NASA OpenMCT项目中视觉测试的稳定性优化实践
2025-05-18 15:07:25作者:吴年前Myrtle
背景介绍
NASA OpenMCT是一个开源的任务控制框架,用于可视化和管理航天器数据。在开发过程中,视觉测试是确保用户界面一致性的重要环节。近期,项目团队在针对图像显示功能的视觉测试中遇到了稳定性问题,特别是在处理动态加载的示例图像时。
问题分析
视觉测试的核心挑战在于如何确保测试过程中获取的图像资源具有确定性。在OpenMCT项目中,测试用例使用了示例图像插件提供的动态图像资源,这导致了测试结果的不稳定性。具体表现为:
- 测试依赖于外部图像资源,可能因网络波动导致测试失败
- 图像内容可能随时间变化,影响视觉对比结果
- 测试环境与生产环境的图像资源可能存在差异
解决方案探索
团队尝试了多种技术方案来解决这一问题:
方案一:网络拦截技术
最初尝试通过Playwright拦截网络响应,直接控制返回的图像数据。这种方法理论上可以精确控制测试环境中的图像资源,但在实际实施中遇到了工具链支持不足的问题。
方案二:配置调整
探索了Percy配置中的captureMockedServiceWorker选项,试图通过启用模拟功能来稳定测试环境。然而测试发现该配置在当前Playwright版本中未被有效识别。
方案三:请求拦截与替换
最终采用的解决方案是:
- 完全禁用本地缓存发现功能,确保每次测试都从可控来源获取资源
- 修改拦截逻辑,将图像请求重定向到本地存储的静态资源
- 对图像尺寸进行标准化处理,确保显示一致性
实施细节
关键技术实现包括:
- 资源拦截:通过测试框架的请求拦截功能,将动态图像请求重定向到本地静态文件
- 尺寸适配:对替换图像进行自动缩放处理,匹配原始请求的显示要求
- 环境隔离:确保测试环境不依赖任何外部资源,所有资源均可控
效果验证
通过上述改进后:
- 视觉测试的稳定性显著提高
- 测试结果不再受网络环境影响
- 不同运行环境间的测试结果具有可比性
- 维护成本降低,不再需要频繁更新测试基准
经验总结
在复杂前端项目的视觉测试中,资源控制是关键。OpenMCT项目的实践表明:
- 应尽可能使用本地化、静态化的测试资源
- 对于必须动态加载的内容,完善的拦截和替换机制必不可少
- 测试工具链的深入理解和灵活运用能解决许多实际问题
- 持续监控和优化测试稳定性是长期工作
这一解决方案不仅解决了当前问题,也为项目后续的测试体系建设提供了宝贵经验。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210