中文項目:快速識別驗證碼,CNN也能為爬蟲保駕護航
機器之心專欄
作者:Nick Li
隨著卷積網路的推廣,現在有各種各樣的快捷應用,例如識別驗證碼和數學公式等。本文介紹了一個便捷的驗證碼識別項目,讀者可以藉助它快速訓練模型與識別驗證碼。
本項目使用卷積神經網路識別字元型圖片驗證碼,其基於 TensorFlow 框架。它封裝了非常通用的校驗、訓練、驗證、識別和調用 API,極大地減低了識別字元型驗證碼花費的時間和精力。
項目地址:https://github.com/nickliqian/cnn_captcha
1 項目介紹
1.1 關於驗證碼識別
驗證碼識別大多是爬蟲會遇到的問題,也可以作為圖像識別的入門案例。這裡介紹一下使用傳統的圖像處理和機器學習演算法,它們都涉及多種技術:
圖像處理
前處理(灰度化、二值化)
圖像分割
裁剪(去邊框)
圖像濾波、降噪
去背景
顏色分離
旋轉
機器學習
KNN
SVM
使用這類方法對使用者的要求較高,且由於圖片的變化類型較多,處理的方法不夠通用,經常花費很多時間去調整處理步驟和相關演算法。
而使用卷積神經網路,只需要通過簡單的前處理,就可以實現大部分靜態字元型驗證碼的端到端識別,效果很好、通用性很高。
這裡列出目前常用的驗證碼生成庫:
1.2 目錄結構
1.3 依賴項
tensorflow
flask
requests
PIL
matplotlib
1.4 模型結構
2 如何使用
2.1 數據集
原始數據集可以存放在./sample/origin 目錄中,為了便於處理,圖片最好以 2e8j_17322d3d4226f0b5c5a71d797d2ba7f7.jpg 格式命名(標籤_序列號. 後綴)。
2.2 配置文件
創建一個新項目前,需要自行修改相關配置文件:
具體配置的作用會在使用相關腳本的過程中提到。
2.3 驗證和拆分數據集
執行下面的文件會校驗原始圖片集的尺寸和測試圖片是否能打開,並按照 19:1 的比例拆分出訓練集和測試集。所以需要分別創建和指定三個文件夾:origin,train,test 用於存放相關文件。
也可以修改為不同的目錄,但是最好修改為絕對路徑。文件夾創建好之後,執行以下命令即可:
2.4 訓練模型
創建好訓練集和測試集之後,就可以開始訓練模型了,這裡不具體介紹 tensorflow 安裝相關問題,讀者可查看官網。確保圖片相關參數和目錄設置正確後,執行以下命令開始訓練:
也可以調用類開始訓練或執行一次簡單的識別演示:
2.5 批量驗證
使用測試集的圖片進行驗證,輸出準確率。
也可以調用類進行驗證:
2.6 啟動 WebServer
項目已經封裝好載入模型和識別圖片的類,啟動 web server 後調用介面就可以使用識別服務。啟動 web server:
介面 url 為 http://127.0.0.1:6000/b
2.7 調用介面
使用 requests 調用介面:
返回的結果是一個 json:
文件 recognize_online.py 是使用介面在線識別的例子。
本文為機器之心專欄,轉載請聯繫本公眾號獲得授權。
------------------------------------------------
※前沿 | 歷時十二年!曼徹斯特百萬級神經元的類腦超算終開啟
※推翻剪枝固有觀點?清華、伯克利提出NN過參數化真的不重要
TAG:機器之心 |