RK-18结构化分析方法

结构化分析方法

自顶向下、逐步分解、面向数据

 测试原则 

单元测试:程序员自己根据软件详细说明书测试

集成测试:将模块组合起来测试,分为一次性组装(简单、节约时间、发现错误少,只适合小项目)和增量式组装(能发现更多错误、耗时长分为:自顶向下、自底向上、混合式)

确认测试:对已完成的软件进行功能测试分为:内部测试(无用户测试)、阿尔法测试(用户在开发环境下测试)、贝塔测试(用户在实际使用时进行测试)、验收测试(用户根据SRS对项目进行验收)

系统测试:对软件进行性能测试,主要测试三个方面:负载测试、容量测试、强度测试

回归测试:软件在修改完或变更后验证之前代码是否引入了错误

 测试方法

黑盒测试 :不了解就代码结构、根据功能设计用例测试功能

白盒测试:根据代码结构测试

测试策略

 测试用例设计

黑盒测试:

只知道输入输出不知道内部代码,分为:

等价类划分:设计一个新的测试用例,使其尽可能多的覆盖尚未被覆盖的有效等价类,重复这一步,直至所有的有效等价类都被覆盖为止

边界值划分:将每个类的边界值作为测试用例,边界值一般为范围的两端值以及在此范围之外的与此范围间隔最小的两个值

错误推测:没有固定的方法:凭经验而言来推测有可能产生问题的地方

因果图:由一个结果来反推原因

白盒测试:

语句覆盖:所有语句都要被执行以边,覆盖等级最低,因为执行了所有语句,不代表执行了所有条件判断

判断覆盖:所有判断语句的真假分支都要覆盖一次

条件覆盖:条件覆盖于判断覆盖不同,条件覆盖需要对每个独立的条件都要做一次真假的测试用例,层次更高,只针对一个条件判断语句

判定、条件覆盖:使判断中每个条件的所有可能取值至少出现一次,并且每个判判定本身的判定结果也至少出现一次

条件组合覆盖:每个判定条件中条件 的各个可能值都组合至少一次

路径覆盖:逻辑代码中所有可行路径都覆盖了,覆盖层级最高

 调试

系统转换 系统维护

可维护性:易测试性、易分析性、易改变性、稳定性

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值