ดาวน์โหลด Basic number captcha solver

Basic number captcha solver

ซอร์สโค้ดอื่น ๆ

ดาวน์โหลด

พื้นฐาน-หมายเลข-แคปต์ชา-โซลเวอร์พร้อมเทนเซอร์โฟลว์ CNN

นี่คือการใช้งาน CNN ในชีวิตจริงบน Python 3, Keras และ TensorFlow เราทำงานใน 2 ขั้นตอนหลักโดยใช้ Preprocess.py ซึ่งสร้างรูปภาพหลักที่ไม่มีข้อผิดพลาด ซึ่งต่อมาจะถูกป้อนไปยังโมเดล CNN ใน train.py ซึ่งจะฝึกและบันทึกโมเดล CNN

ตัวแก้แคปต์ชานี้ได้รับการพัฒนาเพื่อใช้และปัจจุบันใช้ใน metu-NTE-scraper เพื่อหลีกเลี่ยงการป้องกันแคปต์ชาพอร์ทัลนักเรียนของ METU สำหรับการตรวจสอบความจุของหลักสูตร https://student.metu.edu.tr/ แต่คุณสามารถใช้มันในแอปพลิเคชันของคุณด้วยขั้นตอนง่าย ๆ ซึ่งอธิบายไว้ในวิธีใช้งาน? ส่วน.

คำอธิบายโมเดลของ CNN

ฉันฝึก CNN โดยใช้ TensorFlow เพื่อจัดประเภทรูปภาพของตัวเลข captcha หลังจากการแยกตัวเลข แบบจำลองนี้ประกอบด้วยเลเยอร์แบบหมุนวน 2 ชั้นและชั้นรวมกลุ่มตามด้วยเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์ ฉันฝึกแบบจำลองบนชุดข้อมูลภาพ captcha 10,000 ภาพ ซึ่งต่อมาถูกแบ่งออกเป็นภาพ 60,000 หลัก และได้ความแม่นยำในการทดสอบ 99.94% ในชุดทดสอบ img 12,000 หลัก

ฝึกฝนและทดสอบความแม่นยำของแบบจำลองคือ:

ความแม่นยำของรถไฟ: 1.0
ทดสอบความแม่นยำ: 0.9994166493415833

หมายเหตุ: คุณสามารถดูรูปภาพการตอบสนองของเซลล์ประสาทที่เปิดใช้งานบางส่วนได้ด้านล่างขั้นตอนการเตรียมประมวลผล 4 ขั้นตอน

วิธีการใช้งาน?

นำเข้า predict.py ไปยังโปรแกรมหลามของคุณ:

 Import predict

และเรียกใช้ฟังก์ชัน predict_captcha โดยใช้เส้นทางไฟล์ของภาพ captcha เป็นอาร์กิวเมนต์เดียวในการทำนาย captcha

 filepath="pathtocaptchaimage"
prediction=predict.predict_captcha(filepath)

มันทำงานอย่างไร

เพื่อช่วยในการทำความเข้าใจตัวแยกตัวเลขและแบบจำลอง เราจะแสดงภาพขั้นตอนให้คุณ

Preprocess.py ทำงานใน 4 ขั้นตอนเพื่อสร้างภาพหลักซึ่งแสดงด้านล่างพร้อมกับการเปิดใช้งานโมเดลในตอนท้าย

1- การกำจัดสิ่งประดิษฐ์

ในขั้นตอนแรก เราจะล้างอาร์ติแฟกต์ของรูปภาพ captcha ซึ่งรวบรวมโดยใช้ SampleCollecter.py

รูปภาพต้นฉบับ	หลังจากนำสิ่งประดิษฐ์ออกแล้ว

2-การตัด

ต่อมาภาพที่ไร้สิ่งประดิษฐ์จะถูกตัดเพื่อผูกหลักของแคปช่า

หลังจากนำสิ่งประดิษฐ์ออกแล้ว	ตัดแล้ว

3-K_หมายถึง

K-mean แบบถ่วงน้ำหนักมากกว่าจะใช้ในการค้นหาจุดศูนย์กลางของแต่ละหลัก

ตัดแล้ว	เซนทรอยด์

การสกัด 4 หลัก

สุดท้ายนี้ เราสร้างภาพดิจิทัลโดยใช้เซนทรอยด์ที่พบจากเคมีน

เซนทรอยด์	ตัวเลข

รูปภาพการเปิดใช้งาน 5 รายการ

หลังจากดึงตัวเลขออกมาแล้ว แบบจำลองของ CNN ใช้เพื่อทำนายภาพแคปต์ชา นี่คือเซลล์ประสาทกระตุ้นการทำงานที่สร้างขึ้นสำหรับเลเยอร์ convolutional สุดท้ายของ CNN ภาพเหล่านี้ถูกสร้างขึ้นโดยแยกเอาต์พุตของเลเยอร์บิดสุดท้ายแล้วแสดงเป็นภาพ รูปภาพการเปิดใช้งานด้านล่างแสดงการตอบสนองของตัวกรองบางตัวในเลเยอร์บิดเกลียวสุดท้ายของรูปภาพ 2 หลัก