卷积神经网络 异常检测,卷积神经网络故障检测

matlab卷积神经网络运行有错误

错误原因是cnnsetup函数找不到。

1.请将程序文件夹至于不含空格和中文的路径下，路径越简单越好，比如D:\works这种2.请在出错语句前加入一行：which cnnsetup ; ls ;然后贴出执行结果，以便诊断出错原因。

谷歌人工智能写作项目：爱发猫

为什么卷积神经网络最后预测输出结果都是0

如何利用Python做简单的验证码识别

1   摘要验证码是目前互联网上非常常见也是非常重要的一个事物，充当着很多系统的 防火墙 功能，但是随时OCR技术的发展，验证码暴露出来的安全问题也越来越严峻。

本文介绍了一套字符验证码识别的完整流程，对于验证码安全和OCR识别技术都有一定的借鉴意义。

然后经过了一年的时间，笔者又研究和get到了一种更强大的基于CNN卷积神经网络的直接端到端的验证识别技术（文章不是我的，然后我把源码整理了下，介绍和源码在这里面）：基于python语言的tensorflow的‘端到端’的字符型验证码识别源码整理(github源码分享)2   关键词关键词：安全,字符图片,验证码识别,OCR,Python,SVM,PIL3   免责声明本文研究所用素材来自于某旧Web框架的网站 完全对外公开 的公共图片资源。

本文只做了该网站对外公开的公共图片资源进行了爬取， 并未越权 做任何多余操作。本文在书写相关报告的时候已经 隐去 漏洞网站的身份信息。本文作者 已经通知 网站相关人员此系统漏洞，并积极向新系统转移。

本报告的主要目的也仅是用于 OCR交流学习 和引起大家对 验证安全的警觉 。

4   引言关于验证码的非技术部分的介绍，可以参考以前写的一篇科普类的文章：互联网安全防火墙（1）--网络验证码的科普里面对验证码的种类，使用场景，作用，主要的识别技术等等进行了讲解，然而并没有涉及到任何技术内容。

本章内容则作为它的 技术补充 来给出相应的识别的解决方案，让读者对验证码的功能及安全性问题有更深刻的认识。

5   基本工具要达到本文的目的，只需要简单的编程知识即可，因为现在的机器学习领域的蓬勃发展，已经有很多封装好的开源解决方案来进行机器学习。

普通程序员已经不需要了解复杂的数学原理，即可以实现对这些工具的应用了。

主要开发环境：python3.5pythonSDK版本PIL图片处理库libsvm开源的svm机器学习库关于环境的安装，不是本文的重点，故略去。

6   基本流程一般情况下，对于字符型验证码的识别流程如下：准备原始图片素材图片预处理图片字符切割图片尺寸归一化图片字符标记字符图片特征提取生成特征和标记对应的训练数据集训练特征标记数据生成识别模型使用识别模型预测新的未知图片集达到根据“图片”就能返回识别正确的字符集的目标7   素材准备7.1   素材选择由于本文是以初级的学习研究目的为主，要求 “有代表性，但又不会太难” ，所以就直接在网上找个比较有代表性的简单的字符型验证码（感觉像在找漏洞一样）。

最后在一个比较旧的网站（估计是几十年前的网站框架）找到了这个验证码图片。原始图：放大清晰图：此图片能满足要求，仔细观察其具有如下特点。

有利识别的特点 ：由纯阿拉伯数字组成字数为4位字符排列有规律字体是用的统一字体以上就是本文所说的此验证码简单的重要原因，后续代码实现中会用到不利识别的特点 ：图片背景有干扰噪点这虽然是不利特点，但是这个干扰门槛太低，只需要简单的方法就可以除去7.2   素材获取由于在做训练的时候，需要大量的素材，所以不可能用手工的方式一张张在浏览器中保存，故建议写个自动化下载的程序。

主要步骤如下：通过浏览器的抓包功能获取随机图片验证码生成接口批量请求接口以获取图片将图片保存到本地磁盘目录中这些都是一些IT基本技能，本文就不再详细展开了。

关于网络请求和文件保存的代码，如下：defdownloads_pic(**kwargs):  pic_name=('pic_name',None)  url='httand_code_captcha/'  res=(url,stream=True)  withopen(pic_path+pic_name+'.bmp','wb')asf:    forchunkinres.iter_content(chunk_size=1024):      ifchunk: #filteroutkeep-alivenewchunks        f.write(chunk)        f.flush()    f.close()循环执行N次，即可保存N张验证素材了。

下面是收集的几十张素材库保存到本地文件的效果图：8   图片预处理虽然目前的机器学习算法已经相当先进了，但是为了减少后面训练时的复杂度，同时增加识别率，很有必要对图片进行预处理，使其对机器识别更友好。

针对以上原始素材的处理步骤如下：读取原始图片素材将彩色图片二值化为黑白图片去除背景噪点8.1   二值化图片主要步骤如下：将RGB彩图转为灰度图将灰度图按照设定阈值转化为二值图image=(img_path)imgry=image.convert('L') #转化为灰度图table=get_bin_table()out=imgry.point(table,'1')上面引用到的二值函数的定义如下：呵呵11121314  def get_bin_table(threshold=140):    """    获取灰度转二值的映射table    :paramthreshold:    :return:    """    table = []    for i in range(256):        if i

二值化后带噪点的 6937 的像素点输出后如下图：1111000111111000111111100001111100000011111011101111011101111101111011110011011110011100111101111010110110101011011101111101111111110110101111110101111111101111110100011111011100111111001111111110111111001110111110000011111110010111110111111101110001111111101011010110111111011111110111101111111110111101111011111101111111011110111101110011110111101111110111001110000111111000011101100001110111011111如果你是近视眼，然后离屏幕远一点，可以隐约看到 6937 的骨架了。

8.2   去除噪点在转化为二值图片后，就需要清除噪点。本文选择的素材比较简单，大部分噪点也是最简单的那种 孤立点，所以可以通过检测这些孤立点就能移除大量的噪点。

关于如何去除更复杂的噪点甚至干扰线和色块，有比较成熟的算法: 洪水填充法FloodFill ，后面有兴趣的时间可以继续研究一下。

本文为了问题简单化，干脆就用一种简单的自己想的 简单办法 来解决掉这个问题：对某个 黑点 周边的九宫格里面的黑色点计数如果黑色点少于2个则证明此点为孤立点，然后得到所有的孤立点对所有孤立点一次批量移除。

下面将详细介绍关于具体的算法原理。

将所有的像素点如下图分成三大类顶点A非顶点的边界点B内部点C种类点示意图如下：其中：A类点计算周边相邻的3个点（如上图红框所示）B类点计算周边相邻的5个点（如上图红框所示）C类点计算周边相邻的8个点（如上图红框所示）当然，由于基准点在计算区域的方向不同，A类点和B类点还会有细分：A类点继续细分为：左上，左下，右上，右下B类点继续细分为：上，下，左，右C类点不用细分然后这些细分点将成为后续坐标获取的准则。

主要算法的python实现如下：defsum_9_region(img,x,y):  """  9邻域框,以当前点为中心的田字框,黑点个数  :paramx:  :paramy:  :return:  """  #todo判断图片的长宽度下限  cur_pixel=img.getpixel((x,y)) #当前像素点的值  width=img.width  height=img.height  ifcur_pixel==1: #如果当前点为白色区域,则不统计邻域值    return0  ify==0: #第一行    ifx==0: #左上顶点,4邻域      #中心点旁边3个点      sum=cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x+1,y))\         +img.getpixel((x+1,y+1))      return4-sum    elifx==width-1: #右上顶点      sum=cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x-1,y))\         +img.getpixel((x-1,y+1))      return4-sum    else: #最上非顶点,6邻域      sum=img.getpixel((x-1,y))\         +img.getpixel((x-1,y+1))\         +cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x+1,y))\         +img.getpixel((x+1,y+1))      return6-sum  elify==height-1: #最下面一行    ifx==0: #左下顶点      #中心点旁边3个点      sum=cur_pixel\         +img.getpixel((x+1,y))\         +img.getpixel((x+1,y-1))\         +img.getpixel((x,y-1))      return4-sum    elifx==width-1: #右下顶点      sum=cur_pixel\         +img.getpixel((x,y-1))\         +img.getpixel((x-1,y))\         +img.getpixel((x-1,y-1))      return4-sum    else: #最下非顶点,6邻域      sum=cur_pixel\         +img.getpixel((x-1,y))\         +img.getpixel((x+1,y))\         +img.getpixel((x,y-1))\         +img.getpixel((x-1,y-1))\         +img.getpixel((x+1,y-1))      return6-sum  else: #y不在边界    ifx==0: #左边非顶点      sum=img.getpixel((x,y-1))\         +cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x+1,y-1))\         +img.getpixel((x+1,y))\         +img.getpixel((x+1,y+1))      return6-sum    elifx==width-1: #右边非顶点      #print('%s,%s'%(x,y))      sum=img.getpixel((x,y-1))\         +cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x-1,y-1))\         +img.getpixel((x-1,y))\         +img.getpixel((x-1,y+1))      return6-sum    else: #具备9领域条件的      sum=img.getpixel((x-1,y-1))\         +img.getpixel((x-1,y))\         +img.getpixel((x-1,y+1))\         +img.getpixel((x,y-1))\         +cur_pixel\         +img.getpixel((x,y+1))\         +img.getpixel((x+1,y-1))\         +img.getpixel((x+1,y))\         +img.getpixel((x+1,y+1))      return9-sumTips:这个地方是相当考验人的细心和耐心程度了，这个地方的工作量还是蛮大的，花了半个晚上的时间才完成的。

计算好每个像素点的周边像素黑点（注意：PIL转化的图片黑点的值为0）个数后，只需要筛选出个数为 1或者2 的点的坐标即为 孤立点 。这个判断方法可能不太准确，但是基本上能够满足本文的需求了。

经过预处理后的图片如下所示:对比文章开头的原始图片，那些 孤立点 都被移除掉，相对比较 干净 的验证码图片已经生成。

9   图片字符切割由于字符型 验证码图片 本质就可以看着是由一系列的 单个字符图片 拼接而成，为了简化研究对象，我们也可以将这些图片分解到 原子级 ，即： 只包含单个字符的图片。

于是，我们的研究对象由 “N种字串的组合对象” 变成 “10种阿拉伯数字” 的处理，极大的简化和减少了处理对象。9.1   分割算法现实生活中的字符验证码的产生千奇百怪，有各种扭曲和变形。

关于字符分割的算法，也没有很通用的方式。这个算法也是需要开发人员仔细研究所要识别的字符图片的特点来制定的。当然，本文所选的研究对象尽量简化了这个步骤的难度，下文将慢慢进行介绍。

使用图像编辑软件（PhoneShop或者其它）打开验证码图片，放大到像素级别，观察其它一些参数特点：可以得到如下参数：整个图片尺寸是40*10单个字符尺寸是6*10左右字符和左右边缘相距2个像素字符上下紧挨边缘（即相距0个像素）这样就可以很容易就定位到每个字符在整个图片中占据的像素区域，然后就可以进行分割了，具体代码如下：defget_crop_imgs(img):  """  按照图片的特点,进行切割,这个要根据具体的验证码来进行工作.#见原理图  :paramimg:  :return:  """  child_img_list=[]  foriinrange(4):    x=2+i*(6+4) #见原理图    y=0    child_img=((x,y,x+6,y+10))    child_img_list.append(child_img)  returnchild_img_list然后就能得到被切割的 原子级 的图片元素了：9.2   内容小结基于本部分的内容的讨论，相信大家已经了解到了，如果验证码的干扰（扭曲，噪点，干扰色块，干扰线……）做得不够强的话，可以得到如下两个结论：4位字符和40000位字符的验证码区别不大纯字母不区分大小写。

分类数为26区分大小写。分类数为52纯数字。分类数为10数字和区分大小写的字母组合。

分类数为62纯数字 和 数字及字母组合 的验证码区别不大在没有形成 指数级或者几何级 的难度增加，而只是 线性有限级 增加计算量时，意义不太大。

10   尺寸归一本文所选择的研究对象本身尺寸就是统一状态：6*10的规格，所以此部分不需要额外处理。但是一些进行了扭曲和缩放的验证码，则此部分也会是一个图像处理的难点。

11   模型训练步骤在前面的环节，已经完成了对单个图片的处理和分割了。后面就开始进行 识别模型 的训练了。

整个训练过程如下：大量完成预处理并切割到原子级的图片素材准备对素材图片进行人为分类，即：打标签定义单张图片的识别特征使用SVM训练模型对打了标签的特征文件进行训练，得到模型文件12   素材准备本文在训练阶段重新下载了同一模式的4数字的验证图片总计：3000张。

然后对这3000张图片进行处理和切割，得到12000张原子级图片。

在这12000张图片中删除一些会影响训练和识别的强干扰的干扰素材，切割后的效果图如下：13   素材标记由于本文使用的这种识别方法中，机器在最开始是不具备任何数字的观念的。

所以需要人为的对素材进行标识，告诉 机器什么样的图片的内容是1……。这个过程叫做 “标记”。

具体打标签的方法是：为0~9每个数字建立一个目录，目录名称为相应数字（相当于标签）人为判定 图片内容，并将图片拖到指定数字目录中每个目录中存放100张左右的素材一般情况下，标记的素材越多，那么训练出的模型的分辨能力和预测能力越强。

例如本文中，标记素材为十多张的时候，对新的测试图片识别率基本为零，但是到达100张时，则可以达到近乎100%的识别率14   特征选择对于切割后的单个字符图片，像素级放大图如下：从宏观上看，不同的数字图片的本质就是将黑色按照一定规则填充在相应的像素点上，所以这些特征都是最后围绕像素点进行。

字符图片 宽6个像素，高10个像素 ，理论上可以最简单粗暴地可以定义出60个特征：60个像素点上面的像素值。但是显然这样高维度必然会造成过大的计算量，可以适当的降维。

通过查阅相应的文献 [2]，给出另外一种简单粗暴的特征定义：每行上黑色像素的个数，可以得到10个特征每列上黑色像素的个数，可以得到6个特征最后得到16维的一组特征，实现代码如下：defget_feature(img):  """  获取指定图片的特征值,  1.按照每排的像素点,高度为10,则有10个维度,然后为6列,总共16个维度  :paramimg_path:  :return:一个维度为10（高度）的列表  """  width,height=  pixel_cnt_list=[]  height=10  foryinrange(height):    pix_cnt_x=0    forxinrange(width):      ifimg.getpixel((x,y))==0: #黑色点        pix_cnt_x+=1    pixel_cnt_list.append(pix_cnt_x)  forxinrange(width):    pix_cnt_y=0    foryinrange(height):      ifimg.getpixel((x,y))==0: #黑色点        pix_cnt_y+=1    pixel_cnt_list.append(pix_cnt_y)  returnpixel_cnt_list然后就将图片素材特征化，按照 libSVM 指定的格式生成一组带特征值和标记值的向量文。

网页上的验证码显示不出来怎么办？

你的IE需要开启COOIES才行，把IE全部改为默认设置即可。

打开IE，在菜单栏上单击“工具→Internet选项”，在“常规”选项卡中有个“Internet临时文件”项，如果浏览器中的Cookies对你来说没什么用处，在这一项里，点击“删除Cookies”按钮。

就能把浏览器中所有的Cookies全部删除掉。点击“设置”按钮，通过“查看文件”，你可以找到哪些网站在你的电脑里留下了Cookies，把那些你不希望留下的Cookies删除。

分类Gif动画验证码主流验证码通过提供静态的图片，比较容易被ocr软件识别，有的网站提供GIF动态的验证码图片，使得识别器不容易辨识哪一个图层是真正的验证码图片，可以提供清晰的图片的同时。

可以更有效得防止识别器的识别，据统计，动画gif验证码的防垃圾注入可以达到100%，是一个非常有效的验证码创新模式。同时gif动画效果可以有多达百种，也可以增加网站页面的美观效果。

手机短信验证码手机验证码是通过发送验证码到手机，大型网站尤其是购物网站，都提供有手机短信验证码功能，可以比较准确和安全地保证购物的安全性，验证用户的正确性，是最有效的验证码系统。

某些验证码接入商提供手机短信验证码服务，各网站通过接口发送请求到接入商的服务器，服务器发送随机数字或字母到手机中，由接入商的服务器统一做验证码的验证。

手机语音验证码您是否遇到过您的网站用户或会员经常因为各种原因收不到网站的验证码，或新用户注册收不到短信没有耐心就直接放弃了您的网站，或因为验证码的问题体验不佳流失掉老客户和潜在新客户呢？

现在，语音验证码的出现把这些问题一下统统解决了，您再也不用为验证码的问题而烦恼了。

只要用户的手机或座机能正常接听电话，就一定能收到语音验证码，验证码实现自动语音播报，同时短信也能同时发送到用户手机，实现双保险确保万无一失。

语音验证码如果有拨通失败的，系统还能自动重播，确保不漏掉任何一个，从根本上解决您的网站用户收不到验证码的问题。以上内容参考：百度百科-验证码。

关于卷积神经网络的训练样本及测试样本