国税发票查验的验证码识别率垄断了2年，目前识别率97.5%，从未被超越，不过近日来差距缩小了，原本市面上除了我这里，平均在70-80左右的识别率。
测试接口
识别速度如上图所示5毫秒左右，机器配置如下图：
可见，低配1核CPU足以支撑业务日调用1.7千万级别的负载调用，加之识别率一直是全网最高，业内不少头部的财税服务提供商都是使用笔者的版本，因保密协议不得透露合作关系，在此不举例，毕竟大多数公司都会说自己并非使用爬虫技术实现查验功能，行内人应该都知道的，可自行查证。敢在合同上写下识别率指标的不存在一丝丝水分。
测试地址：http://152.136.207.29:19812/preview?model_name=TAX
使用方法本篇博客就不赘述了，从官网保存验证码原图，选择需要识别的颜色，上传图片识别即可。
本接口防止白嫖设立了一定的风控，如有商业合作意愿可联系本人QQ（27009583）或合伙人QQ（1095085167），获取文本接口测试。
2020/12/29
有人一直拿一张“我加他好友的截图”说我不讲武德，因为一张截图上下文不全，我这里做一下补充，时间我忘了还是比较早的，当时他识别率有90%左右，我出于以下两点考虑：
- 对他的努力成果表示认可，认为他能达到 90%识别率 很不容易，因为我之前公开的生成器是有所保留的，直接生成设置了只能有30%左右识别率。
- 担心他90%识别率定价过低，比如1k，那么客户对我这边97.5%识别率版本的8w的报价有心理落差，7.5%的价值跨度太大。
以上本来没有什么，但是对方处于何种目的，通过了截图中所有人的申请，唯独不通过我的 ，我们理解为 拒绝沟通 甚至对方对我的申请怀有一种敌意。态度是：存在竞争关系——不能容忍我的存在——所以拒绝同意。
所以这就是对方一直表达的，我文章被举报之后第一时间认为是他的原因之一，他的态度很明显表达了不能容忍我的存在，并且存在希望我消失的动机。
还有一个原因：知乎事件 ，对于知乎的规则我是清楚的：
- 没人举报系统不会自行下架。
- 我被举报之后，某人的评论就在下面了，关联到某人的博客，存在利益关系。
有充分的动机和理由，更加证实了我原本的看法。
我很反感对方这张截图有这么一个原因：
对方用一张截图，并不说明上下文，意在错误引导，我列举几个例子容大家细细品味：
- 单纯的申请好友可以解释为关注，在意。而在特定的语境下，可以任意的操控关注的方向，制造虚假因果，比如对方可以巧妙的运用这张截图来暗示 “申请者 担心 被申请者 取代其地位” 构建虚假竞争关系，提升到与申请者同一个高度。
- 对于截图中模糊不具体的陈述，借助自身的语境描述，可以把对90%识别率认可的本意，替换认可97%识别率。
我不喜欢别人打着我的幌子，对方难道就剩下这唯一的能拿来证明自己价值的图了吗？我不做评论。
2020/12/28
事情是这样的，12.28我的文章突然被告知涉嫌推广，被下架。
然后某某把的文章也被删了，并发出这么一段话：
针对以上，我做出以下回应：
- 我没举报他，12.27我还在考试，要说我考完了确实有时间举报，我是28号被举报的，我怀疑在对方文章被下架之后，认为是我干的，然后举报的，时间顺序吻合。毕竟一篇一年多的文章不会无缘无故重审被下架，当初能通过，突然就不通过了。难道审核机制双标，我是信任CSDN的。我特地去咨询了一下客服，对方已经得知自己被封的真相，还跟小孩子一样纠缠，我也懒得比比了，对方的意图就很明显了，不过是找一个借口来引起关注。事实也证明了小号的成本很低，违规被封换一个就行了。
image.png
我一直好奇为什么对方不用真实的QQ，而是为了卖国税验证码而注册的一个全新的QQ。难道是大号有污点或存在交易争议？还是以前的QQ暴露了自己是易语言玩家的痕迹？所谓的“潘多拉效应”，越隐藏自己越让人好奇，到底为什么不敢用，我不做推测，我建议对方用真实的QQ可以提高成功率，只有真诚才能被信任。 ，换位思考，我要是买家，要给一个小号打几万是不可能的。所以我一般会建议买家这么做：
1）当面交易。
2）确认对方真实个人信息并且签合同
3）把识别率指标作为合同的交付指标，达不到须全额退还。
对方如果能接受不回避并且真实做到这些，各位可以放心交易，因为原则上吃不了亏。对方说，他对我造成威胁了。就因为我向他发起过好友申请，就说明我认为他是威胁，我陈述过原因，这里不存在因果，对方过于刻板印象了，其实应该是对方把我当作威胁，这里不赘述了，所谓的威胁：比如我97.5的版本定位在8w，对方90的版本定位在1k。确实会对我造成威胁。本来井水不犯河水的，不过我现在是放心了，既然认定我有暴利收入起码不会傻到定位1k了。
-
说我心虚？有点意思，看看对方对于识别率的态度：
知乎事件的时候，识别率是这样的，说自己有98%
image.png
几个小时前，说的自己有97的识别率
然后现在单独删了，可信度到底多少？什么叫心虚？这才叫。
- 别的不说，颜色处理方案事实用的我的方案，在我没有公布之前，市面上可没有一个人用，方案都采纳了，对方说生成器没抄全自己写，又在旧版的有我生成器的开源项目里评论，会有人信吗？我信了。
根据和客户交易的经验，总结下面几点建议（核心）：
- 当面交易：
1）在对方电脑里看到源码；
2）现场对接官网核实识别率；
3）看着源码从他的设备转移到你的设备上，并且成功运行起来。
-
合同约束，在合同上注明验收指标，以我为例：
image.png
image.png
我一般都会写的很清楚，总结为：如果识别率达不到验收指标必须全额退款。
- 对于小号而言，最好接受第一条建议 ，防止跑路。远程交易必须添加微信或者有年限和等级正常有使用痕迹的QQ，微信的朋友圈起码是超过其意图开始（打算卖模型）的年限的，能客观观察到对方是个真实的存在，信息暴露越少越不真实，毕竟万一被骗，这是能报警维权唯一的手段，诉讼文书才能知道该寄给谁。
综合以上，如果对方能接受以上全部要求，恭喜你们，不会花冤枉钱，我十分赞成你们交易，如果以各种理由回避或拒绝暴露真实的自己，建议大家要小心了。还有很重要的一个途径，岁月的痕迹不会骗人，看看项目开发的历史进程和发展轨迹：
去年我在云栖社区也做过技术分享直播，都有痕迹可以查的。
发票查验服务
提供全票种秒查询的服务，查验服务若有商业合作可以联系我的合伙人。可为高端用户提供毫秒级的查验效率，快至200毫秒以内（光这个200基本上没有对手，需要联系合伙人QQ：1095085167，才提供测试）可高速并发（依赖高质代理IP），搭配97.5%识别率验证码识别服务，
连续查验失败的概率低至10亿分之9，可以说失败率为0，大型银行年查验数大约千万量级，换算一下大约100年中将发生9次查验失败。稳定性不用多说，实力在这里，放马过来测试比对。
目标客户：大型财税公司首选，或者想一跃成为行业头部的公司首选，可直接对标市面上的任何一家公司的查验服务，言尽于此。不喜犹豫不决拖拖拉拉的客户，加了好友不回消息的直接拉黑，屌丝勿扰。
7.14 更新
很多人一直有一个误区，想靠这篇生成的算法自行生成，然后指望能训练出和我一样98%识别率的模型，这里奉劝各位，不要白费力气，这篇文章充满了暗示意味，是一篇钓鱼文章，旨在给各位制造失望和疑惑，等各位无计可施之后萌生找我购买成品的想法。
这就是为什么只给各位一个残卷，高手可以自行脑补出整个秘籍，新手拿到他毫无用处，不做任何改动，照着生成的话，应该只能有30-40的识别率，当当玩具是可以，商用还差点意思。
另一个CSDN博主的Python版本生成器比我这个还不像，不信的各位可以看看踩过坑的朋友。
https://blog.csdn.net/zzhang_12/article/details/107079463
千万不要以为真的有人做慈善，我的简书发布的版本生成出来起码和官网有八分相似，大概能直接训练出个30左右识别率，当然了自己用的版本随意生成就能训练到95识别率，毕竟要恰饭，公开肯定是不可能公开的，两个版本相比，关键点算法都不一样，经过我精准挖坑和魔改，达到肉眼无法感知但是对机器而言差异极大，识别率不会因为修正一两个算法而超越40这条线。
在这里向大家坦白，是的，我简直坏透了，为了恰饭竟然浪费各位的感情。各位也不要过于绝望，其实它是可以给你们灵感的，如果能从这个版本改出95识别率的，我是真心祝贺，不过目前为止还没遇到，可能这种技能真的是太过偏门了。
然后有人一直寻找所谓的颜色置换算法，这里我引用CSDN一篇文章的算法：
# 蓝色转红色
# img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # 蓝色R、G值较小，B值独大，B、G交换，接近红色分布
# 黑色转红色
# img[:, :, 2] = 255 - img[:, :, 2] # 黑色三个通道都比较小， 用255-R通道，则R通道独大，其余通道小，接近红色的分布
# 黄色转红色
# img = cv2.bitwise_not(img) # 黄色R、G值较大，B值较小，先取反，则R、G值较小, B值独大，接近蓝色分布
# img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # 与蓝色转红色相同
————————————————
版权声明：本文为CSDN博主「okfu_DL」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
开门见山，效果图：
这款验证码的来源是有位朋友发我一张图片，让我用算法生成长得一样的图片，于是它就诞生了，或许它是全网唯一的吧，后来才知道他是国税验证码。这套源码用Java写的，不需要其他依赖，很好编译。截图就是生成出来的效果，提供了根据颜色标注的需求，代码末尾处，可以轻松设定想要生成的颜色标注，生成个数等等，希望本文能对大家有所帮助。另外偶然之间我也看到另一个博主写了Python版的生成 https://blog.csdn.net/okfu_DL/article/details/105293284。不过大家最关心的应该是如何使用这套源码实现最终的识别，笔者将在后面为大家详细道明。
outputImage(w, h, "D:/TrainSet/java_captcha_3_Red", verifyCode, Color.RED, needCode);
英文数字的字体为：Action Jackson，虽然我查了字体供应商页面都已经不存在，设计师估计也不是AOL的会员了，但笔者比较怂，为了避免不可预见的侵权风险，这里没有提供下载，请各位自行下载，本文仅提供研究学习，禁止用于商业用途。
识别思路
首先有几条道路可以通向罗马，这里不分先后优劣一一讲述。
-
颜色提取的思路，可以采用HSV/K-means聚类进行颜色的分离提取：效果如下：
1.png
弊端显而易见，会有较大的特征丢失，识别率有较大的提升瓶颈，经过测试，中英文+汉字的识别率在90%左右。
-
不分离颜色的思路，该方案有两种处理方法：
（1）同时预测颜色和字符内容，这种方法看起来比较正统，但是成本较高，需要标注每张图的颜色和字符内容，这个要求有多高呢，一般的打码平台是无法提供这样的结果的，打码平台只返回对应颜色的内容，只能人工标注，那么需要多少样本呢？笔者训练的识别率98的模型用了100w左右的样本。一张这样的样本标注假设需要0.1元，那么100w样本需要10w标注费用，假设0.01元，也要1w的标注费用。但是验证码高质量的人工标注几乎是不存在的，因为很多样本，人眼的识别率是不如机器的，总体标注的准确率大概也只能在85左右。看起来并不可取，有一种节约成本的办法，可以通过算法生成样本，但是呢，生成的识别率英文数字还可以，中文的识别率就低的可怜了。附上生成方法：https://www.jianshu.com/p/da1b972e24f2
（2）每个颜色分别训练一个模型， 这种方法看起来有点蠢，但是确实比较合适有效的办法了，可以轻松借助打码平台的返回结果标注样本。需要的颜色可以通过官网提供的字段取到，返回结果通过打码平台识别得到，这样一组合，样本就有了。这种方法的成本相对较低，样本数不变的前提下，打码价格低于人工标注的成本。但是笔者训练的是一种颜色的样本用了100w。每个颜色分别训练这样成本还是下不来。四种颜色就是500w样本。官网的每次获取图片的时候颜色随机出现的概率也不一定是1/4。
2.png
（3）把所有颜色都通过颜色变换为一种颜色，整体思路同（2）。如下图，笔者将黑色转换为红色。我们只需要训练红色的图片：蓝转红、黄转红、黑转红，样本成本只有采集一种颜色的成本。看起来是目前位置最佳的方案了，事实也是如此的。但是呢，100w的样本对于普通人来说也是一笔不小的花销，即便有了样本能做出来也需要花费不少的时间和精力。
有些算法工作者可能会低估样本的实际需求量，3.6k分类，中文字体小，容易混淆相似的字多，不同的角度重叠干扰都会大大增加，过于复杂的网络对性能的要求也高，为了平衡性能和准确率，足够数量的样本支撑是必须的，100w样本量其实不大，一点都不要惊讶
不过采集样本不是单纯的接打码平台就完事了，需要经过官网判断，只有通过验证，正确的样本才保存下来。这样有效的样本对提高识别率才有帮助。
实验成果
笔者实时对接官网对实验模型进行检验，结果如上图，测试了200+次，识别率达到98%以上，识别速度的话，CPU本地识别一次大概5-8毫秒左右，（腾讯云1核1G低配机器约10ms-15ms）模型大小约3mb。
针对有些白嫖党老是把别人的试用额度给占满了，给白嫖提升一点小难度，欢迎闯关。
测试
大多大朋友门还是喜欢往接口里怼一些奇奇怪怪的东西，为了给不会调用接口的小白更好的明白这个接口是怎么一回事，更新了一个简陋的操作界面
再次声明： 我一直强调要【原图】，不要【截图】，【模拟浏览器选手】请你们【放弃】，速度【慢】，只有人工打码平台支持你们的截图识别，本接口针对【企业用户】，连【右键-另存为图片】都不会的请在家长的陪同下使用。
**1.本地提交一张【90x35】大小的图片；
- 选择需要识别的【颜色】；
- 点击【提交】即可；**
注意： 截图和原图天差地别，总有人顽固而偏执的以为看起来没什么区别，这就体现了脑子和读书的重要性，不会获取原图的大师兄请点击右上方/左上方关闭按钮。
测试地址：
http://152.136.207.29:19812/preview
也 请勿 使用 模拟浏览器 的 截图 获取，如果不知道如何使用协议获取验证码，可以参考这个文章的方法：
https://blog.csdn.net/kerlomz/article/details/106793781
若对最新的JS逆向感兴趣可以关注作者。
若以上方法都不清楚，可以【另存为图片】，本模型针对【原图】训练。
截图无法识别，不理解的可以先了解下深度学习 图像识别原理 ，或咨询 作者 。
训练使用100w样本，请勿用于商业用途，如果各位对深度学习、OCR感兴趣的，可以加QQ群（857149419）交流，欢迎大家一起学习和成长。
此生成器仅供参考只有30-40识别率，请勿支付下载，当前模型97.5识别率如有需要请联系作者QQ：27009583：
