CN116662206B - 计算机软件在线实时可视化调试方法及装置 - Google Patents

计算机软件在线实时可视化调试方法及装置 Download PDF

Info

Publication number
CN116662206B
CN116662206B CN202310904439.6A CN202310904439A CN116662206B CN 116662206 B CN116662206 B CN 116662206B CN 202310904439 A CN202310904439 A CN 202310904439A CN 116662206 B CN116662206 B CN 116662206B
Authority
CN
China
Prior art keywords
code
picture
computer software
real
characters
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
Application number
CN202310904439.6A
Other languages
English (en)
Other versions
CN116662206A (zh
Inventor
李鑫
冯昌利
冯斌
乔赛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taishan University
Original Assignee
Taishan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taishan University filed Critical Taishan University
Priority to CN202310904439.6A priority Critical patent/CN116662206B/zh
Publication of CN116662206A publication Critical patent/CN116662206A/zh
Application granted granted Critical
Publication of CN116662206B publication Critical patent/CN116662206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F11/362—Software debugging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及一种计算机软件在线实时可视化调试方法及装置，属于电数字数据处理领域，所述方法包括：对执行计算机软件调试的终端设备显示的计算机软件的部分待调试代码进行截屏，对截屏画面进行数据分析以获得部分待调试代码对应的多项代码信息，基于所述多项代码信息采用智能鉴定模型判断截屏画面中包括的BUG数量以及各个BUG类型。本发明还涉及一种计算机软件在线实时可视化调试装置。通过本发明，针对计算机软件BUG信息调试过于依赖人工、费时费力的技术问题，通过采用定制数据解析模式获取计算机软件的部分待调试代码对应的多项数据，并采用智能鉴定模型执行部分待调试代码的BUG数量和类型的可靠分析，从而解决了上述技术问题。

Description

计算机软件在线实时可视化调试方法及装置
技术领域
本发明涉及电数字数据处理领域，尤其涉及一种计算机软件在线实时可视化调试方法及装置。
背景技术
电数字数据处理指的是在一定的电子通讯环境下通过电脑和程序对数据进行处理。电数字数据处理是由数据处理演变过来的。它是在多数计算输入以穿孔卡片形式输入到计算机并以穿孔卡片或纸制报告的形式输出的时候产生的，以计算机替代人工处理例行性的数据，并产生报表以支持组织的作业活动。电数字数据处理的内容重点在于取代重复性的人工操作，以支持基层管理者及作业人员等，故其重心在于重效率的信息系统，存在较为广泛的针对信息处理的应用领域。
示例地，中国发明专利公开文本CN116225925A提出的一种计算机软件在线实时可视化调试方法，涉及软件开发和测试领域，解决了对软件进行调试时需要编译耗时较长且效率较低的技术问题，其技术方案要点是被调试软件与可视化调试客户端通过本地局域网络进行数据通信，将数据、参数的详细信息打包至消息包进行发布，在不需要编写和载入额外配置文件的情况下实现数据信息、参数信息的详细显示。
示例地，中国发明专利公开文本CN116225921A提出的一种对检测算法的可视化调试方法及装置，其中，所述可视化调试方法应用于车辆的嵌入式端算法校验，包括：读取TF卡中的视频帧图片；预处理所述视频帧图片，得到第一待检测图片；通过第一检测算法识别所述第一待检测图片，得到第一检测结果；汇总所述第一检测结果，得到第一检测结果集；根据预设的绘制规则可视化处理所述第一检测结果集，得到第一可视化效果图像；根据所述第一可视化效果图像，输出初始调试结果，以此提供一种可以提高调试效率的应用于车辆的嵌入式端检测算法的可视化调试方案。
然而，上述现有技术中对计算机软件的在线实时调试或者仅仅为用户提供一个可视化界面进行一个远端的数据交互和在线实时调试，或者仅仅对可视化采集的图像仅仅简单的计算机软件的在线实时调试，均没有涉及计算机软件的BUG的快速检测，无法帮助调试用户采用智能调试方案替换原有的人工调试方案或者简单的编译器调试方案进行计算机软件BUG数据乃至BUG类型的直接分析，而人工调试方案费时费力，编译器调试方案仅仅进行模糊的BUG定位，仍需要人工的精细分析和判断，导致现有技术中仍存在计算机软件BUG调试严重依靠人工调试、费时费力的技术问题。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种计算机软件在线实时可视化调试方法及装置，能够采用定制数据解析模式获取终端设备当前调试的计算机软件的部分待调试代码对应的多项数据，更重要的是，能够采用针对性训练后的智能鉴定模型实现基于计算机软件的部分待调试代码对应的多项数据的智能BUG数量和类型的可靠分析，从而采用在线实时可视化数据提升了计算机软件调试的速度和效率。
根据本发明的第一方面，提供了一种计算机软件在线实时可视化调试方法，所述方法包括：
通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联。
根据本发明的第二方面，提供了一种计算机软件在线实时可视化调试装置，所述装置包括：
多次训练设备，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出；
代码检测设备，用于通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
截屏处理设备，与所述代码检测设备连接，用于在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
信息解析设备，与所述截屏处理设备连接，用于对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
智能鉴定设备，分别与所述多次训练设备以及所述信息解析设备连接，用于基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
其中，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出包括：对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练。
相比较于现有技术，本发明至少具备以下三处关键发明点：
第一处关键发明点：采用定制数据解析模式获取终端设备当前调试的计算机软件的部分待调试代码对应的多项数据，所述多项数据包括所述部分待调试代码对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值，从而为后续计算机软件的BUG智能鉴定提供有效的可视化数据；
第二处关键发明点：基于部分待调试代码对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述部分待调试代码内的BUG数量以及各个BUG类型，从而采用智能BUG鉴定模式替换人工BUG鉴定模式；
第三处关键发明点：为保证智能BUG鉴定的可靠性和稳定性，对执行智能BUG鉴定的智能鉴定模型采用以下针对性的建模机制：所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明的计算机软件在线实时可视化调试方法的技术流程图。
图2为根据本发明的实施例1示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
图3为根据本发明的实施例2示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
图4为根据本发明的实施例3示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
图5为根据本发明的实施例4示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
图6为根据本发明的实施例5示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
图7为根据本发明的实施例6示出的计算机软件在线实时可视化调试装置的内部结构示意图。
具体实施方式
如图1所示，给出了根据本发明示出的计算机软件在线实时可视化调试方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
第一步：对运行计算机软件调试代码的终端设备执行截屏处理，以获得包括部分待调试代码的截屏图像，所述截屏图像作为在线实时可视化调试基础数据用于后续的待调试代码的BUG信息的智能鉴定；
示例地，通过逐屏的待调试代码的截屏处理，为后续的逐屏的待调试代码的分步BUG调试提供各自需要的基础数据；
上述截屏处理通过网络连接执行计算机软件调试的终端设备来实施，即通过网络连接所述终端设备，调试用户可以在远端实施截屏处理以及触发后续的BUG信息的智能鉴定；
第二步：采用定制数据解析模式获取终端设备当前调试的计算机软件的部分待调试代码对应的多项数据，所述多项数据包括所述部分待调试代码对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值，从而为后续计算机软件的BUG智能鉴定提供有效的可视化数据；
第三步：基于部分待调试代码对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述部分待调试代码内的BUG数量以及各个BUG类型，从而采用智能BUG鉴定模式替换人工BUG鉴定模式，提升了计算机软件的代码的逐屏BUG调试的速度和效率；
示例地，为了保证智能BUG鉴定的可靠性和稳定性，对执行智能BUG鉴定的智能鉴定模型采用以下针对性的建模机制：
机制A：所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
机制B：对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练。
本发明的关键点在于：逐屏待调试代码的截取、包括部分待调试代码的每一截面画面内容的定制数据解析模式以及执行智能BUG鉴定的智能鉴定模型的针对性的建模机制。
下面，将对本发明以各个具体实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
如图2所示，所述计算机软件在线实时可视化调试方法还包括以下步骤：
S101：通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
例如，所述终端设备当前调试的计算机软件可以是任意应用程序、底层驱动程序或者UI设计程序；
S102：在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
示例地，一般计算机软件的待调试代码幅度较长，一帧截屏画面无法显示计算机软件的所有代码，每一次截屏后获得的一帧实时截屏画面显示的仅仅是计算机软件的部分代码；
相应地，本发明是通过对每一次截屏获得的当前计算机软件的部分代码进行可视化数据的调试分析，判断截屏获得的当前一帧实时截屏画面中包含的各行代码内是否存在BUG以及存在的BUG的类型数据；
S103：对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
具体地，主要代码字符指的是当前一帧实时截屏画面中包含的各行代码内出现最频繁的代码字符，这里选择预设数量以对出现最频繁的预设数量的代码字符进行提前，以便于后续执行BUG数据的智能鉴定；
示例地，所述预设数量的取值与实时截屏画面的解析度正向关联；
S104：基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
例如，基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型包括：可以选择采用数值仿真模式实现基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型的处理；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
例如，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联包括：标清、高清、超高清的实时截屏画面其训练的次数依次增长；
示例地，标清、高清、超高清的实时截屏画面其训练的次数依次增长包括：标清的实时截屏画面其训练的次数为200，高清的实时截屏画面其训练的次数为300，超高清的实时截屏画面其训练的次数为400。
实施例2
图3为根据本发明的实施例2示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
如图3所示，相比较于图2，在通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令之前，即在步骤S101之前，所述计算机软件在线实时可视化调试方法还包括以下步骤：
S105：对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出；
示例地，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出包括：采用MATLAB工具箱完成对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出的处理；
其中，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出包括：对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练包括：所述已知的BUG信息为过往某一次实时截屏画面包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练还包括：从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息为从所述过往某一次实时截屏画面分割出的现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值。
实施例3
图4为根据本发明的实施例3示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
如图4所示，相比较于图2，在基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型之后，即在步骤S104之后，所述计算机软件在线实时可视化调试方法还包括以下步骤：
S106：在采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量大于等于1时，执行BUG报警动作；
示例地，在采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量大于等于1时，执行BUG报警动作包括：所述BUG报警动作可以为相应的光学报警动作或者声学报警动作。
实施例4
图5为根据本发明的实施例4示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
如图5所示，相比较于图2，在基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型之后，即在步骤S104之后，所述计算机软件在线实时可视化调试方法还包括以下步骤：
S107：显示采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
例如，可以选择使用液晶显示屏幕或者LED显示阵列显示采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型。
实施例5
图6为根据本发明的实施例5示出的计算机软件在线实时可视化调试方法的步骤流程示意图。
如图6所示，相比较于图5，在步骤S107之后，所述计算机软件在线实时可视化调试方法还包括以下步骤：
S108：存储采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
例如，可以选择使用FLASH存储器或者静态存储器存储采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型。
接着，继续对本发明的各个实施例进行详细的描述。
在根据本发明的各个实施例的计算机软件在线实时可视化调试方法中：
对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值包括：识别所述现场区域画面中的各个字符以作为各个参考字符，基于各个参考字符在所述现场区域画面中的位置确定所述现场区域画面中的参考字符占据的行数并作为所述现场区域画面对应的编码行数输出；
示例地，识别所述现场区域画面中的各个字符以作为各个参考字符，基于各个参考字符在所述现场区域画面中的位置确定所述现场区域画面中的参考字符占据的行数并作为所述现场区域画面对应的编码行数输出包括：采用OCR识别模式识别所述现场区域画面中的各个字符以作为各个参考字符；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：基于各个参考字符在所述现场区域画面中的位置确定所述现场区域画面中的参考字符占据的列数并作为所述现场区域画面对应的编码列数输出；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：识别注释标识以获取所述现场区域画面中的多个注释字符，从所述各个参考字符中去除多个注释字符以获得剩余的多个参考字符并作为各个代码字符输出；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：累计各个代码字符的数量以获得所述现场区域画面对应的代码字符总数；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：将所述各个代码字符中出现最频繁的预设数量的多个代码字符作为所述现场区域画面对应的预设数量的主要代码字符。
在根据本发明的各个实施例的计算机软件在线实时可视化调试方法中：
识别注释标识以获取所述现场区域画面中的多个注释字符，从所述各个参考字符中去除多个注释字符以获得剩余的多个参考字符并作为各个代码字符输出包括：识别注释起始标识和注释结束标识，将在所述现场区域画面中位于注释起始标识和注释结束标识之间的每一个参考字符作为单个注释字符输出；
以及在根据本发明的各个实施例的计算机软件在线实时可视化调试方法中，所述方法还包括：
在接收到所述第二检测命令时，暂缓执行对所述终端设备的截屏操作；
其中，在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面包括：基于调试区域的边框花纹特征从所述实时截屏画面中分割出现场区域画面；
示例地，可以预先存储调试区域的边框花纹特征以用于后续的基于调试区域的边框花纹特征从所述实时截屏画面中分割出现场区域画面的分割处理。
实施例6
图7为根据本发明的实施例6示出的计算机软件在线实时可视化调试装置的内部结构示意图。
如图7所示，所述计算机软件在线实时可视化调试装置包括以下组件：
多次训练设备，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出；
示例地，可以选择使用FPGA器件、SOC器件或者ASIC器件来实现所述多次训练设备；
代码检测设备，用于通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
例如，所述终端设备当前调试的计算机软件可以是任意应用程序、底层驱动程序或者UI设计程序；
截屏处理设备，与所述代码检测设备连接，用于在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
示例地，一般计算机软件的待调试代码幅度较长，一帧截屏画面无法显示计算机软件的所有代码，每一次截屏后获得的一帧实时截屏画面显示的仅仅是计算机软件的部分代码；
相应地，本发明是通过对每一次截屏获得的当前计算机软件的部分代码进行可视化数据的调试分析，判断截屏获得的当前一帧实时截屏画面中包含的各行代码内是否存在BUG以及存在的BUG的类型数据；
信息解析设备，与所述截屏处理设备连接，用于对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
具体地，主要代码字符指的是当前一帧实时截屏画面中包含的各行代码内出现最频繁的代码字符，这里选择预设数量以对出现最频繁的预设数量的代码字符进行提前，以便于后续执行BUG数据的智能鉴定；
示例地，所述预设数量的取值与实时截屏画面的解析度正向关联；
智能鉴定设备，分别与所述多次训练设备以及所述信息解析设备连接，用于基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
例如，基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型包括：可以选择采用数值仿真模式实现基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型的处理；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
例如，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联包括：标清、高清、超高清的实时截屏画面其训练的次数依次增长；
示例地，标清、高清、超高清的实时截屏画面其训练的次数依次增长包括：标清的实时截屏画面其训练的次数为200，高清的实时截屏画面其训练的次数为300，超高清的实时截屏画面其训练的次数为400；
其中，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出包括：对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练。
另外，本发明还可以引用以下具体技术内容以突出本发明的突出性的实质性特点以及显著性的技术进步：
基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型包括：将所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值作为所述智能鉴定模型的多项输入内容；
其中，基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型还包括：执行所述智能鉴定模型以获得所述智能鉴定模型输出的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
示例地，所述各个BUG类型为语法错误类型、缩进错误类型、索引错误类型、值错误类型、属性错误类型以及键错误类型中的一种类型或者多种类型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种计算机软件在线实时可视化调试方法，其特征在于，所述方法包括：
通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
其中，在通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令之前，所述方法还包括：对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练；
其中，基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型包括：将所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值作为所述智能鉴定模型的多项输入内容，执行所述智能鉴定模型以获得所述智能鉴定模型输出的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型，所述各个BUG类型为语法错误类型、缩进错误类型、索引错误类型、值错误类型、属性错误类型以及键错误类型中的一种类型或者多种类型；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练包括：所述已知的BUG信息为过往某一次实时截屏画面包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练还包括：从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息为从所述过往某一次实时截屏画面分割出的现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
其中，在接收到所述第二检测命令时，暂缓执行对所述终端设备的截屏操作；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：将所述各个代码字符中出现最频繁的预设数量的多个代码字符作为所述现场区域画面对应的预设数量的主要代码字符。
2.如权利要求1所述的计算机软件在线实时可视化调试方法，其特征在于，在基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型之后，所述方法还包括：
在采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量大于等于1时，执行BUG报警动作。
3.如权利要求1所述的计算机软件在线实时可视化调试方法，其特征在于，在基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型之后，所述方法还包括：
显示采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型。
4.如权利要求3所述的计算机软件在线实时可视化调试方法，其特征在于，在显示采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型之后，所述方法还包括：
存储采用智能鉴定模型判断的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型。
5.如权利要求1-4任一所述的计算机软件在线实时可视化调试方法，其特征在于：
对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值包括：识别所述现场区域画面中的各个字符以作为各个参考字符，基于各个参考字符在所述现场区域画面中的位置确定所述现场区域画面中的参考字符占据的行数并作为所述现场区域画面对应的编码行数输出；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：基于各个参考字符在所述现场区域画面中的位置确定所述现场区域画面中的参考字符占据的列数并作为所述现场区域画面对应的编码列数输出；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：识别注释标识以获取所述现场区域画面中的多个注释字符，从所述各个参考字符中去除多个注释字符以获得剩余的多个参考字符并作为各个代码字符输出；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：累计各个代码字符的数量以获得所述现场区域画面对应的代码字符总数。
6.如权利要求5所述的计算机软件在线实时可视化调试方法，其特征在于：
识别注释标识以获取所述现场区域画面中的多个注释字符，从所述各个参考字符中去除多个注释字符以获得剩余的多个参考字符并作为各个代码字符输出包括：识别注释起始标识和注释结束标识，将在所述现场区域画面中位于注释起始标识和注释结束标识之间的每一个参考字符作为单个注释字符输出。
7.如权利要求1-4任一所述的计算机软件在线实时可视化调试方法，其特征在于：
在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面包括：基于调试区域的边框花纹特征从所述实时截屏画面中分割出现场区域画面。
8.一种计算机软件在线实时可视化调试装置，其特征在于，所述装置包括：
多次训练设备，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出；
代码检测设备，用于通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令；
截屏处理设备，与所述代码检测设备连接，用于在接收到所述第一检测命令时，对所述终端设备执行截屏操作以获得实时截屏画面，并基于调试区域的成像特征从所述实时截屏画面中分割出现场区域画面；
信息解析设备，与所述截屏处理设备连接，用于对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
智能鉴定设备，分别与所述多次训练设备以及所述信息解析设备连接，用于基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，所述智能鉴定模型为经过多次训练后的卷积神经网络，训练的次数与所述实时截屏画面的水平解析度和垂直解析度的乘积单调正向关联；
其中，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为智能鉴定模型输出包括：对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练；
其中，在通过网络连接在线检测执行计算机软件调试的终端设备当前是否显示所述计算机软件的待调试代码，并在检测显示所述计算机软件的待调试代码时，发出第一检测命令，否则，发出第二检测命令之前，对卷积神经网络执行多次训练以获得经过多次训练后的卷积神经网络并作为所述智能鉴定模型输出，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练；
其中，基于所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值采用智能鉴定模型判断所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型包括：将所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值作为所述智能鉴定模型的多项输入内容，执行所述智能鉴定模型以获得所述智能鉴定模型输出的所述实时截屏画面中包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型，所述各个BUG类型为语法错误类型、缩进错误类型、索引错误类型、值错误类型、属性错误类型以及键错误类型中的一种类型或者多种类型；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练包括：所述已知的BUG信息为过往某一次实时截屏画面包括的所述计算机软件的待调试代码内的BUG数量以及各个BUG类型；
其中，对卷积神经网络执行的每一次训练中，将过往某一次实时截屏画面包括的、已知的BUG信息作为卷积神经网络的输出内容，将从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息作为卷积神经网络的输入内容，完成本次训练还包括：从所述过往某一次实时截屏画面分割出的现场区域画面的各项编码字符信息为从所述过往某一次实时截屏画面分割出的现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值；
其中，在接收到所述第二检测命令时，暂缓执行对所述终端设备的截屏操作；
其中，对所述现场区域画面执行多信息解析处理以获得所述现场区域画面对应的编码行数、编码列数、代码字符总数、预设数量的主要代码字符分别对应的各个ASCLL码数值以及各个代码字符分别对应的各个ASCLL码数值还包括：将所述各个代码字符中出现最频繁的预设数量的多个代码字符作为所述现场区域画面对应的预设数量的主要代码字符。
CN202310904439.6A 2023-07-24 2023-07-24 计算机软件在线实时可视化调试方法及装置 Active CN116662206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310904439.6A CN116662206B (zh) 2023-07-24 2023-07-24 计算机软件在线实时可视化调试方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310904439.6A CN116662206B (zh) 2023-07-24 2023-07-24 计算机软件在线实时可视化调试方法及装置

Publications (2)

Publication Number Publication Date
CN116662206A CN116662206A (zh) 2023-08-29
CN116662206B true CN116662206B (zh) 2024-02-13

Family

ID=87717323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310904439.6A Active CN116662206B (zh) 2023-07-24 2023-07-24 计算机软件在线实时可视化调试方法及装置

Country Status (1)

Country Link
CN (1) CN116662206B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016019171A (ja) * 2014-07-09 2016-02-01 株式会社ビデオリサーチ コンテンツ接触状況検出装置及びシステム及び方法及びプログラム、端末
CN108229485A (zh) * 2018-02-08 2018-06-29 百度在线网络技术（北京）有限公司 用于测试用户界面的方法和装置
CN108595183A (zh) * 2018-04-19 2018-09-28 北京微播视界科技有限公司 代码拼接和调试方法、装置、计算机可读存储介质和终端
CN109408389A (zh) * 2018-10-30 2019-03-01 北京理工大学 一种基于深度学习的代码缺陷检测方法及装置
CN109977014A (zh) * 2019-03-22 2019-07-05 泰康保险集团股份有限公司 基于区块链的代码错误识别方法、装置、设备及存储介质
CN110069404A (zh) * 2019-03-27 2019-07-30 广东高云半导体科技股份有限公司 代码调试方法、装置、设备及介质
CN113051582A (zh) * 2021-04-28 2021-06-29 重庆电子工程职业学院 一种计算机软件技术开发调试系统
JP2021113846A (ja) * 2020-01-16 2021-08-05 アルパイン株式会社 表示装置および表示制御方法
CN113641586A (zh) * 2021-02-26 2021-11-12 北京北大软件工程股份有限公司 软件源代码缺陷检测方法、系统、电子设备及储存介质
KR102379575B1 (ko) * 2021-12-27 2022-03-29 주식회사 에이아이리더 코드 인식장치, 코드의 인식방법 및 이를 활용한 차량번호의 추출시스템
CN114357174A (zh) * 2022-03-18 2022-04-15 北京创新乐知网络技术有限公司 基于ocr和机器学习的代码分类系统及方法
CN114782967A (zh) * 2022-03-21 2022-07-22 南京航空航天大学 一种基于代码可视化学习的软件缺陷预测方法
CN115048316A (zh) * 2022-08-15 2022-09-13 中国电子科技集团公司第三十研究所 一种半监督的软件代码缺陷检测方法及装置
CN115061908A (zh) * 2022-06-15 2022-09-16 平安壹钱包电子商务有限公司 缺陷代码的定位方法、装置、存储介质及计算机设备
CN116205817A (zh) * 2023-03-07 2023-06-02 陈春兰 数据内容复杂度针对性检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10185701B2 (en) * 2016-10-17 2019-01-22 Microsoft Technology Licensing, Llc Unsupported character code detection mechanism
US10977162B2 (en) * 2018-12-20 2021-04-13 Paypal, Inc. Real time application error identification and mitigation

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016019171A (ja) * 2014-07-09 2016-02-01 株式会社ビデオリサーチ コンテンツ接触状況検出装置及びシステム及び方法及びプログラム、端末
CN108229485A (zh) * 2018-02-08 2018-06-29 百度在线网络技术（北京）有限公司 用于测试用户界面的方法和装置
CN108595183A (zh) * 2018-04-19 2018-09-28 北京微播视界科技有限公司 代码拼接和调试方法、装置、计算机可读存储介质和终端
CN109408389A (zh) * 2018-10-30 2019-03-01 北京理工大学 一种基于深度学习的代码缺陷检测方法及装置
CN109977014A (zh) * 2019-03-22 2019-07-05 泰康保险集团股份有限公司 基于区块链的代码错误识别方法、装置、设备及存储介质
CN110069404A (zh) * 2019-03-27 2019-07-30 广东高云半导体科技股份有限公司 代码调试方法、装置、设备及介质
JP2021113846A (ja) * 2020-01-16 2021-08-05 アルパイン株式会社 表示装置および表示制御方法
CN113641586A (zh) * 2021-02-26 2021-11-12 北京北大软件工程股份有限公司 软件源代码缺陷检测方法、系统、电子设备及储存介质
CN113051582A (zh) * 2021-04-28 2021-06-29 重庆电子工程职业学院 一种计算机软件技术开发调试系统
KR102379575B1 (ko) * 2021-12-27 2022-03-29 주식회사 에이아이리더 코드 인식장치, 코드의 인식방법 및 이를 활용한 차량번호의 추출시스템
CN114357174A (zh) * 2022-03-18 2022-04-15 北京创新乐知网络技术有限公司 基于ocr和机器学习的代码分类系统及方法
CN114782967A (zh) * 2022-03-21 2022-07-22 南京航空航天大学 一种基于代码可视化学习的软件缺陷预测方法
CN115061908A (zh) * 2022-06-15 2022-09-16 平安壹钱包电子商务有限公司 缺陷代码的定位方法、装置、存储介质及计算机设备
CN115048316A (zh) * 2022-08-15 2022-09-13 中国电子科技集团公司第三十研究所 一种半监督的软件代码缺陷检测方法及装置
CN116205817A (zh) * 2023-03-07 2023-06-02 陈春兰 数据内容复杂度针对性检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Catherine M. Baker 等.StructJumper: A Tool to Help Blind Programmers Navigate and Understand the Structure of Code.《CHI '15: Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems》.2015,第2015年卷卷第3043–3052页. *
基于Transformer 的软件缺陷预测方法研究;谭莉娟;道克巴巴：https://www.doc88.com/p-19229466315080.html;第4章 *

Also Published As

Publication number Publication date
CN116662206A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN107463331B (zh) 手势轨迹模拟方法、装置及电子设备
CN104794050A (zh) 应用程序的测试方法、装置及系统
CN107223246A (zh) 图像标注方法、装置及电子设备
CN101778307A (zh) 机顶盒功能测试装置
CN108579094B (zh) 一种用户界面检测方法及相关装置、系统和存储介质
CN109657431B (zh) 用于识别用户身份的方法
CN103455403B (zh) 测试方法及装置
CN113807342B (zh) 基于图像获取设备信息的方法及相关装置
CN109359043B (zh) 一种基于机器学习的移动游戏自动化测试方法
CN111225299A (zh) 一种onu故障识别、修复方法和装置
CN111310507A (zh) 识别码的识别方法、装置及设备
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN110888812B (zh) 终端页面的响应时间的测试系统及测试方法
CN114972500A (zh) 查验方法、标注方法、系统、装置、终端、设备及介质
CN110490056A (zh) 对包含算式的图像进行处理的方法和装置
CN110442807A (zh) 一种网页类型识别方法、装置、服务器及存储介质
CN116662206B (zh) 计算机软件在线实时可视化调试方法及装置
CN106294132B (zh) 一种管理日志的方法及装置
CN114116474A (zh) 一种软件校验方法、装置、电子设备及存储介质
CN115273215A (zh) 作业识别系统以及作业识别方法
CN112861843A (zh) 基于特征图像识别的选择框解析方法及装置
KR101225196B1 (ko) 이미지 프로세싱에서 블롭 라벨링 방법 및 장치
CN110321257A (zh) 异形屏兼容性测试方法、装置、计算机设备和存储介质
CN113377644B (zh) 一种基于前端多系统多语言国际化翻译的测试方法
CN113688835A (zh) 一种基于物体检测与ocr的系统及应用故障弹框图片信息提取方法

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