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
随便选择上传一个验证码图片,然后点击send
看到结果
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