中所需保存的数据属于图片数据，其中，所述图例包括样本图以及测试图谱；S2基于EXCEL VBA或者基于第一人工智能算法的自动生成报告；S3利用第二人工智能算法实现自动化生成的测试报告的预完善。实现了报告的高效自动生成，并预测出用可能需要完善的表格项目，确保报告的完整性。

Description

一种基于人工智能的自动生成测试报告的方法

技术领域

本发明涉及一种自动生成测试报告的方法，具体采用VBA代码进行数据采集和填写，尤其涉及一种基于人工智能的自动生成测试报告的方法，属于数字表格生成领域。

背景技术

科学实以及产品性能测试验数据需要进行整理入表，一般有检测人员获取数据，按数据类型依靠excel或其他word制表而人工键入，甚至使用纸质。然而大量的数据历史需要记录时纸质的显然跟不上电子表格海量存储不占空间的现有技术。因此考虑电子表格时，仍然面临着繁琐的人工键入。通过程序软件编写计算机自动生成表格时，现有的方法是获取数据，并预处理数据之后预电子表格之间建立映射关联。但是依旧需要对不同的数据进行识别从而配以关联码进行基于循环处理的数据组保存，并获取关联码形成表格自动填写，数据获取需要用到VBA代码。因此，仍然需要用关联码进行标注，这一个过程的改变相当于将填表的劳动转换成关联码标注。事实上，填表的过程在人工看来是一个识别数据类型并将相应类型的数据填入指定的与类型相对应的合适大小的表格栏中的过程。因此关联码相当于一个人脑识别和填表匹配的一个关键。如何快速实现不同类型数据，尤其是表格中常见的文本以及图片两种数据的关联码的识别是亟待解决的技术问题。此外表格的完善需要在事后人工进行，如何预测所需要的完善项目也是快速制表的一个关键。

发明内容

基于上述考虑本发明将采用如下的方法，第一考虑人工智能方法快速识别不同类型的数据，以及不同测试项目数据，并赋予关联码；第二考虑传统的EXCEL表的基于循环处理方法的数据存储，以及采用目标生成表格的之间关联关联码而跳过EXCEL表格实现数据的填入；第三根据检测对象而预测所需要完善的表格项目，从而在生成的表格里以空格形式体现，从而快速完善。

鉴于上述考虑，本发明提供一种基于人工智能EXCEL VBA的自动生成测试报告的方法，其特征在于，包括如下步骤：

S1获取数据，所述数据包括测试项目检测数据，以及图片数据；定义基本信息、织物对照数据、材料和制样信息数据(包括材料组分、含量、规格、制样的方法信息等)、测试标准信息数据、图例、参数清单数据、设置数据和错误代码数据中各性能参数和关联码的映射关系，其中、基本信息数据、材料和制样信息数据、测试标准信息数据、参数清单数据、设置数据和错误代码数据中各性能参数中所需保存的数据属于项目检测数据，而织物对照数据、图例中所需保存的数据属于图片数据，其中，所述图例包括样本图以及测试图谱；

S2基于EXCEL VBA或者基于第一人工智能算法的自动生成报告；

S3利用第二人工智能算法实现自动化生成的测试报告的预完善。

其中，S2中基于EXCEL VBA的自动生成报告的过程包括：

S2-1用Excel格式定义FRP报告生成工具工作簿,对工作薄中各工作表对应的数据位置及空格进行检查，检查各工作表的参数对应行数和列数是否正确；定义工作薄中基本信息表、织物对照表、材料和制样信息表、测试标准信息表、图例、参数清单表、设置表和错误代码表中各性能参数和关联码的映射关系，其中，基本信息表、材料和制样信息表、测试标准信息表、参数清单表、设置表和错误代码表中各性能参数中所需保存的数据属于项目检测数据，而织物对照表、图例中所需保存的数据属于图片数据；

S2-2解析各工作表内容，采用循环处理方法，将工作表中的数据逐条保存于数据数组中；

S2-3将预先编制的VBA代码封装到EXCEL表中，并使用XML制作EXCEL快捷菜单关联到所述VBA代码，通过VBA关联按钮实现自动生成报告。

S2中基于第一人工智能算法的自动生成报告的过程包括：

S2-1'获取历史项目检测数据进行文本化处理得到文本；

S2-2'对步骤S2-1'中的文本进行特殊词删除，对删除后的文本进行词性解析获得词性分析结果；其中，所述词性解析包括词提取过程、划分词过程，以及词性分析过程，从而形成词性分析结果，其中，采用第二隐马尔科夫模型对所述划分词过程的结果进行词性分析，去除停用词形成词性分析文本；

S2-3'将所述词性分析文本中的词和词性，以及测试项目分别作为同质图的节点而利用按照步骤S2-1'-S2-2'将经过词性分析得到的词性分析文本建立词典和词性库，进行同质图构建；获取新项目检测数据，进行步骤S2-1'-S2-2'得到提取的词进行新词搜索，不断将历史项目检测数据文本化后删除特殊词的文本进行词提取，将提取的词依次代入所述同质图的词典节点，进行边搜索，找到同质图中的对应的所有所述测试项目节点，如果与实际测试项目存在全部不同的情况(即找不到对应测试项目节点)，则将该词定义为新词而更新词典，并更新词性库，如果有相同，则定义为非新词；

S2-4'建立词-词性-测试项目分类模型，统计步骤S2-3'中所有对应历史项目检测数据的词性分析文本中所有的词与词性，输入所述词-词性-分类模型中得到测试项目分类结果，其中词-词性-测试项目分类模型采用第一CNN模型，具体步骤如下：

(2-4'-1)将历史项目检测数据中经词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性或从右往左词性-词的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，也即每个像素点的组包括了两个像素点，是按照从左往右词-词性或从右往左词性-词的先后顺序排列两个像素点；

(2-4'-2)将历史项目检测数据进行人工测试项目分类；

(2-4'-3)将每个测试项目对应的像素点的组进行预定规则排列，形成至少为4480×4480的第一方阵图，形成N组第一方阵图，N为测试项目总数，若像素点的组排布不够填满第一方阵图，则循环到第一个词对应像素点的组继续填充，直至填满方阵，将N组第一方阵图整体上分为训练集和验证集，且对于每一测试项目之间实际划分的训练集和验证集的比例均相同，为5-3:1-2，或者优先地，对于基本信息表，材料和制样信息表中的数据对应的第一方阵图训练集和验证集的比例均相同，为5:1，对于其他第一方阵图则为4-3：2；

(2-4'-4)将相应的训练集输入第一CNN中得到输出向量经过全连接FC之后输出到softmax函数分类为N类测试项目，N∈[6,20]，进行训练，使用验证集验证准确率和计算损失函数值，进行反向传播修正第一CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第一CNN1模型；

(2-4'-5)获取历史图片数据分为训练集和验证集为5-3:1-2，将相应的训练集输入第二CNN模型中得到输出向量经过全连接FC之后输出到softmax函数分类为织物对照数据、图例二分类，进行训练，使用验证集验证准确率和损失函数值，进行反向传播修正第二CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第二CNN2模型；

(2-4'-6)获取待测试项目检测数据，照步骤(2-4'-1)和(2-4'-2)形成第一方阵图像，输入相应的第一CNN1模型中，以及获取图片数据输入第二CNN2模型中，分别得到项目检测数据预测分类以及图片数据预测二分类；

S2-5'FRP报告中封装入VBA代码，通过VBA第一关联按钮将得到的测试项目检测数据和图片数据预测分类结果对应的关联码通过与FRP报告中与各数据分类对应的栏进行映射，将数据填入对应的所述栏中完成一键初始FRP报告生成。

S3具体包括如下步骤：

S3-1获取多种样本的测试项目检测数据，同样将测试项目检测数据中经文本化和词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性或从右往左词性-词的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，将每个测试项目对应的像素点的组进行预定规则排列，若像素点的组排布不够填满第二方阵图，则循环到第一个词对应像素点的组继续填充，直至填满方阵，形成至少为4480×4480的第二方阵图，分为训练集以及验证集为4-3:1；

S3-2建立样本中共同的像素点的组集合，以及选取与样本对应的不在共同的像素点的组集合中的像素点的组进行编号，获取编号对应的完善项目；

可以理解的是，不在共同的像素点的组集合中的像素点的组实质上一定概率反映了不同样品的提供用户的对于报告内容的额外特定的需求。

S3-2构建第三CNN模型，将第二方阵图训练集输入第三CNN模型中，输出端经FC之后使用softmax函数进行分类为多个所述编号，使用验证集验证准确率和计算损失函数值，进行反向传播修正第三CNN网络参数，反复代入不同的训练集预测多个所述编号与所述像素点的组的编号比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第三CNN3模型；

S3-3将待预测的测试项目检测数据经过S3-1步骤处理后得到第二方阵图测试集输入训练完成的第三CNN3模型中得到相应的预测的完善测试项目的概率，将概率大于70％的编号对应的完善项目作为预测的完善测试项目，并使用VBA第二关联按钮与预测的完善测试项目，在初始FRP报告中扩充预测的完善测试项目对应的栏，以形成预测完善FRP报告。

可以理解的是，用户可以通过预测的完善预测，而直接人工键入需要完善的数据，而无需人工扩充栏。如果预测与实际不符仅留空即可，并不影响整体报告的完整性。如果预测有误，则可以在已经扩充的栏中修改项目名称和参数以实现完善的准确修正。

优选地，所述预定规则为按照提取词在文本中的词序进行。

有益效果

(1)采用EXCEL或FRP报告的VBA封装，分别实现了数据的保存以用于关联码进行报告自动生成，以及人工智能的关联码的识别和利用关联码到FRP报告相应栏的直接映射生成报告；

(2)采用人工智能模型预测出报告需要的扩充栏预测，提高了报告完善的效率，并且能够灵活地根据实际需求而填入或预测错误时弃填，不影响报告的完整性。

附图说明

图1excel工作薄中工作表的界面图，其中a显示了测试项目检测数据，以及图片数据部分数据，b显示了测试标准信息表和参数清单表相关的数据，

图2基于词性分析的同质图构建以及同质图词典节点的更新过程流程图，

图3CNN1和CNN2模型构建流程示意图，

图4项目检测数据预测分类和预测二分类获取流程图，

图5初始FRP报告一键生成过程示意图，

图6步骤S3中基于CNN3模型的初始FRP报告预完善流程图。

具体实施方式

实施例1

一种基于人工智能EXCEL VBA的自动生成测试报告的方法，其特征在于，包括如下步骤：S1获取数据，所述数据包括测试项目检测数据，以及图片数据；定义基本信息、织物对照数据、材料和制样信息数据、测试标准信息数据、图例、参数清单数据、设置数据和错误代码数据中各性能参数和关联码的映射关系，其中、基本信息数据、材料和制样信息数据、测试标准信息数据、参数清单数据、设置数据和错误代码数据中各性能参数中所需保存的数据属于项目检测数据，而织物对照数据、图例中所需保存的数据属于图片数据，其中，所述图例包括样本图以及测试图谱；

S2基于EXCEL VBA自动生成报告，或者基于CNN1和CNN2模型分别针对测试项目检测数据，以及图片数据进行分类识别而自动生成报告；

S3利用CNN3模型实现自动化生成的测试报告的预完善。

本实施例将针对步骤S2中的基于EXCEL VBA自动生成报告方案进行进一步描述，其过程包括：

S2-1用Excel格式定义FRP报告生成工具工作簿,对工作薄中各工作表对应的数据位置及空格进行检查，检查各工作表的参数对应行数和列数是否正确；定义工作薄中基本信息表、织物对照表、材料和制样信息表、测试标准信息表、图例、参数清单表、设置表和错误代码表中各性能参数和关联码的映射关系，其中，基本信息表、材料和制样信息表、测试标准信息表、参数清单表、设置表和错误代码表中各性能参数中所需保存的数据属于项目检测数据，而织物对照表、图例中所需保存的数据属于图片数据；

S2-2解析各工作表内容，采用循环处理方法，将工作表中的数据逐条保存于数据数组中；

S2-3将预先编制的VBA代码封装到EXCEL表中，并使用XML制作EXCEL快捷菜单关联到所述VBA代码，通过VBA关联按钮实现自动生成报告。

如图1为excel工作薄中工作表的界面图，其中图1a显示了样本织物的编号(即关联码)、织物类型、方向、织物结构构成的材料和制样信息表，示意图、标准图、右端的具体示意图展示放大图构成的图例，以及选择构成的设置表。

图1b为测试标准信息表(对应标准)、参数清单表(Symbol、Unit、Value)的展示。主要的VBA代码如下：

具体流程如下:

1.输入报告编号和报告封面基本信息；

2.根据测试材料选择对应的织物结构和织物类型；

3.输入制样信息中的试样编号；

4.选择测试标准的应变测量方法，若不测应变，可不选；

5.通过关联VBA代码的快捷菜单，获取各测试项目原始数据及对应项目编号的试样试验前后照片；

6.按客户需求，使用CNN3模型人为增加具体材料信息完善报告，客户将裁剪各项目测试曲线图及试样试验前后照片以更加直观的在扩充栏中进行展示。

实施例2

本实施例将说明实施例1中基于CNN1和CNN2模型分别针对测试项目检测数据，以及图片数据进行分类识别而自动生成报告的过程，如图2所示，包括如下步骤：

S2-1'获取历史项目检测数据进行文本化处理得到文本；

S2-2'对步骤S2-1'中的文本进行特殊词删除，对删除后的文本进行词性解析获得词性分析结果；其中，所述词性解析包括词提取过程、划分词过程，以及词性分析过程，从而形成词性分析结果，其中，采用第二隐马尔科夫模型对所述划分词过程的结果进行词性分析，去除停用词形成词性分析文本；

S2-3'将所述词性分析文本中的词和词性，以及测试项目分别作为同质图的节点而利用按照步骤S2-1'-S2-2'将经过词性分析得到的词性分析文本建立词典和词性库，进行同质图构建；获取新项目检测数据，进行步骤S2-1'-S2-2'得到提取的词进行新词搜索，不断将历史项目检测数据文本化后删除特殊词的文本进行词提取，将提取的词，提取词1、提取词2、提取词3等等依次代入构建的同质图的词典节点，进行边搜索到词性库节点，并继续边搜索到测试项目节点，从而找到同质图中的对应的所有所述测试项目节点，如果与实际测试项目存在全部不同的情况(即找不到对应测试项目节点)，则将该词定义为新词而更新词典，并更新词性库，如果有相同，则定义为非新词。以此来不断更新完善同质图中节点数据，以期完成接下来的分类模型的构建所需要的数据处理。

如图3所示，S2-4'建立词-词性-测试项目分类模型，统计步骤S2-3'中所有对应历史项目检测数据的词性分析文本中所有的词与词性，输入所述词-词性-分类模型中得到测试项目分类结果，其中词-词性-测试项目分类模型采用第一CNN模型，具体步骤如下：

一方面，进行步骤(2-4'-1)将历史项目检测数据中经词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性或从右往左词性-词的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，也即每个像素点的组包括了两个像素点，是按照从左往右词-词性的先后顺序排列两个像素点；

(2-4'-2)将历史项目检测数据进行人工测试项目分类；

(2-4'-3)将每个测试项目对应的像素点的组按照提取词在文本中的词序排列(如图3中词序箭头方向向横向从右至左，再列向从上至下)，形成4480×4480的第一方阵图，形成6组第一方阵图，若像素点的组排布不够填满第一方阵图，则循环到第一个词对应像素点的组继续填充，直至填满方阵，将N组第一方阵图整体上分为训练集和验证集，且对于基本信息表，材料和制样信息表中的数据对应的第一方阵图训练集和验证集的比例均相同，为5:1，对于其他第一方阵图则为2：1；

(2-4'-4)将相应的训练集输入第一CNN中得到输出向量经过全连接FC之后输出到softmax函数分类为6类测试项目即基本信息、材料和制样信息数据、测试标准信息数据、参数清单数据、设置数据和错误代码数据中各性能参数作为预测分类进行训练，使用验证集验证准确率和计算损失函数值，进行反向传播修正第一CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第一CNN1模型；

另一方面，进行步骤(2-4'-5)获取历史图片数据分为训练集和验证集为4:1，将相应的训练集输入第二CNN模型中得到输出向量经过全连接FC之后输出到softmax函数分类为织物对照数据、图例二分类作为预测分类进行训练，使用验证集验证准确率和损失函数值，进行反向传播修正第二CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第二CNN2模型；

如图4所示，接着进行(2-4'-6)获取待测试项目检测数据，照步骤(2-4'-1)和(2-4'-2)形成第一方阵图像，输入相应的第一CNN1模型中，以及获取图片数据输入第二CNN2模型中，分别得到项目检测数据预测分类以及图片数据预测二分类；

完成上面步骤时，如图5所示，进行步骤S2-5'FRP报告中封装入VBA代码(与实施例1的VBA代码不同)，通过VBA第一关联按钮将得到的测试项目检测数据和图片数据预测分类结果对应的关联码通过与FRP报告中与各数据分类对应的栏进行映射，将数据填入对应的所述栏中完成一键初始FRP报告生成。

实施例3

本实施例将说明FRP报告预完善的方法，如图6所示具体包括如下步骤:

S3-1获取多种织物样本的测试项目检测数据，同样将测试项目检测数据中经如实施例2的文本化和词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，将每个测试项目对应的像素点的组按照实施例2中提取词在文本中的词序排列，若像素点的组排布不够填满第二方阵图，则同样循环到第一个词对应像素点的组继续填充，直至填满方阵，形成至少为4480×4480的第二方阵图，分为训练集以及验证集为3:1；

S3-2建立样本中共同的像素点的组集合(如图6中大圆圈来示意)，以及如图6中样1-样3为例的选取与三者对应的不在共同的像素点的组集合中的像素点(即色块所示意的部分)的组进行编号，获取编号对应的完善项目；

S3-2构建第三CNN模型，将第二方阵图训练集输入第三CNN模型中，输出端经FC之后使用softmax函数进行分类为多个所述编号(编号1、编号2、编号3等等)，使用验证集验证准确率和计算损失函数值，进行反向传播修正第三CNN网络参数，反复代入不同的训练集预测多个所述编号与所述像素点的组的编号比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第三CNN3模型；

S3-3将待预测的测试项目检测数据经过S3-1步骤处理后(图6中省略该流程示意)得到第二方阵图测试集输入训练完成的第三CNN3模型中得到相应的预测的完善测试项目的概率1、概率2等等，将概率1和概率2这类大于70％的编号对应的完善项目1和完善项目2作为预测的完善测试项目，并使用VBA第二关联按钮与完善项目1和完善项目2，在初始FRP报告中扩充预测的完善测试项目对应的栏，形成扩充栏，以形成预测完善FRP报告。

经过预完善的初始FRP报告能够根据用户的样本的测试项目检测数据而形成第二方阵图从而代入CNN3中预测可能需要完善的项目，进而在初始FRP报告预先扩充填充项目，进一步提高填表的整体效率。

Claims (2)

1.一种基于人工智能EXCEL VBA的自动生成测试报告的方法，其特征在于，包括如下步骤：

S1获取数据，所述数据包括测试项目检测数据，以及图片数据；定义基本信息数据、织物对照数据、材料和制样信息数据、测试标准信息数据、图例、参数清单数据、设置数据和错误代码数据中各性能参数和关联码的映射关系，其中、基本信息数据、材料和制样信息数据、测试标准信息数据、参数清单数据、设置数据和错误代码数据中各性能参数中所需保存的数据属于项目检测数据，而织物对照数据、图例中所需保存的数据属于图片数据，其中，所述图例包括样本图以及测试图谱；

S2基于EXCEL VBA或者基于第一人工智能算法的自动生成报告；

S3利用第二人工智能算法实现自动化生成的测试报告的预完善；

其中，S2中基于EXCEL VBA的自动生成报告的过程包括：

S2-1用Excel格式定义FRP报告生成工具工作簿,对工作薄中各工作表对应的数据位置及空格进行检查，检查各工作表的参数对应行数和列数是否正确；定义工作薄中基本信息表、织物对照表、材料和制样信息表、测试标准信息表、图例、参数清单表、设置表和错误代码表中各性能参数和关联码的映射关系，其中，基本信息表、材料和制样信息表、测试标准信息表、参数清单表、设置表和错误代码表中各性能参数中所需保存的数据属于项目检测数据，而织物对照表、图例中所需保存的数据属于图片数据；

S2-2解析各工作表内容，采用循环处理方法，将工作表中的数据逐条保存于数据数组中；

S2-3将预先编制的VBA代码封装到EXCEL表中，并使用XML制作EXCEL快捷菜单关联到所述VBA代码，通过VBA关联按钮实现自动生成报告；

S2中基于第一人工智能算法的自动生成报告的过程包括：

S2-1'获取历史项目检测数据进行文本化处理得到文本；

S2-2'对步骤S2-1'中的文本进行特殊词删除，对删除后的文本进行词性解析获得词性分析结果；其中，所述词性解析包括词提取过程、划分词过程，以及词性分析过程，从而形成词性分析结果，其中，采用隐马尔科夫模型对所述划分词过程的结果进行词性分析，去除停用词形成词性分析文本；

S2-3'将所述词性分析文本中的词和词性，以及测试项目分别作为同质图的节点而按照步骤S2-1'-S2-2'将经过词性分析得到的词性分析文本建立词典和词性库，进行同质图构建；获取新项目检测数据，进行步骤S2-1'-S2-2'得到提取的词进行新词搜索，不断将历史项目检测数据文本化后删除特殊词的文本进行词提取，将提取的词依次代入所述同质图的词典节点，进行边搜索，找到同质图中的对应的所有所述测试项目节点，如果与实际测试项目存在全部不同的情况，则将该词定义为新词而更新词典，并更新词性库，如果有相同，则定义为非新词；

S2-4'建立词-词性-测试项目分类模型，统计步骤S2-3'中所有对应历史项目检测数据的词性分析文本中所有的词与词性，输入所述词-词性-分类模型中得到测试项目分类结果，其中词-词性-测试项目分类模型采用第一CNN模型，具体步骤如下：

(2-4'-1)将历史项目检测数据中经词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性或从右往左词性-词的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，也即每个像素点的组包括了两个像素点，是按照从左往右词-词性或从右往左词性-词的先后顺序排列两个像素点；

(2-4'-2)将历史项目检测数据进行人工测试项目分类；

(2-4'-3)将每个测试项目对应的像素点的组进行预定规则排列，形成为4480×4480的第一方阵图，形成N组第一方阵图，N为测试项目总数，若像素点的组排布不够填满第一方阵图，则循环到第一个词对应像素点的组继续填充，直至填满方阵，将N组第一方阵图整体上分为训练集和验证集，且对于每一测试项目之间实际划分的训练集和验证集的比例均相同，对于基本信息表，材料和制样信息表中的数据对应的第一方阵图训练集和验证集的比例均相同；

(2-4'-4)将相应的训练集输入第一CNN中得到输出向量经过全连接FC之后输出到softmax函数分类为N类测试项目，N∈[6,20]，进行训练，使用验证集验证准确率和计算损失函数值，进行反向传播修正第一CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第一CNN1模型；

(2-4'-5)获取历史图片数据分为训练集和验证集比例为5-3:1-2，将相应的训练集输入第二CNN模型中得到输出向量经过全连接FC之后输出到softmax函数分类为织物对照数据、图例二分类，进行训练，使用验证集验证准确率和损失函数值，进行反向传播修正第二CNN网络参数，反复代入不同的训练集预测分类与所述人工测试项目分类比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第二CNN2模型；

(2-4'-6)获取待测试项目检测数据，按照步骤(2-4'-1)和(2-4'-2)形成第一方阵图像，输入相应的第一CNN1模型中，以及获取图片数据输入第二CNN2模型中，分别得到项目检测数据预测分类以及图片数据预测二分类；

S2-5'FRP报告中封装入VBA代码，通过VBA第一关联按钮将得到的测试项目检测数据和图片数据预测分类结果对应的关联码通过与FRP报告中与各数据分类对应的栏进行映射，将数据填入对应的所述栏中完成一键初始FRP报告生成；

S3具体包括如下步骤：

S3-1获取多种样本的测试项目检测数据，同样将测试项目检测数据中经文本化和词性分析后得到词以及词性，分别各赋予规定的像素值，对不同的词以及不同的词性而言像素值不同，获得两个按照从左往右词-词性或从右往左词性-词的先后顺序排列的像素点的组，每个测试项目都有对应的像素点的组，将每个测试项目对应的像素点的组进行预定规则排列，若像素点的组排布不够填满第二方阵图，则循环到第一个词对应像素点的组继续填充，直至填满方阵，形成4480×4480的第二方阵图；

S3-2建立样本中共同的像素点的组集合，以及选取与样本对应的不在共同的像素点的组集合中的像素点的组进行编号，获取编号对应的完善项目；

S3-2构建第三CNN模型，将第二方阵图训练集输入第三CNN模型中，输出端经FC之后使用softmax函数进行分类为多个所述编号，使用验证集验证准确率和计算损失函数值，进行反向传播修正第三CNN网络参数，反复代入不同的训练集预测多个所述编号与所述像素点的组的编号比较，直到准确率达到预设值且损失函数值稳定结束训练，形成第三CNN3模型；

S3-3将待预测的测试项目检测数据经过S3-1步骤处理后得到第二方阵图测试集输入训练完成的第三CNN3模型中得到相应的预测的完善测试项目的概率，将概率大于70％的编号对应的完善项目作为预测的完善测试项目，并使用VBA第二关联按钮与预测的完善测试项目，在初始FRP报告中扩充预测的完善测试项目对应的栏，以形成预测完善FRP报告。

2.根据权利要求1所述的方法，其特征在于，所述预定规则为按照提取词在文本中的词序进行。

Images