Skip to content

Latest commit

 

History

History
75 lines (57 loc) · 4.06 KB

6-Plano de Testes de Software.md

File metadata and controls

75 lines (57 loc) · 4.06 KB
Raw

Plano de Testes de Software

Este documento apresenta o plano de testes elaborado para o projeto de identificação de plantas por imagem, com o objetivo de garantir a qualidade e o correto funcionamento do sistema em diferentes cenários.

1. Objetivo

Validar as funcionalidades principais do sistema, desde o pré-processamento de dados até a avaliação e predição do modelo de classificação. O plano de testes visa identificar erros e garantir que o sistema atenda aos requisitos especificados.

2. Escopo do Teste

  • Componentes Cobertos:
    • Funções de utilitários (utils.py).
    • Treinamento do modelo (myclassifier.py).
    • Avaliação e predição (detecp.py).
  • Componentes Excluídos:
    • Alterações na arquitetura do modelo.
    • Inclusão de novas categorias de plantas.

3. Tipos de Testes

  • Teste de Unidade:
    Verificar se as funções individuais funcionam conforme o esperado.
  • Teste de Integração:
    Garantir que os módulos interagem corretamente, como o carregamento de dados e o treinamento do modelo.
  • Teste de Validação:
    Avaliar a precisão do modelo com base no conjunto de teste.
  • Teste de Usabilidade:
    Certificar-se de que as visualizações geradas são compreensíveis e úteis.

4. Casos de Teste

ID do Teste Descrição Entrada Saída Esperada Status
UT-01 Verificar carregamento de imagens e rótulos (make_data) Diretório de imagens Arquivo data.pickle com dados pré-processados Testado
UT-02 Testar a normalização de imagens (load_data) Arquivo data.pickle Matriz de imagens com valores normalizados Testado
IT-01 Testar treinamento do modelo CNN Dados normalizados Arquivo my_model.h5 salvo corretamente Testado
IT-02 Verificar a avaliação do modelo no conjunto de teste Dados de teste Métrica de precisão (e.g., >85% accuracy) Testado
VT-01 Validar previsões para imagens de teste Conjunto de imagens Gráfico .png com previsões corretas Testado
UT-03 Testar comportamento com dados corrompidos ou ausentes Arquivo de dados inválido Tratamento de exceção sem travar o sistema A ser testado

5. Critérios de Aceitação

  • O sistema deve atingir uma precisão mínima de 85% no conjunto de teste.
  • Todas as funções devem lidar com entradas inválidas sem causar interrupções no sistema.
  • O modelo deve ser treinado e salvo corretamente no arquivo my_model.h5.
  • As visualizações geradas devem ser claras e condizentes com as previsões realizadas.

6. Ferramentas Utilizadas

  • Frameworks de Teste:
    • pytest para automação de testes de unidade e integração.
  • Bibliotecas de Suporte:
    • TensorFlow, NumPy, Matplotlib e OpenCV para validação funcional.

7. Riscos e Mitigações

  • Risco: Dados de treinamento insuficientes ou não balanceados.
    • Mitigação: Realizar aumento de dados (data augmentation) para evitar sobreajuste.
  • Risco: Tempo de treinamento elevado.
    • Mitigação: Utilizar GPU para acelerar o treinamento.
  • Risco: Modelo incapaz de generalizar para novas imagens.
    • Mitigação: Implementar validação cruzada e ajustar hiperparâmetros.

8. Aprovação

O sistema será considerado aprovado quando todos os casos de teste forem executados com sucesso e os critérios de aceitação forem atendidos.