用 CaptchaCracker 训练模型识别验证码

新项目需要去一个网站上爬数据，网站上有验证码。以前简单的验证码可以直接用 tesseract 识别，但这次长这样：

有斜线干扰，数字是彩色的，且歪歪扭扭。试了几次 OCR 方案都不成功，计划用 TensorFlow 训练模型，过程中发现了参数已经调好的 Python 库 CaptchaCracker。

训练模型

需要调整的参数不多，给定验证码图片的宽度和高度即可：

import glob
import CaptchaCracker as cc

train_img_path_list = glob.glob("./image/*.png")

img_width = 120
img_height = 50

CM = cc.CreateModel(train_img_path_list, img_width, img_height)
model = CM.train_model(epochs=100)
model.save_weights("./weights.h5")

从网站上获取了 1000 多张验证码图片，用 Excel 逐张标记——过程比较辛苦。标记了 1500 张图后样本基本够了，因为这个验证码范围是 0–8，且只是 4 位数字。

训练环境：Intel Core Ultra 5（16 核）、32G 内存，跑了大概十来分钟，生成了 .h5 模型文件。

应用模型

识别新验证码时，同样需要设置图片尺寸、数字长度和字符范围：

import CaptchaCracker as cc

img_width = 120
img_height = 50
max_length = 4
characters = {'0', '1', '2', '3', '4', '5', '6', '7', '8'}

weights_path = "./weights.h5"
AM = cc.ApplyModel(weights_path, img_width, img_height, max_length, characters)

target_img_path = "../img_2.png"
pred = AM.predict(target_img_path)
print(pred)

效果

识别效果非常好，基本能达到 95% 以上的成功率。