卷积神经网络实现验证码识别 ---- 识别率 99%!

使用卷积神经网络实现高精度验证码识别

最新推荐文章于 2023-08-23 11:03:10 发布

原创

最新推荐文章于 2023-08-23 11:03:10 发布 · 953 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #网络 #卷积 #tensorflow #深度学习

本文介绍了一种使用卷积神经网络（CNN）实现验证码识别的方法，通过创建自定义数据集并训练CNN模型，达到了99%的识别率。训练过程中，运用了Adam优化器和sigmoid交叉熵损失函数，以及模型保存与恢复机制。

1. 创建自己的数据集，利用数字1-10 和 26个小写字母生成我们的训练数据集。

from captcha.image import ImageCaptcha
import random
 
CHAR_SET = ['1', '2', '3', '4', '5','6', '7', '8', '9', '0','a','b','c','d','e','f','g','h','i','j','k','l','m','n']
CHAR_LEN = len(CHAR_SET)
 
CAPTCHA_LEN = 4
for i in range(CHAR_LEN):
    for j in range(CHAR_LEN):
        for k in range(CHAR_LEN):
            for m in range(CHAR_LEN):
                captcha_text = CHAR_SET[i] + CHAR_SET[j] + CHAR_SET[k] + CHAR_SET[m]
                image = ImageCaptcha()
                image.write(captcha_text, './tmp/mydata/'+ captcha_text + '.jpg')

得到的数据集样本如下图所示：

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

python免费学习资料以及群交流解答点击即可加入

2. 设计网络架构，进行训练

    def model(self):
        x = tf.reshape(self.X, shape=[-1, self.image_height, self.image_width, 1], name="input_x")
        print(">>> input x: {}".format(x))
 
        # 卷积层1
 
        wc1 = tf.get_variable(name='wc1', shape=[3, 3, 1, 32], dtype=tf.float32,
                              initializer=tf.contrib.layers.xavier_initializer())
        bc1 = tf.Variable(self.b_alpha * tf.random_normal([32]), name="bc1")
        conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, wc1, strides=[1, 1, 1, 1], padding='SAME'), bc1), name="conv1")
        print("conv1.shape-----", conv1.shape)
        conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME', name="max_pool1")
        print("conv1.shape-----", conv1.shape)
        conv1 = tf.nn.dropout(conv1, self.keep_prob, name="dropout1")
        print("conv1.shape-----", conv1.shape)
        '''
 
        conv1 = slim.conv2d(x, 32, [3,3], 1, padding="SAME", scope= "conv1", biases_initializer=tf.constant_initializer(0.05))   #默认activation_fn=nn.