2025《基于深度学习的验证码识别算法设计案例》4800字.docxVIP

-PAGEIII-

基于深度学习的验证码识别算法设计案例

目录

TOC\o1-3\h\u7295基于深度学习的验证码识别算法设计案例 1

298091.1为什么采用深度学习 1

204131.2深度学习框架的介绍 1

39391.2.1环境搭建 3

110101.3验证码的获取及预处理 3

68801.3.1验证码获取 3

193981.3.2灰度化处理 4

75541.3.3验证码的二值化 5

23561.3.4去噪处理 6

145561.3.5图像分割 6

208311.4准备及分析阶段 8

210761.4.1原始数据和标签值及标签值处理分析 8

279461.5代码实现 9

30591.6模型训练结果分析 12

为什么采用深度学习

机器学习提取特征需要手动提取，过程很复杂，需要有扎实的专业知识并且提取特征效率不高，要花费大量时间，所以目前验证码识别一般不采用机器学习比如支持向量机识别而是采用深度学习识别比如CNN神经网络。深度学习通常由多个层组成，根据数据复杂程度及要求训练精度决定层数，将上一层的数据传递到下一层去构建模型，然后通过反向传播等算法自动训练出需要的模型，大大提高了代码效率且效果更好。

深度学习框架的介绍

在深度学习的萌芽阶段，任何一个深度学习研究者都要编写很多的重复代码。为了提高工作效率，这些研究人员将这些代码集成一个系统框架，然后放到互联网上供所有研究人员一起使用。随着时间的推移，最好用的框架被大量的人使用并变得流行起来。目前世界上流行的深度学习框架大致有三个，分别是TensorFlow、Caffe、PyTorch。本文主要使用的是TensorFlow框架，即主要对其展开说明：

TensorFlow框架因为是Google框架出品，更新和维护频率比较高，再加上它有着Python和C++接口，所以成为了全世界使用人数最多一个框架。TensorFlow使用数据流图进行计算。图中的每一个节点表示数学运算，行表示多维数据数组（张量op）之间的交互。TensorFlow的灵活体系结构可以部署在带有一个或多个CPU和GPU的台式机服务器上，或者在使用单个API的移动设备中，TensorFlow可用于语音或图像识别等机器学习和深层神经网络中。

TensorFlow框架大体流程包括构建图、图传递、图运行。

构建图：用户定义数据和操作，基于TensorFlow的多语言编程窗口进行添加算子，即完成计算图的构造。

图传递：用户开启Session（会话），通过其建立与master之间的连接。之后执行session.run()，将构造好的graph序列化为grapdef,然后以protobuf的格式传递给master.

运行图：简单来说就是将定义好的数据和操作运行起来。

在使用TensorFlow框架训练神经网络时，中间的步骤可能非常复杂，为了使复杂的计算步骤更好理解，研究人员研发出了tensorboard可视化平台，模型训练过程中的数据和操作都可以直观的通过图形展现出来。Tensorboard随着TensorFlow自动安装并不需要额外的安装，其界面基于Web.在运行TensorFlow程序期间，可以输出汇总各种类型数据的日志文件。要可视化TensorFlow程序的运行状态，需要使用TensorBoard读取这些日志文件,解析数据并生成可视化的web界面。生成events文件代码：f.summary.FileWriter(path,graph=sess.graph)；启用tensorboard:(TF1.12)C:\Users\feilongzaitiantensorboard--logdir=D:\Users\feilongzaitian\Desktop\shengduxuexi\temp\summary--host=127.0.0.1

浏览器输入：127.0.0.1:6006

环境搭建

第一次接触深度学习的学习者，深度学习环境的搭建可谓是一座大山，本文采用在anaconda3下搭建TensorFlow-gpu-1.12,中间出现了很多问题，比如各个库版本不匹配等等，耗时两天才搭建完成。

第一步就是去Anaconda官网下载Win10版本的Anaconda.

第二步创建一个单独的环境，在CMD命令行窗口或者Anacondaprompt环境下都可以，以第二种为例先创建一个python环境：输入命令condacreate-ntensorflowpython=3.6.

第三步激活anaconda的tensorflow环境

第四步在激活的环境下安装合适的TensorFlow版本即可。

需