发布验证码图片识别服务

继上一篇:记一次 基于 卷积神经网络(CNN)的 验证码图片识别
没想到验证码图片识别服务正确率轻松达到80%,接下来继续研究以服务的方式部署验证码识别服务。
因为识别程序是python3写的,简单起见,web服务框架首选flask。
在已经装好tensorflow的虚拟环境中继续安装flask

pip install flask

导入flask,来一小段web代码web.py,完成以下功能:

  • 使用之前训练好的模型
  • restful接口路径为 /ztb/verify
  • 验证码图片以文件方式上传
  • 识别后的结果直接返回到前端
from flask import Flask
from flask import request

import tensorflow as tf
import numpy as np

app = Flask(__name__)


#模型文件保存的路径
SAVE_PATH = "E:/tensorflow/vcode-analyzer/"

#验证码长宽
IMAGE_WIDTH = 130
IMAGE_HEIGHT = 40

#验证码可能出现的字符
number = ['2', '3', '4', '5', '6', '7', '8', '9']
ALPHABET = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U',
            'V', 'W', 'X', 'Y']

CHAR_SET = number + ALPHABET
CHAR_SET_LEN = len(CHAR_SET)

#验证码长度
MAX_CAPTCHA = 4

def vec2text(vec):
    text = []
    for i, c in enumerate(vec):
        text.append(CHAR_SET[c])
    return "".join(text)


def predict(f):
    image = tf.image.decode_jpeg(f.read())
    image = tf.image.rgb_to_grayscale(image)
    model = tf.keras.models.load_model(SAVE_PATH + 'model')
    data_x = np.zeros([1, IMAGE_HEIGHT, IMAGE_WIDTH, 1])
    data_x[0, :] = image
    prediction_value = model.predict(data_x)
    prediction_value = vec2text(np.argmax(prediction_value, axis=2)[0])
    return prediction_value


@app.route('/ztb/verify', methods=['GET', 'POST'])
def upload_file():
    if request.method == 'POST':
        f = request.files['file']
        return predict(f)

在powershell里设置环境变量,将web服务运行起来

$env:FLASK_APP = "web.py"
flask run

然后使用postman来做试验,所有选项都留空,Body type选择form-data,添加一项内容——key为file,value为文件类型
在这里插入图片描述
随便选择上传一个验证码图片,然后点击send
在这里插入图片描述
在这里插入图片描述
看到结果
在这里插入图片描述
识别正确!

要注意的是,第一次验证时web.py要导入一些运行库,会比较慢,后面再尝试就很快了

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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