CN108229485A - 用于测试用户界面的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于测试用户界面的方法和装置。该方法的一具体实施方式包括：获取待测试用户界面的截图；确定待测试用户界面的截图是否满足预设条件；响应于确定满足预设条件，将待测试用户界面的截图输入至预先训练的全局测试模型，得到与待测试用户界面对应的全局测试结果；以及从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果。该实施方式利用深度学习方法，结合全局测试模型和局部测试模型对用户界面进行测试，不需要测试人员人工判断，不仅节省了人力成本，还提高了对用户界面的测试效率。

Description

用于测试用户界面的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于测试用户界面的方法和装置。

背景技术

UI(User Interface，用户界面)泛指用户的操作界面，包含移动应用，网页，智能穿戴设备等。UI设计主要指界面的样式，美观程度。好的UI不仅是让软件变得有个性有品味，还要让软件的操作变得舒适、简单、自由，充分体现软件的定位和特点。

通过对UI进行测试可以快速地确定UI中是否存在缺陷。现有的UI测试方式通常依赖于测试人员的人工判断，主要有以下两种方式：第一，通过人工判断UI中是否存在特定的元素，来确定UI中是否存在缺陷；第二，预先设置预期参照图，截取UI的截图与预期参照图进行对比，根据对比结果来确定UI中是否存在缺陷。

发明内容

本申请实施例提出了用于测试用户界面的方法和装置。

第一方面，本申请实施例提供了一种用于测试用户界面的方法，该方法包括：获取待测试用户界面的截图；确定待测试用户界面的截图是否满足预设条件；响应于确定满足预设条件，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果；以及从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

在一些实施例中，确定待测试用户界面的截图是否满足预设条件，包括：执行以下至少一项操作：利用光学字符识别OCR技术识别出待测试用户界面的截图中的至少一个字符串，以及将所识别出的至少一个字符串在预设错误字符串集合中进行匹配；利用颜色模型确定待测试用户界面的截图所包括的颜色种类；基于以上至少一项操作的结果，确定待测试用户界面的截图是否满足预设条件，其中，预设条件包括以下至少一项：字符串在预设错误字符串集合中匹配不成功、颜色种类的数目大于预设数目。

在一些实施例中，从待测试用户界面的截图中分割出至少一个局部区域，包括：获取待测试用户界面的文档对象模型DOM，其中，待测试用户界面的DOM中包括至少一个第一局部区域的位置信息，其中，每个第一局部区域中包括一个字符串；根据至少一个第一局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第一局部区域，作为至少一个局部区域。

在一些实施例中，待测试用户界面的DOM中还包括至少一个第二局部区域的位置信息，其中，每个第二局部区域中包括多个字符串；以及从待测试用户界面的截图中分割出至少一个局部区域，还包括：根据至少一个第二局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第二局部区域；对于至少一个第二局部区域中的每个第二局部区域，利用OCR技术识别出该第二局部区域中的多个字符串，以及从该第二局部区域中分割出所识别出的多个字符串中的每个字符串所在的区域，作为多个局部区域。

在一些实施例中，全局测试结果包括全局类型和与全局类型对应的区域的位置信息，局部测试结果包括局部类型和与局部类型对应的区域的位置信息。

在一些实施例中，全局类型包括以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型，局部类型包括以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。

在一些实施例中，全局测试模型包括以下至少一项：全局留空测试模型、全局键盘异常测试模型，局部测试模型包括以下至少一项：字符重叠测试模型、字符背景过渡异常测试模型、字符边缘遮挡测试模型。

在一些实施例中，全局测试模型是通过如下步骤训练得到的：获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，作为全局正样本；获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，作为第一全局负样本；获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，作为第二全局负样本；利用深度学习方法，基于全局正样本和第一全局负样本对预设的第一卷积神经网络进行训练，得到全局留空测试模型；利用深度学习方法，基于全局正样本和第二全局负样本对预设的第二卷积神经网络进行训练，得到全局键盘异常测试模型。

在一些实施例中，全局负样本是通过如下步骤生成的：将第一预设贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局留空类型的样本用户界面的截图；将预设键盘异常贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局键盘异常类型的样本用户界面的截图。

在一些实施例中，该方法还包括：对属于全局正常类型的样本用户界面的截图、属于全局留空类型的样本用户界面的截图和属于全局正常类型的样本用户界面的截图进行图形异构处理，生成多个全局正样本、多个第一全局负样本和多个第二全局负样本。

在一些实施例中，局部测试模型是通过如下步骤训练得到的：获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，作为局部正样本；获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，作为第一局部负样本；获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，作为第二局部负样本；获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，作为第三局部负样本；利用深度学习方法，基于局部正样本和第一局部负样本对预设的第三卷积神经网络进行训练，得到字符重叠测试模型；利用深度学习方法，基于局部正样本和第二局部负样本对预设的第四卷积神经网络进行训练，得到字符背景过渡异常测试模型；利用深度学习方法，基于局部正样本和第三局部负样本对预设的第五卷积神经网络进行训练，得到字符边缘遮挡测试模型。

在一些实施例中，局部负样本是通过如下步骤生成的：将预设字符贴图覆盖在属于字符正常类型的样本局部区域上，生成属于字符重叠类型的样本局部区域；将预设图层覆盖在属于字符正常类型的样本局部区域上，生成属于字符背景过渡异常类型的样本局部区域；将第二预设贴图覆盖在属于字符正常类型的样本局部区域的边缘上，生成属于字符边缘遮挡测试模型的样本局部区域。

在一些实施例中，该方法还包括：对属于字符正常类型的样本局部区域、属于字符重叠类型的样本局部区域、属于字符背景过渡异常类型的样本局部区域和属于字符边缘遮挡测试模型的样本局部区域进行图形异构处理，生成多个局部正样本、多个第一局部负样本、多个第二局部负样本和多个第三局部负样本。

第二方面，本申请实施例提供了一种用于测试用户界面的装置，该装置包括：获取单元，配置用于获取待测试用户界面的截图；确定单元，配置用于确定待测试用户界面的截图是否满足预设条件；测试单元，配置用于响应于确定满足预设条件，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果；以及从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

在一些实施例中，确定单元包括：执行模块，配置用于执行以下至少一项操作：利用光学字符识别OCR技术识别出待测试用户界面的截图中的至少一个字符串，以及将所识别出的至少一个字符串在预设错误字符串集合中进行匹配；利用颜色模型确定待测试用户界面的截图所包括的颜色种类；确定模块，配置用于基于以上至少一项操作的结果，确定待测试用户界面的截图是否满足预设条件，其中，预设条件包括以下至少一项：字符串在预设错误字符串集合中匹配不成功、颜色种类的数目大于预设数目。

在一些实施例中，测试单元包括：文档对象模型获取模块，配置用于获取待测试用户界面的文档对象模型DOM，其中，待测试用户界面的DOM中包括至少一个第一局部区域的位置信息，其中，每个第一局部区域中包括一个字符串；第一局部区域分割模块，配置用于根据至少一个第一局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第一局部区域，作为至少一个局部区域。

在一些实施例中，待测试用户界面的DOM中还包括至少一个第二局部区域的位置信息，其中，每个第二局部区域中包括多个字符串；以及测试单元还包括：第二局部区域分割模块，配置用于根据至少一个第二局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第二局部区域；局部区域分割模块，配置用于对于至少一个第二局部区域中的每个第二局部区域，利用OCR技术识别出该第二局部区域中的多个字符串，以及从该第二局部区域中分割出所识别出的多个字符串中的每个字符串所在的区域，作为多个局部区域。

在一些实施例中，全局测试结果包括全局类型和与全局类型对应的区域的位置信息，局部测试结果包括局部类型和与局部类型对应的区域的位置信息。

在一些实施例中，全局类型包括以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型，局部类型包括以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。

在一些实施例中，全局测试模型包括以下至少一项：全局留空测试模型、全局键盘异常测试模型，局部测试模型包括以下至少一项：字符重叠测试模型、字符背景过渡异常测试模型、字符边缘遮挡测试模型。

在一些实施例中，该装置还包括全局测试模型训练单元，全局测试模块训练单元包括：全局正样本获取模块，配置用于获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，作为全局正样本；第一全局负样本获取模块，配置用于获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，作为第一全局负样本；第二全局负样本获取模块，配置用于获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，作为第二全局负样本；全局留空测试模型训练模块，配置用于利用深度学习方法，基于全局正样本和第一全局负样本对预设的第一卷积神经网络进行训练，得到全局留空测试模型；全局键盘异常测试模型训练模块，配置用于利用深度学习方法，基于全局正样本和第二全局负样本对预设的第二卷积神经网络进行训练，得到全局键盘异常测试模型。

在一些实施例中，该装置还包括全局样本生成单元，全局样本生成单元包括：第一全局负样本生成模块，配置用于将第一预设贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局留空类型的样本用户界面的截图；第二全局负样本生成模块，配置用于将预设键盘异常贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局键盘异常类型的样本用户界面的截图。

在一些实施例中，全局样本生成单元还包括：第一图形异构处理模块，配置用于对属于全局正常类型的样本用户界面的截图、属于全局留空类型的样本用户界面的截图和属于全局正常类型的样本用户界面的截图进行图形异构处理，生成多个全局正样本、多个第一全局负样本和多个第二全局负样本。

在一些实施例中，该装置还包括局部测试模型训练单元，局部测试模块训练单元包括：局部正样本获取模块，配置用于获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，作为局部正样本；第一局部负样本获取模块，配置用于获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，作为第一局部负样本；第二局部负样本获取模块，配置用于获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，作为第二局部负样本；第三局部负样本获取模块，配置用于获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，作为第三局部负样本；字符重叠测试模型训练模块，配置用于利用深度学习方法，基于局部正样本和第一局部负样本对预设的第三卷积神经网络进行训练，得到字符重叠测试模型；字符背景过渡异常测试模型训练模块，配置用于利用深度学习方法，基于局部正样本和第二局部负样本对预设的第四卷积神经网络进行训练，得到字符背景过渡异常测试模型；字符边缘遮挡测试模型训练模块，配置用于利用深度学习方法，基于局部正样本和第三局部负样本对预设的第五卷积神经网络进行训练，得到字符边缘遮挡测试模型。

在一些实施例中，该装置还包括局部样本生成单元，局部样本生成单元包括：第一局部负样本生成模块，配置用于将预设字符贴图覆盖在属于字符正常类型的样本局部区域上，生成属于字符重叠类型的样本局部区域；第二局部负样本生成模块，配置用于将将预设图层覆盖在属于字符正常类型的样本局部区域上，生成属于字符背景过渡异常类型的样本局部区域；第三局部负样本生成模块，配置用于将将第二预设贴图覆盖在属于字符正常类型的样本局部区域的边缘上，生成属于字符边缘遮挡测试模型的样本局部区域。

在一些实施例中，局部样本生成单元还包括：第二图形异构处理模块，配置用于对属于字符正常类型的样本局部区域、属于字符重叠类型的样本局部区域、属于字符背景过渡异常类型的样本局部区域和属于字符边缘遮挡测试模型的样本局部区域进行图形异构处理，生成多个局部正样本、多个第一局部负样本、多个第二局部负样本和多个第三局部负样本。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于测试用户界面的方法和装置，通过获取待测试用户界面的截图，以便于确定待测试用户界面的截图是否满足预设条件；在确定满足预设条件的情况下，首先将待测试用户界面的截图输入至全局测试模型，从而得到与待测试用户界面对应的全局测试结果；然后从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，从而得到与待测试用户界面对应的局部测试结果。利用深度学习方法，结合全局测试模型和局部测试模型对用户界面进行测试，不需要测试人员人工判断，不仅节省了人力成本，还提高了对用户界面的测试效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于测试用户界面的方法的一个实施例的流程图；

图3是根据本申请的用于测试用户界面的方法的又一个实施例的流程图；

图4是根据本申请的用于训练全局测试模型的方法的一个实施例的流程图；

图5是根据本申请的用于训练局部测试模型的方法的一个实施例的流程图；

图6是根据本申请的用于测试用户界面的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于测试用户界面的方法或用于测试用户界面的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户界面进行测试的用户界面测试服务器。用户界面测试服务器可以对接收到的待测试用户界面的截图等进行分析等处理，并生成处理结果(例如与待测试用户界面对应的全局测试结果和局部测试结果)。

需要说明的是，本申请实施例所提供的用于测试用户界面的方法一般由服务器105执行，相应地，用于测试用户界面的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于测试用户界面的方法的一个实施例的流程200。该用于测试用户界面的方法，包括以下步骤：

步骤201，获取待测试用户界面的截图。

在本实施例中，用于测试用户界面的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取待测试用户界面的截图。通常，终端设备可以是具有截图功能的电子设备，其上安装有各种客户端应用，例如购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备在运行客户端应用的过程中会展示客户端应用的用户界面，此时终端设备可以利用截图功能截取所展示的用户界面。其中，用户界面泛指用户的操作界面，也称人机界面，用户可以通过用户界面与客户端应用进行交互。

步骤202，确定待测试用户界面的截图是否满足预设条件。

在本实施例中，基于步骤201所获取的待测试用户界面的截图，电子设备可以确定待测试用户界面的截图是否满足预设条件，在确定满足预设条件的情况下，执行步骤203′和步骤203；在确定不满足预设条件的情况下，结束流程。其中，预设条件可以是预先设置的各种条件。通常，若用户界面的截图满足预设条件，说明用户界面存在的缺陷较小，此时适合通过测试用户界面的方法进行测试；若用户界面的截图不满足预设条件，说明用户界面存在的缺陷较大，此时不适合通过测试用户界面的方法进行测试，故结束流程。

在本实施例的一些可选的实现方式中，预设条件可以为空，此时默认为待测试用户界面的截图满足预设条件，并可以直接执行步骤203′和步骤203。

在本实施例的一些可选的实现方式中，预设条件可以包括但不限于以下至少一项：字符串在预设错误字符串集合中匹配不成功、颜色种类的数目大于预设数目。

具体地，首先，电子设备可以执行以下至少一项操作：

1、利用光学字符识别OCR技术识别出待测试用户界面的截图中的至少一个字符串，以及将所识别出的至少一个字符串在预设错误字符串集合中进行匹配。这里，OCR(Optical Character Recognition，光学字符识别)技术是指电子设备检查用户界面的截图中的字符串，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的技术。即针对用户界面的截图中的字符串，采用光学的方式将用户界面的截图中的字符串转换成为黑白点阵的图像文件，并通过识别软件将图像中的字符串转换成文本格式，供字符处理软件进一步编辑加工的技术。其中，预设错误字符串集合中的字符串可以是预先设置的各种错误字符串。例如，预设错误字符串集合中的字符串可以是待测试用户界面的源代码中的字符串或者乱码中的字符串等，若所识别出的字符串在预设错误字符串集合中匹配成功，则说明源代码中的字符串未被完全转换为待测试用户界面上所要显示的字符串或者待测试用户界面上存在乱码，此时说明用户界面存在的缺陷较大，故结束流程。

2、利用颜色模型确定待测试用户界面的截图所包括的颜色种类。这里，颜色模型可以是HSV(Hue,Saturation,Value)颜色模型，HSV颜色模型也称六角锥体模型(HexconeModel)，这个模型中颜色的参数分别是：色调(H)，饱和度(S)，明度(V)。利用HSV模型可以快速地确定出待测试用户界面的截图所包括的颜色种类。例如，若待测试用户界面的截图只包括一种颜色，那么待测试用户界面的截图是一张纯色图片，说明待测试用户界面中没有任何字符。

然后，电子设备可以基于以上至少一项操作的结果，确定待测试用户界面的截图是否满足预设条件。

具体地，若待测试用户界面的截图中的至少一个字符串在预设错误字符串集合中匹配不成功和/或待测试用户界面的截图所包括的颜色种类大于预设数目(例如1种)，则确定待测试用户界面的截图满足预设条件，然后继续执行步骤203′和步骤203；若待测试用户界面的截图中的至少一个字符串在预设错误字符串集合中匹配成功和/或待测试用户界面的截图所包括的颜色种类不大于预设数目，则确定待测试用户界面的截图不满足预设条件，然后结束流程。

步骤203′，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果。

在本实施例中，在待测试用户界面的截图满足预设条件的情况下，电子设备可以将待测试用户界面的截图输入至全局测试模型，从而得到与待测试用户界面对应的全局测试结果。其中，全局测试结果可以仅仅包括全局类型，也可以既包括全局类型又包括与全局类型对应的区域的位置信息。全局类型可以包括但不限于以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型。全局留空类型可以包括全局留黑类型和全部留白类型。例如，对于一个用户界面，其全局测试结果可以是全局留空类型和留空区域的位置信息。

在本实施例中，全局测试模型可以用于表征用户界面的截图和与用户界面对应的全局测试结果之间的对应关系。作为示例，本领域技术人员可以对大量用户界面的截图和与用户界面对应的全局测试结果进行统计分析，从而生成存储有多个用户界面的截图和与用户界面对应的全局测试结果的对应关系表，并将该对应关系表作为全局测试模型。电子设备可以计算待测试用户界面的截图与该对应关系表中的各个用户界面的截图之间的相似度，并基于相似度计算结果，从该对应关系表中查找出与待测试用户界面对应的全局测试结果。例如，首先确定出与待测试用户界面的截图的相似度最高的用户界面的截图，然后从该对应关系表中查找出与该用户界面的截图对应的全局测试结果，作为与待测试用户界面对应的全局测试结果。

在本实施例中，全局测试模型可以由一个多分类模型组成，也可以由多个单分类模型组成。在全局测试模型是由多个单分类模型组成的情况下，全局测试模型可以包括但不限于以下至少一项：全局留空测试模型、全局键盘异常测试模型。

步骤203，从待测试用户界面的截图中分割出至少一个局部区域。

在本实施例中，在待测试用户界面的截图满足预设条件的情况下，电子设备可以从待测试用户界面的截图中分割出至少一个局部区域。其中，每个局部区域包括一个字符串。作为示例，电子设备可以利用OCR技术识别出待测试用户界面的截图中的至少一个字符串，然后从待测试用户界面的截图中分割出所识别出的至少一个字符串中的每个字所在的区域。其中，字符串所在的区域可以是包括字符串的最小矩形区域。

步骤204，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果。

在本实施例中，基于步骤203所分割出的至少一个局部区域，电子设备可以将所分割出的至少一个局部区域中的每个局部区域逐个输入至局部测试模型，从而得到与待测试用户界面对应的局部测试结果。其中，局部测试结果可以仅仅包括局部类型，也可以既包括局部类型又包括与局部类型对应的区域的位置信息。局部类型可以包括但不限于以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。例如，对于从用户界面的截图中所分割出的一个包括字符的局部区域，其局部测试结果可以是字符重叠类型和该局部区域的位置信息。

在本实施例中，局部测试类型可以用于表征用户界面的截图的局部区域和与用户界面对应的局部测试结果之间的对应关系。作为示例，本领域技术人员可以对大量局部区域和与局部区域对应的局部测试结果进行统计分析，从而生成存储有多个局部区域和与局部区域对应的局部测试结果的对应关系表，并将该对应关系表作为局部测试模型。电子设备可以计算待测试用户界面的截图的局部区域与该对应关系表中的各个局部区域之间的相似度，并基于相似度计算结果，从该对应关系表中查找出与待测试用户界面的截图的局部区域对应的局部测试结果。例如，首先确定出与待测试用户界面的截图的局部区域的相似度最高的局部区域，然后从该对应关系表中查找出与该局部区域对应的局部测试结果，作为与待测试用户界面对应的局部测试结果。

在本实施例中，局部测试模型可以由一个多分类模型组成，也可以由多个单分类模型组成。在局部测试模型是由多个单分类模型组成的情况下，局部测试模型可以包括但不限于以下至少一项：字符重叠测试模型、字符背景过渡异常测试模型、字符边缘遮挡测试模型。

本申请实施例提供的用于测试用户界面的方法，通过获取待测试用户界面的截图，以便于确定待测试用户界面的截图是否满足预设条件；在确定满足预设条件的情况下，首先将待测试用户界面的截图输入至全局测试模型，从而得到与待测试用户界面对应的全局测试结果；然后从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，从而得到与待测试用户界面对应的局部测试结果。利用深度学习方法，结合全局测试模型和局部测试模型对用户界面进行测试，不需要测试人员人工判断，不仅节省了人力成本，还提高了对用户界面的测试效率。

进一步参考图3，其示出了根据本申请的用于测试用户界面的方法的又一个实施例的流程300。该用于测试用户界面的方法的流程300，包括以下步骤：

步骤301，获取待测试用户界面的截图。

在本实施例中，用于测试用户界面的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取待测试用户界面的截图。通常，终端设备可以是具有截图功能的电子设备，其上安装有各种客户端应用。终端设备在运行客户端应用的过程中会展示客户端应用的用户界面，此时终端设备可以利用截图功能截取所展示的用户界面。

步骤302，确定待测试用户界面的截图是否满足预设条件。

在本实施例中，基于步骤301所获取的待测试用户界面的截图，电子设备可以确定待测试用户界面的截图是否满足预设条件，在确定满足预设条件的情况下，执行步骤303′和步骤303；在确定不满足预设条件的情况下，结束流程。其中，预设条件可以是预先设置的各种条件。

步骤303′，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果。

在本实施例中，在待测试用户界面的截图满足预设条件的情况下，电子设备可以将待测试用户界面的截图输入至全局测试模型，从而得到与待测试用户界面对应的全局测试结果。其中，全局测试结果可以仅仅包括全局类型，也可以既包括全局类型又包括与全局类型对应的区域的位置信息。全局类型可以包括但不限于以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型。全局留空类型可以包括全局留黑类型和全部留白类型。

步骤303，获取待测试用户界面的文档对象模型DOM。

在本实施例中，电子设备可以通过有线连接方式或者无线连接方式从终端设备获取待测试用户界面的DOM(Document Object Model，文档对象模型)。这里，在用户界面上，用户界面的对象被组织在一个树形结构中，用来表示用户界面中对象的标准模型就称为用户界面的DOM。实践中，终端设备的操作系统可以是Android(一种基于Linux的自由及开放源代码的操作系统)，也可以是IOS(一种移动操作系统)。通常，无论终端设备的操作系统是Android还是IOS，待测试用户界面的DOM中均会包括TextView(TextView是用来显示字符串的组件)信息，TextView信息中可以包括至少一个第一局部区域的位置信息，其中，每个第一局部区域中仅包括一个字符串，第一局部区域可以是包括这一个字符串的最小矩形区域。

步骤304，根据至少一个第一局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第一局部区域，作为至少一个局部区域。

在本实施例中，基于步骤303所获取的待测试用户界面的DOM信息，电子设备可以根据至少一个第一局部区域的位置信息在待测试用户界面的截图中确定出至少一个第一局部区域，然后在待测试用户界面的截图中分割出至少一个第一局部区域，作为至少一个局部区域。

在本实施例的一些可选的实现方式中，若终端设备的操作系统是是Android，待测试用户界面的DOM中还可能会包括WebView(WebView即网页视图，是用来显示网页的控件)信息。例如，若待测试用户界面的DOM中存在class属性为“class＝'android.webkit.WebView'”且存在子节点的节点，那么可以确定待测试用户界面的DOM中还包括WebView信息。其中，WebView信息中可以包括至少一个第二局部区域的位置信息，每个第二局部区域中包括多个字符串，第二局部区域可以是包括这多个字符串的最小矩形区域。电子设备可以根据至少一个第二局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第二局部区域；对于至少一个第二局部区域中的每个第二局部区域，利用OCR技术识别出该第二局部区域中的多个字符串，以及从该第二局部区域中分割出所识别出的多个字符串中的每个字符串所在的区域，作为多个局部区域。

步骤305，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果。

在本实施例中，基于步骤304所分割出的至少一个局部区域，电子设备可以将所分割出的至少一个局部区域中的每个局部区域逐个输入至局部测试模型，从而得到与待测试用户界面对应的局部测试结果。其中，局部测试结果可以仅仅包括局部类型，也可以既包括局部类型又包括与局部类型对应的区域的位置信息。局部类型可以包括但不限于以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于测试用户界面的方法的流程300突出了分割局部区域的步骤。由此，本实施例描述的方案可以通过对待测试用户界面的DOM进行分析，实现了快速地确定局部区域的位置信息，从而提高了分割局部区域的效率。

进一步参考图4，其示出了根据本申请的用于训练全局测试模型的方法的一个实施例的流程400。该用于训练全局测试模型的方法的流程400，包括以下步骤：

步骤401，获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，作为全局正样本。

在本实施例中，用于训练全局测试模型的方法运行于其上的电子设备(例如图1所示的服务器105)可以获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，并将其作为全局正样本。其中，属于全局正常类型的样本用户界面的截图是全局正样本中的输入信息，与属于全局正常类型的样本用户界面对应的全局测试结果是全局正样本中的输出信息。通常，属于全局正常类型的样本用户界面的截图与样本用户界面的预期参照图完全相同。

步骤402，获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，作为第一全局负样本。

在本实施例中，电子设备可以获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，并将其作为第一全局负样本。其中，属于全局留空类型的样本用户界面的截图是第一全局负样本中的输入信息，与属于全局留空类型的样本用户界面对应的全局测试结果是第一全局负样本中的输出信息。通常，属于全局留空类型的样本用户界面的截图可以是样本用户界面出现全局留空类型的缺陷时的截图，也可以是在属于全局正常类型的样本用户界面的截图的基础上所生成的截图。

在本实施例的一些可选的实现方式中，电子设备可以将第一预设贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局留空类型的样本用户界面的截图。其中，第一预设贴图可以是预设大小和像素值(例如RGB值)的纯色贴图。例如，面积不小于样本用户界面的截图的五分之一，且RGB值在0-10或250-255之间的纯色贴图。其中，利用RGB值在0-10之间的纯色贴图覆盖在属于全局正常类型的样本用户界面的截图上，可以生成属于全局留黑类型的样本用户界面的截图；利用RGB值在250-255之间的纯色贴图覆盖在属于全局正常类型的样本用户界面的截图上，可以生成属于全局留白类型的样本用户界面的截图。

步骤403，利用深度学习方法，基于全局正样本和第一全局负样本对预设的第一卷积神经网络进行训练，得到全局留空测试模型。

在本实施例中，电子设备可以将全局正样本中的属于全局正常类型的样本用户界面的截图和第一全局负样本中的属于全局留空类型的样本用户界面的截图分别作为输入，将全局正样本中的与属于全局正常类型的样本用户界面对应的全局测试结果和第一全局负样本中的与属于全局留空类型的样本用户界面对应的全局测试结果分别作为对应的输出，对预设的第一卷积神经网络(例如ResNet)进行训练，从而得到全局留空测试模型。其中，卷积神经网络(Convolutional Neural Network，CNN)可以是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。这里，可以将第一卷积神经网络的网络参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化，并在训练过程中采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整第一卷积神经网络的网络参数。

步骤402'，获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，作为第二全局负样本。

在本实施例中，电子设备可以获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，并将其作为第二全局负样本。其中，属于全局键盘异常类型的样本用户界面的截图是第二全局负样本中的输入信息，与属于全局键盘异常类型的样本用户界面对应的全局测试结果是第二全局负样本中的输出信息。通常，属于全局键盘异常类型的样本用户界面的截图可以是样本用户界面出现全局键盘异常类型的缺陷时的截图，也可以是在属于全局正常类型的样本用户界面的截图的基础上所生成的截图。

在本实施例的一些可选的实现方式中，电子设备可以将预设键盘异常贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局键盘异常类型的样本用户界面的截图。其中，预设键盘异常贴图可以覆盖在全局正常类型的样本用户界面的截图中的键盘区域处。

步骤403'，利用深度学习方法，基于全局正样本和第二全局负样本对预设的第二卷积神经网络进行训练，得到全局键盘异常测试模型。

在本实施例中，电子设备可以将全局正样本中的属于全局正常类型的样本用户界面的截图和第二全局负样本中的属于全局键盘异常类型的样本用户界面的截图分别作为输入，将全局正样本中的与属于全局正常类型的样本用户界面对应的全局测试结果和第二全局负样本中的与属于全局键盘异常类型的样本用户界面对应的全局测试结果分别作为对应的输出，对预设的第二卷积神经网络(例如ResNet)进行训练，从而得到全局键盘异常测试模型。这里，可以将第二卷积神经网络的网络参数用一些不同的小随机数进行初始化，并在训练过程中采用BP算法或者SGD算法来调整第二卷积神经网络的网络参数。

在本实施例中的一些可选的实现方式中，电子设备可以对属于全局正常类型的样本用户界面的截图、属于全局留空类型的样本用户界面的截图和属于全局正常类型的样本用户界面的截图进行图形异构处理，生成多个全局正样本、多个第一全局负样本和多个第二全局负样本。这里，电子设备可以利用图形旋转、图形伸缩、图形缩放等图形异构处理方式对样本用户界面的截图进行处理，从而扩展样本用户界面的截图的数量。

进一步参考图5，其示出了根据本申请的用于训练局部测试模型的方法的一个实施例的流程500。该用于训练局部测试模型的方法的流程500，包括以下步骤：

步骤501，获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，作为局部正样本。

在本实施例中，用于训练局部测试模型的方法运行于其上的电子设备(例如图1所示的服务器105)可以获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，并将其作为局部正样本。其中，属于字符正常类型的样本局部区域是局部正样本中的输入信息，与属于字符正常类型的样本局部区域对应的局部测试结果是局部正样本中的输出信息。通常，属于字符正常类型的样本局部区域与样本局部区域的预期参照图完全相同。

步骤502，获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，作为第一局部负样本。

在本实施例中，电子设备可以获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，并将其作为第一局部负样本。其中，属于字符重叠类型的样本局部区域是第一局部负样本中的输入信息，与属于字符重叠类型的样本局部区域对应的局部测试结果是第一局部负样本中的输出信息。通常，属于字符重叠类型的样本局部区域可以是样本局部区域出现字符重叠类型的缺陷时的图形，也可以是在属于局部正常类型的样本局部区域的基础上所生成的图形。

在本实施例的一些可选的实现方式中，电子设备可以将预设字符贴图覆盖在属于字符正常类型的样本局部区域上，生成属于字符重叠类型的样本局部区域。

步骤503，利用深度学习方法，基于局部正样本和第一局部负样本对预设的第三卷积神经网络进行训练，得到字符重叠测试模型。

在本实施例中，电子设备可以将局部正样本中的属于字符正常类型的样本局部区域和第一局部负样本中的属于字符重叠类型的样本局部区域分别作为输入，将局部正样本中的与属于字符正常类型的样本局部区域对应的局部测试结果和第一局部负样本中的与属于字符重叠类型的样本局部区域对应的局部测试结果分别作为对应的输出，对预设的第三卷积神经网络(例如ResNet)进行训练，从而得到字符重叠测试模型。这里，可以将第三卷积神经网络的网络参数用一些不同的小随机数进行初始化，并在训练过程中采用BP算法或者SGD算法来调整第三卷积神经网络的网络参数。

步骤502'，获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，作为第二局部负样本。

在本实施例中，电子设备可以获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，并将其作为第二局部负样本。其中，属于字符背景过渡异常类型的样本局部区域是第二局部负样本中的输入信息，与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果是第二局部负样本中的输出信息。通常，属于字符背景过渡异常类型的样本局部区域可以是样本局部区域出现字符背景过渡异常类型的缺陷时的图形，也可以是在属于局部正常类型的样本局部区域的基础上所生成的图形。

在本实施例的一些可选的实现方式中，电子设备可以将预设图层覆盖在属于字符正常类型的样本局部区域上，生成属于字符背景过渡异常类型的样本局部区域。其中，预设图层可以是预设透明度的图层。例如，透明度为50％的图层。

步骤503'，利用深度学习方法，基于局部正样本和第二局部负样本对预设的第四卷积神经网络进行训练，得到字符背景过渡异常测试模型。

在本实施例中，电子设备可以将局部正样本中的属于字符正常类型的样本局部区域和第二局部负样本中的属于字符背景过渡异常类型的样本局部区域分别作为输入，将局部正样本中的与属于字符正常类型的样本局部区域对应的局部测试结果和第二局部负样本中的与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果分别作为对应的输出，对预设的第四卷积神经网络(例如ResNet)进行训练，从而得到字符背景过渡异常测试模型。这里，可以将第四卷积神经网络的网络参数用一些不同的小随机数进行初始化，并在训练过程中采用BP算法或者SGD算法来调整第四卷积神经网络的网络参数。

步骤502〃，获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，作为第三局部负样本。

在本实施例中，电子设备可以获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，并将其作为第三局部负样本。其中，属于字符边缘遮挡类型的样本局部区域是第三局部负样本中的输入信息，与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果是第三局部负样本中的输出信息。通常，属于字符边缘遮挡类型的样本局部区域可以是样本局部区域出现字符边缘遮挡类型的缺陷时的图形，也可以是在属于局部正常类型的样本局部区域的基础上所生成的图形。

在本实施例的一些可选的实现方式中，电子设备可以将第二预设贴图覆盖在属于字符正常类型的样本局部区域的边缘上，生成属于字符边缘遮挡测试模型的样本局部区域。其中，第二预设贴图可以是预设大小和像素值(例如RGB值)的纯色贴图，第二预设贴图可以覆盖在样本局部区域中的字符串的边缘处。

步骤，503〃，利用深度学习方法，基于局部正样本和第三局部负样本对预设的第五卷积神经网络进行训练，得到字符边缘遮挡测试模型。

在本实施例中，电子设备可以将局部正样本中的属于字符正常类型的样本局部区域和第三局部负样本中的属于字符边缘遮挡类型的样本局部区域分别作为输入，将局部正样本中的与属于字符正常类型的样本局部区域对应的局部测试结果和第三局部负样本中的与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果分别作为对应的输出，对预设的第五卷积神经网络(例如ResNet)进行训练，从而得到字符边缘遮挡测试模型。这里，可以将第五卷积神经网络的网络参数用一些不同的小随机数进行初始化，并在训练过程中采用BP算法或者SGD算法来调整第五卷积神经网络的网络参数。

在本实施例中的一些可选的实现方式中，电子设备可以对属于字符正常类型的样本局部区域、属于字符重叠类型的样本局部区域、属于字符背景过渡异常类型的样本局部区域和属于字符边缘遮挡测试模型的样本局部区域进行图形异构处理，生成多个局部正样本、多个第一局部负样本、多个第二局部负样本和多个第三局部负样本。这里，电子设备可以利用图形旋转、图形伸缩、图形缩放等图形异构处理方式对样本局部区域进行处理，从而扩展样本局部区域的数量。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于测试用户界面的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于测试用户界面的装置600可以包括：获取单元601、确定单元602和测试单元603。其中，获取单元601，配置用于获取待测试用户界面的截图；确定单元602，配置用于确定待测试用户界面的截图是否满足预设条件；测试单元603，配置用于响应于确定满足预设条件，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果；以及从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

在本实施例中，用于测试用户界面的装置600中：获取单元601、确定单元602和测试单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203以及步骤203'-204'的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，确定单元602可以包括：执行模块(图中未示出)，配置用于执行以下至少一项操作：利用光学字符识别OCR技术识别出待测试用户界面的截图中的至少一个字符串，以及将所识别出的至少一个字符串在预设错误字符串集合中进行匹配；利用颜色模型确定待测试用户界面的截图所包括的颜色种类；确定模块(图中未示出)，配置用于基于以上至少一项操作的结果，确定待测试用户界面的截图是否满足预设条件，其中，预设条件包括以下至少一项：字符串在预设错误字符串集合中匹配不成功、颜色种类的数目大于预设数目。

在本实施例的一些可选的实现方式中，测试单元603可以包括：文档对象模型获取模块(图中未示出)，配置用于获取待测试用户界面的文档对象模型DOM，其中，待测试用户界面的DOM中可以包括至少一个第一局部区域的位置信息，其中，每个第一局部区域中包括一个字符串；第一局部区域分割模块(图中未示出)，配置用于根据至少一个第一局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第一局部区域，作为至少一个局部区域。

在本实施例的一些可选的实现方式中，待测试用户界面的DOM中还可以包括至少一个第二局部区域的位置信息，其中，每个第二局部区域中包括多个字符串；以及测试单元603还可以包括：第二局部区域分割模块(图中未示出)，配置用于根据至少一个第二局部区域的位置信息的指示，从待测试用户界面的截图中分割出至少一个第二局部区域；局部区域分割模块(图中未示出)，配置用于对于至少一个第二局部区域中的每个第二局部区域，利用OCR技术识别出该第二局部区域中的多个字符串，以及从该第二局部区域中分割出所识别出的多个字符串中的每个字符串所在的区域，作为多个局部区域。

在本实施例的一些可选的实现方式中，全局测试结果可以包括全局类型和与全局类型对应的区域的位置信息，局部测试结果可以包括局部类型和与局部类型对应的区域的位置信息。

在本实施例的一些可选的实现方式中，全局类型可以包括但不限于以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型，局部类型包括以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。

在本实施例的一些可选的实现方式中，全局测试模型可以包括但不限于以下至少一项：全局留空测试模型、全局键盘异常测试模型，局部测试模型包括以下至少一项：字符重叠测试模型、字符背景过渡异常测试模型、字符边缘遮挡测试模型。

在本实施例的一些可选的实现方式中，用于测试用户界面的装置600还可以包括全局测试模型训练单元(图中未示出)，全局测试模块训练单元可以包括：全局正样本获取模块(图中未示出)，配置用于获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，作为全局正样本；第一全局负样本获取模块(图中未示出)，配置用于获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，作为第一全局负样本；第二全局负样本获取模块(图中未示出)，配置用于获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，作为第二全局负样本；全局留空测试模型训练模块(图中未示出)，配置用于利用深度学习方法，基于全局正样本和第一全局负样本对预设的第一卷积神经网络进行训练，得到全局留空测试模型；全局键盘异常测试模型训练模块(图中未示出)，配置用于利用深度学习方法，基于全局正样本和第二全局负样本对预设的第二卷积神经网络进行训练，得到全局键盘异常测试模型。

在本实施例的一些可选的实现方式中，用于测试用户界面的装置600还可以包括全局样本生成单元(图中未示出)，全局样本生成单元可以包括：第一全局负样本生成模块(图中未示出)，配置用于将第一预设贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局留空类型的样本用户界面的截图；第二全局负样本生成模块(图中未示出)，配置用于将预设键盘异常贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局键盘异常类型的样本用户界面的截图。

在本实施例的一些可选的实现方式中，全局样本生成单元可以还包括：第一图形异构处理模块(图中未示出)，配置用于对属于全局正常类型的样本用户界面的截图、属于全局留空类型的样本用户界面的截图和属于全局正常类型的样本用户界面的截图进行图形异构处理，生成多个全局正样本、多个第一全局负样本和多个第二全局负样本。

在本实施例的一些可选的实现方式中，用于测试用户界面的装置600还可以包括局部测试模型训练单元(图中未示出)，局部测试模块训练单元可以包括：局部正样本获取模块(图中未示出)，配置用于获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，作为局部正样本；第一局部负样本获取模块(图中未示出)，配置用于获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，作为第一局部负样本；第二局部负样本获取模块(图中未示出)，配置用于获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，作为第二局部负样本；第三局部负样本获取模块(图中未示出)，配置用于获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，作为第三局部负样本；字符重叠测试模型训练模块(图中未示出)，配置用于利用深度学习方法，基于局部正样本和第一局部负样本对预设的第三卷积神经网络进行训练，得到字符重叠测试模型；字符背景过渡异常测试模型训练模块(图中未示出)，配置用于利用深度学习方法，基于局部正样本和第二局部负样本对预设的第四卷积神经网络进行训练，得到字符背景过渡异常测试模型；字符边缘遮挡测试模型训练模块(图中未示出)，配置用于利用深度学习方法，基于局部正样本和第三局部负样本对预设的第五卷积神经网络进行训练，得到字符边缘遮挡测试模型。

在本实施例的一些可选的实现方式中，用于测试用户界面的装置600还可以包括局部样本生成单元(图中未示出)，局部样本生成单元可以包括：第一局部负样本生成模块(图中未示出)，配置用于将预设字符贴图覆盖在属于字符正常类型的样本局部区域上，生成属于字符重叠类型的样本局部区域；第二局部负样本生成模块(图中未示出)，配置用于将将预设图层覆盖在属于字符正常类型的样本局部区域上，生成属于字符背景过渡异常类型的样本局部区域；第三局部负样本生成模块(图中未示出)，配置用于将将第二预设贴图覆盖在属于字符正常类型的样本局部区域的边缘上，生成属于字符边缘遮挡测试模型的样本局部区域。

在本实施例的一些可选的实现方式中，局部样本生成单元还可以包括：第二图形异构处理模块(图中未示出)，配置用于对属于字符正常类型的样本局部区域、属于字符重叠类型的样本局部区域、属于字符背景过渡异常类型的样本局部区域和属于字符边缘遮挡测试模型的样本局部区域进行图形异构处理，生成多个局部正样本、多个第一局部负样本、多个第二局部负样本和多个第三局部负样本。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，计算机可读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。而在本申请中，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申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—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)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元和测试单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待测试用户界面的截图的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待测试用户界面的截图；确定待测试用户界面的截图是否满足预设条件；响应于确定满足预设条件，将待测试用户界面的截图输入至全局测试模型，得到与待测试用户界面对应的全局测试结果；以及从待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于测试用户界面的方法，包括：

获取待测试用户界面的截图；

确定所述待测试用户界面的截图是否满足预设条件；

响应于确定满足所述预设条件，将所述待测试用户界面的截图输入至全局测试模型，得到与所述待测试用户界面对应的全局测试结果；以及从所述待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与所述待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

2.根据权利要求1所述的方法，其中，所述确定所述待测试用户界面的截图是否满足预设条件，包括：

执行以下至少一项操作：

利用光学字符识别OCR技术识别出所述待测试用户界面的截图中的至少一个字符串，以及将所识别出的至少一个字符串在预设错误字符串集合中进行匹配；

利用颜色模型确定所述待测试用户界面的截图所包括的颜色种类；

基于以上至少一项操作的结果，确定所述待测试用户界面的截图是否满足预设条件，其中，所述预设条件包括以下至少一项：字符串在所述预设错误字符串集合中匹配不成功、颜色种类的数目大于预设数目。

3.根据权利要求1所述的方法，其中，所述从所述待测试用户界面的截图中分割出至少一个局部区域，包括：

获取所述待测试用户界面的文档对象模型DOM，其中，所述待测试用户界面的DOM中包括至少一个第一局部区域的位置信息，其中，每个第一局部区域中包括一个字符串；

根据所述至少一个第一局部区域的位置信息的指示，从所述待测试用户界面的截图中分割出所述至少一个第一局部区域，作为至少一个局部区域。

4.根据权利要求3所述的方法，其中，所述待测试用户界面的DOM中还包括至少一个第二局部区域的位置信息，其中，每个第二局部区域中包括多个字符串；以及

所述从所述待测试用户界面的截图中分割出至少一个局部区域，还包括：

根据所述至少一个第二局部区域的位置信息的指示，从所述待测试用户界面的截图中分割出所述至少一个第二局部区域；

对于所述至少一个第二局部区域中的每个第二局部区域，利用OCR技术识别出该第二局部区域中的多个字符串，以及从该第二局部区域中分割出所识别出的多个字符串中的每个字符串所在的区域，作为多个局部区域。

5.根据权利要求1所述的方法，其中，所述全局测试结果包括全局类型和与所述全局类型对应的区域的位置信息，所述局部测试结果包括局部类型和与所述局部类型对应的区域的位置信息。

6.根据权利要求5所述的方法，其中，所述全局类型包括以下至少一项：全局正常类型、全局留空类型、全局键盘异常类型，局部类型包括以下至少一项：字符正常类型、字符重叠类型、字符背景过渡异常类型、字符边缘遮挡类型。

7.根据权利要求6所述的方法，其中，所述全局测试模型包括以下至少一项：全局留空测试模型、全局键盘异常测试模型，所述局部测试模型包括以下至少一项：字符重叠测试模型、字符背景过渡异常测试模型、字符边缘遮挡测试模型。

8.根据权利要求7所述的方法，其中，所述全局测试模型是通过如下步骤训练得到的：

获取属于全局正常类型的样本用户界面的截图和与属于全局正常类型的样本用户界面对应的全局测试结果，作为全局正样本；

获取属于全局留空类型的样本用户界面的截图和与属于全局留空类型的样本用户界面对应的全局测试结果，作为第一全局负样本；

获取属于全局键盘异常类型的样本用户界面的截图和与属于全局键盘异常类型的样本用户界面对应的全局测试结果，作为第二全局负样本；

利用深度学习方法，基于所述全局正样本和所述第一全局负样本对预设的第一卷积神经网络进行训练，得到全局留空测试模型；

利用深度学习方法，基于所述全局正样本和所述第二全局负样本对预设的第二卷积神经网络进行训练，得到全局键盘异常测试模型。

9.根据权利要求8所述的方法，其中，全局负样本是通过如下步骤生成的：

将第一预设贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局留空类型的样本用户界面的截图；

将预设键盘异常贴图覆盖在属于全局正常类型的样本用户界面的截图上，生成属于全局键盘异常类型的样本用户界面的截图。

10.根据权利要求9所述的方法，其中，所述方法还包括：

对属于全局正常类型的样本用户界面的截图、属于全局留空类型的样本用户界面的截图和属于全局正常类型的样本用户界面的截图进行图形异构处理，生成多个全局正样本、多个第一全局负样本和多个第二全局负样本。

11.根据权利要求7所述的方法，其中，所述局部测试模型是通过如下步骤训练得到的：

获取属于字符正常类型的样本局部区域和与属于字符正常类型的样本局部区域对应的局部测试结果，作为局部正样本；

获取属于字符重叠类型的样本局部区域和与属于字符重叠类型的样本局部区域对应的局部测试结果，作为第一局部负样本；

获取属于字符背景过渡异常类型的样本局部区域和与属于字符背景过渡异常类型的样本局部区域对应的局部测试结果，作为第二局部负样本；

获取属于字符边缘遮挡类型的样本局部区域和与属于字符边缘遮挡类型的样本局部区域对应的局部测试结果，作为第三局部负样本；

利用深度学习方法，基于所述局部正样本和所述第一局部负样本对预设的第三卷积神经网络进行训练，得到字符重叠测试模型；

利用深度学习方法，基于所述局部正样本和所述第二局部负样本对预设的第四卷积神经网络进行训练，得到字符背景过渡异常测试模型；

利用深度学习方法，基于所述局部正样本和所述第三局部负样本对预设的第五卷积神经网络进行训练，得到字符边缘遮挡测试模型。

12.根据权利要求11所述的方法，其中，局部负样本是通过如下步骤生成的：

将预设字符贴图覆盖在属于字符正常类型的样本局部区域上，生成属于字符重叠类型的样本局部区域；

将预设图层覆盖在属于字符正常类型的样本局部区域上，生成属于字符背景过渡异常类型的样本局部区域；

将第二预设贴图覆盖在属于字符正常类型的样本局部区域的边缘上，生成属于字符边缘遮挡测试模型的样本局部区域。

13.根据权利要求12所述的方法，其中，所述方法还包括：

对属于字符正常类型的样本局部区域、属于字符重叠类型的样本局部区域、属于字符背景过渡异常类型的样本局部区域和属于字符边缘遮挡测试模型的样本局部区域进行图形异构处理，生成多个局部正样本、多个第一局部负样本、多个第二局部负样本和多个第三局部负样本。

14.一种用于测试用户界面的装置，包括：

获取单元，配置用于获取待测试用户界面的截图；

确定单元，配置用于确定所述待测试用户界面的截图是否满足预设条件；

测试单元，配置用于响应于确定满足所述预设条件，将所述待测试用户界面的截图输入至全局测试模型，得到与所述待测试用户界面对应的全局测试结果；以及从所述待测试用户界面的截图中分割出至少一个局部区域，将所分割出的至少一个局部区域输入至预先训练的局部测试模型，得到与所述待测试用户界面对应的局部测试结果，其中，每个局部区域中包括一个字符串。

15.一种电子设备，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1-13中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-13中任一所述的方法。