一. 2026年5月最新发票查验验证码OCR识别AI模型

核心价值：
1、一套模型，兼容新旧两种查验平台。
2、支持纯本地部署，内网环境安全调用——无需担心数据外泄，也不受网络限制。
3、4种在百万训练集上经过深度优化的高精度模型，兼顾速度与准确率，CPU/GPU均可极速推理。

关联视频：

https://www.bilibili.com/video/BV1mkQ8BoEaE/ (2026年最新发票查验验证码OCR模型)
https://www.bilibili.com/video/BV1g2aHzVE1J/ (验证码识别&自动化(rpa与接口)发票查验技术分享)

1.1 适用验证码样例

1.2 POST /mobile/recognize

功能: OCR 文字识别（多模型支持）
幂等性: 否

请求参数 (Body)

参数名	类型	必填	说明	示例
image	string	是	Base64 编码的图片数据	iVBORw0KGgo...
color	string	否	文字颜色，默认 红色	红色

枚举值:

• 红色 - 使用红色专用模型
• 黑色 - 使用黑色专用模型
• 蓝色 - 使用蓝色专用模型
• 黄色 - 使用黄色专用模型

请求示例

POST /mobile/recognize HTTP/1.1
Host: 127.0.0.1:5000
Content-Type: application/json

{
    "image": "iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mNk+M9QDwADhgGAWjR9awAAAABJRU5ErkJggg==",
    "color": "红色"
}

curl -X POST http://127.0.0.1:5000/mobile/recognize \
  -H "Content-Type: application/json" \
  -d '{"image": "iVBORw0KGgo...", "color": "红色"}'

响应

成功 (200)

{
    "success": true,
    "text": "DFK",
    "confidence": 0.9970,
    "time_ms": 45.50,
    "color": "红色",
    "uuid": "550e8400-e29b-41d4-a716-446655440000"
}

失败 (400)

{
    "success": false,
    "error": "无效的颜色值: 绿色，支持的颜色: 红色, 黑色, 蓝色, 黄色"
}

响应字段说明

字段名	类型	可空	说明
success	boolean	否	操作是否成功
text	string	否	识别结果文本
confidence	float	否	置信度，范围 0~1
time_ms	float	否	处理耗时（毫秒）
color	string	否	识别使用的颜色
uuid	string	否	本次请求唯一标识
error	string	是	错误信息

识别Demo

web页面识别截图

API接口调用demo：

整体准确率>96%, cpu推理在50ms左右。

---

二、验证码训练要点：

2.1 数据集标注。

图片下载
图片分类–黑红蓝黄
图片标注–手动标注(自己超级费劲，找人标注很费钱)
数据集划分

train/hXcbJ7_fpcyyzm17759764531568849.png	hXcbJ7
train/zrkN_fpcyyzm17757872430992347.png	zrkN
train/Sca9Bf_fpcyyzm17759759171496836.png	Sca9Bf

val/yA9X_fpcyyzm17758092163308441.png	yA9X
val/闲妮SB_fpcyyzm17758066692628347.png	闲妮SB
val/DY2YFE_fpcyyzm17758066947707246.png	DY2YFE

2.2 数据集构造：

重点部分：

字体、字符集、颜色、背景、干扰点、干扰线。

每种颜色自动生成样本40万张。

23456789ABCDEFGHIJKLMNPQRSTUVWXYZabcdefghijklmnpqrstuvwxyz
+常见汉字

构造验证码样例：(兼容新版验证码和旧版验证码)

构造-黑色样本部分样例(总数40w张)

构造-蓝色样本部分样例(总数40w张)

构造-红色样本部分样例(总数40w张)

2.3 模型训练。

2.4 模型评估。

2.5 模型导出。

2.6 模型测试 & 优化。

第一次训练之后，一定要在真实网站中进行测试，记录错误验证码。
再把错误验证码手动标注后添加到训练集中，进行微调训练或者二次训练。可纠正一些明显的错误。有效提升准确性。

2.7 模型导出onnx。

2.8 模型web服务化开发。

2.9 生产部署。

经测试，准确率>96%, cpu推理在50ms左右。

详情可看:
https://www.bilibili.com/video/BV1mkQ8BoEaE/ (2026年最新发票查验验证码OCR模型)

本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为