CN111858342A - 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 - Google Patents
一种基于智能交通图像输入特征识别的模糊测试数据生成方法 Download PDFInfo
- Publication number
- CN111858342A CN111858342A CN202010712766.8A CN202010712766A CN111858342A CN 111858342 A CN111858342 A CN 111858342A CN 202010712766 A CN202010712766 A CN 202010712766A CN 111858342 A CN111858342 A CN 111858342A
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- intelligent traffic
- input
- test
- 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
Images
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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
一种基于智能交通图像输入特征识别的模糊测试数据生成方法,其特征是通过对智能交通场景下的数据进行特征分析,刻画智能交通场景下的图像数据特征,并通过施加具有交通语义的像素扰动,实现针对智能交通场景的测试图像数据生成。本发明包括三个组成部分:输入特征提取模块,图像数据变异模块,数据多样性评估模块。本发明的输入为智能交通图像数据,基于输入数据进行特征提取,生成候选特征数据集,添加像素扰动信息,生成模糊测试用例。本发明有以下有益效果:通过对输入数据特征进行进一步的分析,生成智能交通场景下更有语义的测试数据,解决智能交通测试用例不足的问题。
Description
技术领域
本发明属于软件测试领域,特别是涉及到智能交通场景下的图像测试数据生成。通过对智能交通场景下的数据进行特征分析,刻画智能交通场景下的图像数据特征,并通过施加具有交通语义的像素扰动,实现针对智能交通场景的测试图像数据生成。
背景技术
近年来,智能软件技术发展迅速,并在交通驾驶领域得到应用,并贯穿了智能交通***自上而下多层架构。与传统软件不同,智能交通产业目前尚处于起步阶段,现有的技术标准仍在发展过程中。大规模测试验证、安装认证等问题仍需解决和推进。测试数据是验证***质量的有效内容,然而,智能交通场景复杂度高,大量高质量的数据采集和处理需要大量的时间和成本。因此,针对智能交通场景下的测试数据生成称为一个重要热点问题。
事实上,模糊测试技术是一种对***安全性进行有效测试的技术手段,并可以实现大规模数据的自动生成与自动化测试。然而,智能交通场景下的输入种类繁多,结构复杂,这使得传统软件测试过程中实施的测试数据扰动生成方法在对图像数据进行处理时可能破坏其原有的语义信息。
基于上述背景,本发明进一步分析了输入所蕴含的语义特征,并希望生成智能交通场景下更有语义的测试数据。因此,本发明基于图像识别网络中常用的卷积层特征提取的特性,以特征图的激活情况构建图像数据上的特征向量,并通过特征图反向计算其在原始输入上的区域与取值,实现基于图像输入特征识别的输入生成方法。
发明内容
本发明要解决的问题是:智能交通软件***测试数据生成方法尚未成熟,特别是对利用深度学习技术实现的智能交通软件模型。智能软件模型的验证需要大量的测试数据实现对模型的充分测试。然而,现有的测试数据生成方法往往忽视了对输入数据的语义信息的维护,这使得这些方式生成的测试数据往往具有争议,并且可能并不能够体现智能交通场景的领域特征。我们的发明从智能交通场景中采集到的数据入手,结合对输入的特征分析,提出适用于智能交通场景的特征变换方法,实现新的测试数据的生成。
本发明的技术方案为:一种基于智能交通图像输入特征识别的模糊测试数据生成方法,其特征为根据训练数据的特征进行提取,并以此构建候选特征列表集合,进而实现通过特征变异的测试数据生成。该生成方法包含以下三个模块/步骤:
1)输入特征提取模块:该模块实现的输入特征提取主要包含两个方面:一是对训练数据中的个体基于特征识别算法进行特征点识别,得到一个独立于模型的特征候选集以及各个特征点的置信度;二是利用输入在深度学习模型中的第一层卷积后的特征图,将其作为输入在模型空间的特征表示。
2)图像数据变异模块:深度学习算子的测试依赖大量的为了实现对算子的充分测试,本模块利用基于变异的模糊测试技术,通过引入高度定制化的智能交通场景变异方法,基于已有的测试数据生成大量有效的测试数据。这些变异方法通过对先前图像输入中识别出的特征组合进行扰动变化,进一步求解其在输入空间的取值,实现测试数据的生成。
3)数据多样性评估模块:为了确保通过上述图像数据变异方法得到的测试数据的多样性,即测试数据均匀分布在输入空间,并没有潜在的数据偏倚,本方法基于特征空间的覆盖情况实施对于测试数据多样性的度量。同时,该方法还会对测试数据的生成方向进行引导,选择目前尚未覆盖到的特征进行变异。
本发明的特点在于:
1.在智能交通软件测试数据生成中,首次提出基于图像输入特征进行模糊测试数据生成的技术
2.首次将模型中第一层卷积输出特征值作为模型空间的输入特征表示
3.首次通过特征覆盖作为测试数据多样性的评估标准和引导方向
附图说明
图1为本发明实施总流程图。
图2为关键步骤2流程图。
图3为关键步骤2流程图。
具体实施方式
以下通过特定的具体的实例说明本发明的实施方式,本领域的技术人员可由本说明书揭露的内容轻易地了解到本发明的其他优点和功效。
本专利实施图像测试数据的生成,主要采用了模糊测试技术,涉及到的具体关键技术有图像特征识别技术、卷积特征识别技术、变异方法选择技术、数据变异技术、多样性度量技术等。
1.智能交通输入特征候选集构建
在本发明中,我们采用模型无关的特征识别技术与模型结构第一层卷积核识别出的特征图相结合,作为智能交通输入特征候选集的构建基础方法。模型无关的图像特征识别技术为图像领域的通用特征识别技术,如SIFT,HOG等。而模型结构第一层卷积核输出的特征图则包含了智能交通场景下的特定语义特征。通过这两种特征识别方法分别识别出一组候选特征集合,其并集即为本项目所构建的智能交通输入特征候选集。
2.初始数据选择
本发明中使用初始数据选择策略来进一步提高模糊测试的执行效率。在模糊测试执行过每一次迭代过程中,模糊测试引擎会从初始数据集中选取特定的原始数据以进行变异数据生成。初始数据选择的基线为随机选取,即每次通过随机函数从种子集中抽取一个输入。在本方法中,通过每个输入所涵盖的特征标签,以特征差异最大化为目标进行约束求解,选取出该轮迭代所需要使用的初始图像数据。
3.变异方法选择
本发明中使用针对智能交通领域特征的变异方法实现对初始数据的变异。目前已有的面相智能软件的图像生成方法多基于原始输入直接进行像素点的修改以生成新的测试数据。不同的变异方法的选取对当前模糊测试的效果也有直接的联系。在本方法中,通过MC/MC方法基于历史执行过程中变异方法的表现选择当前轮合适的变异方法。
4.测试数据生成
本发明中为了使生成的图像数据更具有真实语义,与已有的基于模型梯度或者图像像素的修改方式不同,我们以上一步构建出的特征候选集为依据,实施测试输入的特征变换。并根据特征结果反向求解特征在输入空间的实际取值,从而构建新的测试数据。
5.数据多样性评估
本发明中为确保生成数据的充分性和多样性,进一步对数据多样性采用特征覆盖的方法进行实现。在对如自动驾驶模型等智能交通领域的深度学习模型进行测试时,已有的基于神经元覆盖的方法无法验证测试数据在领域中是否充分。本方法通过计算构建的智能交通领域特征总体与当前测试数据所涵盖的特征组合的特征覆盖率,作为测试数据多样性的评估。
在本实施例中,智能交通数据集采用了目前开源的自动驾驶数据集,包括Udacity,RobotCar,Cityscape。并构建了多个深度学习模型。在特征提取部分,我们采用了SIFT算法进行模型无关的特征提取,以网络中第一层卷积输出作为模型空间所识别出的特征。我们均匀从两个特征集合中选取候选特征进行特征变异,每一次只对一个特征项进行扰动,确保其他特征不受影响,由此生成新的测试数据。特征多样性的度量将实时反馈当前新生成的测试数据在所有的特征选项的覆盖情况。
Claims (4)
1.一种基于智能交通图像输入特征识别的模糊测试数据生成方法,其特征通过对智能交通场景下的数据进行特征分析,刻画智能交通场景下的图像数据特征,构建候选特征数据集,通过施加具有交通语义的像素扰动,选择变异算子生成模糊测试用例,实现针对智能交通场景的测试图像数据生成,最后对生成用例进行多样性评估。
2.根据权利要求1中的构建候选特征数据集,其特征是,采用模型无关的特征识别技术与模型结构第一层卷积核识别出的特征图相结合,作为智能交通输入特征候选集的构建基础方法,模型无关的图像特征识别采用SIFT和HOG技术,智能交通特征提取采用深度学习卷积核技术。
3.根据权利要求1中的模糊测试用例数据生成,其特征是,基于构建出的特征候选数据集,根据特征结果反向求解特征在输入空间的实际取值,实施测试输入的特征变换,生成模糊测试用例集。
4.对于权利要求1中的多样性评估,其特征是,通过计算构建的智能交通领域特征总体与当前测试数据所涵盖的特征组合的特征覆盖率,作为测试数据多样性的评估,特征多样性的度量可以实时反馈当前新生成的测试数据在所有的特征选项的覆盖情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712766.8A CN111858342A (zh) | 2020-07-23 | 2020-07-23 | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712766.8A CN111858342A (zh) | 2020-07-23 | 2020-07-23 | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111858342A true CN111858342A (zh) | 2020-10-30 |
Family
ID=72949330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712766.8A Pending CN111858342A (zh) | 2020-07-23 | 2020-07-23 | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858342A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN108985194A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 |
CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
CN111091049A (zh) * | 2019-11-01 | 2020-05-01 | 东南大学 | 一种基于反向特征匹配的路面障碍物检测方法 |
-
2020
- 2020-07-23 CN CN202010712766.8A patent/CN111858342A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
CN108985194A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 |
CN111091049A (zh) * | 2019-11-01 | 2020-05-01 | 东南大学 | 一种基于反向特征匹配的路面障碍物检测方法 |
Non-Patent Citations (1)
Title |
---|
闫施违: "自动驾驶***测试用例生成技术的实证研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
Kong et al. | Detect and locate: Exposing face manipulation by semantic-and noise-level telltales | |
US20200401503A1 (en) | System and Method for Testing Artificial Intelligence Systems | |
CN108537119B (zh) | 一种小样本视频识别方法 | |
JP7282212B2 (ja) | Aiによるディープラーニングネットワークを学習させる方法及びこれを利用した学習装置 | |
CN111767927A (zh) | 一种基于全卷积网络的轻量级车牌识别方法及*** | |
CN113111731B (zh) | 基于测信道信息的深度神经网络黑盒对抗样本生成方法及*** | |
CN114140398B (zh) | 一种利用无缺陷图像的少样本缺陷检测方法 | |
Choe et al. | The Real‐Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning | |
CN113033410B (zh) | 基于自动数据增强的域泛化行人重识别方法、***及介质 | |
Xu et al. | Cyclic self-training with proposal weight modulation for cross-supervised object detection | |
CN111858342A (zh) | 一种基于智能交通图像输入特征识别的模糊测试数据生成方法 | |
CN116665054A (zh) | 一种基于改进YOLOv3的遥感影像小目标检测方法 | |
CN111858347A (zh) | 一种基于智能交通模型正确性的蜕变测试方法 | |
CN116580176A (zh) | 基于轻量化网络MobileViT的车载CAN总线异常检测方法 | |
CN116563636A (zh) | 一种合成孔径雷达图像生成方法及*** | |
CN116630989A (zh) | 智能电表可视故障检测方法、***、电子设备及存储介质 | |
CN116311451A (zh) | 一种多模态融合人脸活体检测模型生成方法和装置、电子设备 | |
CN113724233B (zh) | 基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及*** | |
Xiang et al. | Semi-supervised image classification via attention mechanism and generative adversarial network | |
CN115643153A (zh) | 基于图神经网络的报警关联分析方法 | |
Raif et al. | Metamorphic testing for edge real-time face recognition and intrusion detection solution | |
Yang et al. | NAM net: meta-network with normalization-based attention for few-shot learning |
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 |