图文验证码识别(尖叫数据)

异常声音检测调研 异常声音检测 阅读详情

尖叫数据网址
自动登录的验证码识别

package com.yxb.common.base.util;

import com.yxb.base.util.StringUtil;
import com.yxb.common.base.constant.CommonConstant;
import com.yxb.common.base.exception.BasicException;
import net.sf.json.JSONObject;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import sun.misc.BASE64Encoder;

import java.io.ByteArrayOutputStream;
import java.io.InputStream;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.HashMap;
import java.util.Map;

/**
 * 图文验证码识别
 */
public class VerificationCodeUtil {
    private static Logger logger = LoggerFactory.getLogger(VerificationCodeUtil.class);
    private static String jianjiao_url = "http://apigateway.jianjiaoshuju.com/api/v_1/yzm.html";
    private static String jianjiao_appCode = "xxxxx";
    private static String jianjiao_appKey = "xxxxxxx";
    private static String jianjiao_appSecret = "xxxxxx";
    private static String jianjiao_vType = "ne5";//ne4:4位英文数字,ne5:5位英文数字,ne6:6位英文数字

    //识别图文验证码
    public static String DistinguishCode(){
        //访问二维码 转 base64
        String url= CommonConstant.WORTH_ADMIN_DOMAIN + CommonConstant.WORTH_VERIFICATIONCODE_URL;//验证码访问url
        String base64 = getCodeBase64(url);
        //尖叫数据
        Map<String,String> headerMap = new HashMap<String,String>();
        headerMap.put("appCode", jianjiao_appCode);
        headerMap.put("appKey", jianjiao_appKey);
        headerMap.put("appSecret", jianjiao_appSecret);

        StringBuilder sb = new StringBuilder();
        base64 = "data:image/jpeg;base64," + base64;
        sb.append("v_type=").append(jianjiao_vType);
        sb.append("&v_pic=").append(base64);
        logger.info("distinguish code para:{}", sb.toString());
        JSONObject result = HttpUtils.doPostJSON(jianjiao_url, headerMap, sb.toString());
        logger.info("distinguish code result:{}", result);
        if(result == null || result.size() == 0 || StringUtil.isBlank(result.getString("errCode")) || !"0".equals(result.getString("errCode"))){
            return "222222";
        }
        return result.getString("v_code");

        //聚合数据
//        base64 = URLEncoder.encode(base64);
//        StringBuilder sb = new StringBuilder();
//        sb.append("key=").append(juhe_key);
//        sb.append("&codeType=").append(juhe_codeType);
//        sb.append("&base64Str=").append(base64);
//        sb.append("&dtype=").append("json");
//        juhe_url = juhe_url+ "?"+sb.toString();
//        JSONObject result = HttpUtils.doGetJSON(juhe_url);
//        if(result == null || StringUtil.isBlank(result.getString("error_code")) || !"0".equals(result.getString("error_code"))){
//            return "12345";
//        }
//        return result.getString("result");
//        return "12345";
    }

    //链接url下载图片
    private static String getCodeBase64(String urlString) {
        try{
            URL url=new URL(urlString);
            HttpURLConnection conn= (HttpURLConnection) url.openConnection();
            conn.setRequestMethod("GET");
            conn.setConnectTimeout(15000);//超时提示1秒=1000毫秒
            InputStream inStream=conn.getInputStream();//获取输出流
            byte[] data= readInputStream(inStream);

            // 对字节数组Base64编码
            BASE64Encoder encoder = new BASE64Encoder();

            return encoder.encode(data);// 返回Base64编码过的字节数组字符串
        }catch(Exception e){
            logger.error("下载图片失败 errorMsg:{}", e);
            throw new BasicException(1);
        }
    }

    //readInputStream方法--------------------------------------------------
    private static byte[] readInputStream(InputStream inStream) throws Exception{
        ByteArrayOutputStream outStream=new ByteArrayOutputStream();
        byte[] buffer=new byte[1024];//转换为二进制
        int len=0;
        while((len =inStream.read(buffer))!=-1){
            outStream.write(buffer,0,len);
        }
        return  outStream.toByteArray();
    }
}

eva:尖叫的声音样本数据集 EVA:极限人声存档数据集 这是我在NTHU学习MIR课程时所做的最后一个项目。 我决定制作一个充满尖叫声样本的数据集,因为这种声音在MIR领域中较少受到关注。 建立该数据集可能是未来研究的起点。 原始音频 我从挑选了16首歌曲,并通过胆怯将声轨切成小片段,最终得到565个样本。 The Apprehended: 'Still Flyin' Cnoc An Tursa: 'Bannockburn' The Complainiacs: 'Etc' Dark Ride: 'Burning Bridges' Dark Ride: 'Hammer Down' Dark Ride: 'Piece Of Me' Death Of A Romantic: 'The Well' Decypher: 'Unseen' Headwound Harry: 'XXXV' Hollow Ground: 'Ill 立即下载

相关推荐

CodeBuddy 接入 MCP,一键生成网站!

2024 年 11 月,Anthropic 公司搞了个挺有意思的新玩意 - Model Context Protocol(模型上下文协议)简称为 MCP 协议。简单来说,它就是给 AI 和各类工具数据之间搭了个标准化的”桥梁”,让开发者不用再为对接问题头疼了。mcp.so如下图所示,这是 mcp.so 网站中的 MCP Server。使用百度/高德地图分析旅线计算时间接 Puppeteer 自动操作网页使用 Github/Gitlab 让大模型接管代码仓库。

悟空聊架构的专栏 1950

什么是数据集?

例如,如果我们想要训练一个分类模型,我们可以把训练集中的每个数据样本都标上正确的标签,然后通过训练集中的数据样本来调整模型的参数和权重,以便让模型在预测未知数据时能够正确地分类。数据集的质量对机器学习算法和模型的性能和准确度有很大的影响。测试集的结果可以帮助我们评估模型的准确度、泛化能力等指标,从而帮助我们选择最佳的模型。在调整超参数时,我们可以使用验证集来评估不同超参数下模型的性能表现,从而找到最优的超参数组合。在使用机器学习模型对新数据进行预测时,我们需要评估模型的性能和准确度,以便选择最优的模型。

weixin_52093896的博客 2万+

理解ADC:为什么需要抗混叠滤波器?

本文介绍 ADC 的混叠现象,引出抗混叠滤波器,并介绍一种开关电容滤波器,它具有很小的增益过渡带。

疯狂的运放 5949

机器学习之数据集

本文介绍机器学习过程中一个可用的小型数据集

逐梦苍穹的博客 7758

工作:三菱PLC与伺服之CC-Link IE Field Network通讯应用

CC-LINK-IE

好记性不如烂笔头 2万+

Windows系统下AutoDock 4.2.6安装避坑指南(附MGLTools配置技巧)

本文详细介绍了在Windows系统下安装和配置AutoDock 4.2.6的完整流程,特别针对分子对接研究中常见的软件安装问题提供了解决方案。从环境准备、分步安装到常见报错处理,涵盖MGLTools配置技巧、工作目录设置和环境变量优化,帮助科研人员快速搭建稳定的分子对接平台。

weixin_29234239的博客 313

免费数据集网站

免费数据集下载网站|找免费数据集下载网站|公开数据集网站|开源数据集网站|常用数据集网站|高质量数据集网站

u011559552的博客 16万+

RV1106G3的fastboot调试

本文详细描述了在幸狐的Luckfox Pico Ultra硬件平台上,使用官方SDK进行系统优化和YOLOv5s模型部署的过程。首先,硬件板卡使用幸狐的SDK进行EMMC非Fastboot配置时功能正常,但Fastboot配置编译失败,通过修改设备树中的ramdisk大小解决了编译问题,但运行时仍报错。幸狐提供的Fastboot烧录文件可正常运行,表明硬件支持Fastboot。随后,使用官方SDK版本rv1106_rv1103_240813进行编译和调试,发现EMMC Fastboot启动失败,通过修改U-

fzktongyong的博客 2366

数据集汇总

原始数据的采集   下面是对原始采集数据质量的评估:   1)图像、视频:分辨率,清晰度,光照,色彩等   2)语音:清晰度,背景音等   3)文本:是否自然语言,是否专业,与主题相关性等   下面是对数据标注质量的评估:   标注正确率(类别数据)   标注精确度(坐标、时间点、个数、文字等)   标注完备性(是否漏,是否重复)   标注一致性(前后规则是否一致)   人工标记的大规模数据一般都...

wydbyxr的博客 2万+

增量学习入门:概念、代码示例与应用场景

在当今快速变化的数据环境中,传统的机器学习模型往往需要重新训练以适应新的数据。然而,这种方法不仅耗时耗力,还可能导致模型性能的不稳定。增量学习(Incremental Learning)作为一种新兴的学习范式,能够在新数据到来时动态更新模型,而无需重新训练整个模型。本文将详细介绍增量学习的基本概念、代码示例、应用场景以及需要注意的事项。增量学习作为一种高效的机器学习方法,能够在新数据到来时动态更新模型,具有广泛的应用前景。通过本文的介绍,相信你对增量学习有了初步的了解。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1154

基于Playwright与异步技术的公司评价智能爬取实战:以Glassdoor为例

本文将介绍一套基于最新Python技术的智能爬虫解决方案,使用Playwright实现浏览器自动化,结合异步编程和智能解析技术,高效抓取Glassdoor等平台的公司评价数据。我们不仅关注数据获取,更注重数据的结构化处理和反反爬虫策略的实现。

2201_76125261的博客 223

数据集介绍

本文介绍了数据集(Dataset)和数据集仓库(DatasetHub)的基本概念及其使用方法。数据集是一个易于共享和访问的数据集合,可用于模型的训练、测试和验证,通常以表格形式呈现,涵盖文本、图像、音频、视频等多种类型。数据集仓库则是一个集中管理数据集的平台,支持数据的易访问性、管理与共享。使用数据集的前提是拥有一个ModelScope账号,数据集通过git进行版本管理,用户可以通过SDK从DatasetHub下载数据。文章还提供了通过代码获取数据集的示例,并介绍了如何指定子数据集、命名空间、版本和数据划分

2503_91897581的博客 1740

2023年03月CCF-GESP编程能力等级认证Scratch图形化编程一级真题解析

以下不属于计算机输入设备的有( )?A:键盘B:音响C:鼠标D:传感器。

人生就是一个不断学习的过程 1113

史上最全数据集网站汇总

如果你是一个初学者,你每完成一个新项目后自身能力都会有极大的提高,如果你是一个有经验的数据科学专家,你已经知道这里所蕴含的价值。 本文将为您提供一个网站/资源列表,从中你可以使用数据来完成你自己的数据项目,甚至创造你自己的产品。 一.如何使用这些资源? 如何使用这些数据源是没有限制的,应用和使用只受到您的创造力和实际应用。使用它们最简单的方法是进行数据项目并在网站上发布它们。这不仅能提高你的数...

LC落潮的博客 9万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

关于数据集的了解

数据集是指在统计学和机器学习中,用于进行分析、构建模型或进行预测的一组数据的集合。数据集可以包含不同类型的数据,如数值型数据、分类数据、文本数据等。数据集通常由多个数据点或样本组成,每个数据点包含多个特征或属性。数据集的大小可以根据需要而异,从小到大不等。常见的数据集类型包括训练集(用于构建模型)、验证集(用于调整模型参数)和测试集(用于评估模型性能)。数据集可以从不同的来源收集,如实验数据、调查数据、开放数据集等。对于机器学习算法来说,选择合适的数据集对于模型的性能和泛化能力至关重要。

百锦再的博客 2万+

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

什么是数据集

数据集的介绍以一些适合初学者的数据集示例网站的查找

QQQ_sh02的博客 2056

selenium自动化登录(实战解析)

相信有很多新手小白都跟我遇到一样的问题,在验证码识别这一块出现了很多的问题。那么,我是对于那些截图的验证码的提交的方法有些混乱,但是,有些打码平台给出的案列呢,又无法看明白,搞了几天都没能搞出来的。这一种是非常的痛苦的。那么对于自动化登录,验证码的类型有非常的多。

weixin_67553250的博客 2736

数据集下载汇总

国家数据是国家统计局发布统计信息的网站,包含了我国经济、民生、农业、工业、运输、旅游、教育、科技、卫生等多个方面的数据,并且在月度、季度、年度都有覆盖,较为全面和权威,对于社会科学的研究不要太有帮助。阿里巴巴datahub:https://github.com/alibaba/EasyNLP/tree/master/datahub。据 http://dataju.cn/Dataju/web/datasetInstanceDetail/325。2、魔塔社区的数据下载方式(中文数据社区)

caoyongsheng的博客 2万+

【计算机视觉 | 图像分类】图像分类常用数据集及其介绍(一)

【计算机视觉 | 图像分类】图像分类常用数据集及其介绍(一)

wzk4869的博客 3万+

语音和噪声相关数据集(持续更新)

语音领域和纯净语音和纯净噪声数据集 收集和整理

凌逆战的博客 1万+

数据集搜集整理

1. CIFAR-10 & CIFAR-100     CIFAR-10包含10个类别,50,000个训练图像,彩色图像大小:32x32,10,000个测试图像。     (类别:airplane,automobile, bird, cat, deer, dog, frog, horse, ship, truck)     (作者:Alex Krizhevsky, Vinod N

HK_John的博客 1万+

数据集详解(待更新)

前言 这篇博客记录下数据集的详细信息,具体数据集看我具体用到哪个,再查资料补充起来。 一、MNIST MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (th...

m0_37929824的博客 1299

数据集相关知识

学习笔记,如有疑问欢迎交流。 一、什么是数据集? 由数据样本组成的集合。 样本之间是独立的(不依赖其他样本),单个样本拿出来仍然可以称为此目标的样本。 (最好)没有必然联系(除目标外),比如飞机和蓝天,如果数据集中的飞机都出现在蓝天里,结果可能将蓝天也分类为飞机。 详见 数据集-百度百科 二、 什么样的数据集是好的? 样本数量足够多 分布比较广(尽可能包含目标物体所有情况) 三、 怎样划分数据集? 我们获得数据后要对其进行划分,数据集一般包括: 训练集(Training Set):模型用于训练和调.

淋曦的进击手记 5824

干货| 8种寻找数据集的方法

就目前来看,找到一个特定的数据集来解决各种机器学习问题,甚至进行实验还是比较困难的。 本文作者Will Badr便列举了八大机器学习数据集。 不仅包含用于实验的大型数据集,还附带对数据集的描述以及使用示例。有的还包含用于解决与该数据集相关机器学习问题的算法代码。

中科院AI算法工程师的博客 4万+
上一篇: Mysql统计平台每月的交易金额和交易笔数
下一篇: spring Boot使用JavaMailSender发送邮件
hit、run
博客等级 码龄10年 163粉丝 157原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值