数字四则运算，有噪点干扰，输出计算结果。

• 验证码不等长，少则5个符号，多则8个符号
• 共有10种数字和3种运算符
• 背景干扰线的颜色和字符有细微差别

在该类验证码中，存在10种数字和3种运算符需要识别，为一个13分类问题。在经过降噪处理后，图像的复杂度大大降低，噪点和干扰线几乎完全消除，采用简单的三层全连接神经网络即可达到99.98%的测试集准确率。在该网络模型中，dropout的值为0.7，学习率为0.001，使用tanh作为激活函数，使用Adam算法进行训练。

• python代码
  • accuracy_calculate.py 用于计算模型准确率
  • conf.py 路径配置
  • cut_captcha.py 切割验证码
  • denoise_opencv.py 验证码去噪
  • generate_tfrecord.py 生成tfrecord
  • model.py 模型定义
  • train.py 训练代码
  • test.py 测试代码
  • util.py 包含一个csv读取函数
• 文件夹
  • mappings 训练集标签/测试集标签/预测标签
  • model 生成的模型
  • logs TensorBoard日志文件
  • tfrecord TFRecord文件目录
  • image 数据集
    • train 训练集数据
    • test 测试集数据
    • cut 切割后的数据
    • denoise 降噪后的数据

• 步骤一：数据放置

  下载地址：百度网盘 提取码：e6zy

  从百度网盘下载第一类验证码数据，分别将训练集和测试集解压放置在：

  • 训练集：image/train
  • 测试集：image/test

• 步骤二：去噪二值化

  python denoise_opencv.py
  

  去噪后结果如图：

  

• 步骤三：切割

  python cut_captcha.py
  

  用投影法将验证码切成单字

• 步骤四：生成TFRecord

  python generate_tfrecord.py
  

• 步骤五：训练

  python train.py
  

• 步骤六：测试

  python test.py
  

• 步骤七：计算准确率

  python accuracy_calculate.py
  

• 额外：查看TensorBoard

  tensorboard --logdir=logs