关键词：
蜕变测试
蜕变关系
软件测试
图像识别
摘要：
图像识别作为图像处理领域的核心分支,其广泛的应用价值在众多领域已经得到了显著体现。近年来,得益于机器学习技术的快速发展,图像识别在众多领域实现了突破性进展。然而,随着应用的广泛性增加,如何确保图像识别软件的质量与稳定性,已成为业界关注的焦点。软件测试作为确保软件品质的关键环节,在机器学习应用中同样发挥着质量保障的作用。然而,与传统软件不同,基于机器学习的图像识别软件面临测试预测难题,预期输出结果的不确定性使得测试成本大幅上升。因此,传统的软件测试策略并不适用于此类程序。蜕变测试技术,作为一种能有效缓解测试预言难题的解决方案,已在多个领域得到成功应用,然而在众多图像识别软件中,新的蜕变关系定义、蜕变关系的特性评估、蜕变测试框架构建等问题函待解决。本文基于机器学习及软件蜕变测试技术,针对图像识别软件开展蜕变测试技术研究,主要工作概况如下:
(一)研究了基于蜕变关系反应度的聚类算法。针对蜕变关系特性评估问题,首次提出蜕变关系反应度这一指标,该指标将蜕变关系的错误检出率以多维向量的形式进行表示,能够更加细致和全面地反映蜕变关系的特性,与现有的FDR与变异分数指标相比,本文提出的蜕变关系反应度指标能够更加深入反映蜕变关系如何在不同测试场景下表现,不仅包含了蜕变关系在不同错误类型上的检出能力,还能够揭示其在不同错误上的敏感度,为基于深度学习的蜕变测试提供了一个更为精细和立体的分析视角。在此基础上,提出基于蜕变关系反应度的改进K-means聚类算法,对蜕变关系进行聚类分析,挖掘蜕变关系构建需求与错误发现能力的关联。
(二)研究了面向交通标志识别系统的蜕变关系构造。传统蜕变测试研究主要关注于利用整体图像变换来揭示图像识别系统可能存在的潜在不稳定性。然而,图像背景区域(即非目标物体区域)对识别结果的影响及其对系统鲁棒性的影响尚未得到充分考虑。本研究以交通道路场景为研究对象,根据交通背景相关性定义四种蜕变关系,利用蜕变关系自动生成衍生测试用例,以评估图像识别系统在不同背景条件下的识别效能。通过引入一个新的交通背景相关性(TBR)度量指标,能够有效评估交通背景对交通标志识别的影响程度,为评估交通背景对交通标志识别的影响提供了新的视角。
(三)研究了面向交通标志识别系统的蜕变测试框架设计问题。针对交通标志识别系统在光照条件变化、信号干扰等情况下,拍摄的图像存在过曝、对比度失真、噪点等问题,构建基于交通背景相关性蜕变测试框架(TBRMT),该框架旨在验证基于YOLOv5、SSD、Faster RCNN模型的交通标志识别系统在背景变换下的系统鲁棒性,并从自动化水平、识别精度和性能优势三个关键维度进行综合评估。实验结果表明,TBRMT框架在对交通标志识别系统进行测试方面表现出色,能够有效地识别并记录选定模型中的数千项不一致性行为。并进一步利用交通背景相关性(TBR)度量指标,对这些系统的鲁棒性进行了深入的评估。
最后对全文所做的工作进行了总结,并指出了下一步研究方向。
欢迎来到三峡大学图书馆！
