相关函数说明：http://www.uudama.com/process.html 源码页面：http://dll.uuwise.com/index.php?n=ApiDoc.Anjian 按键精灵插件： 新插件[2013.7.13]下载地址:http://com.uuwise.com/index.php?n=ApiDoc.DLLdownLoad <---推荐使用 经过不段改进程序源代码，最终实现了原生COM组件放到按键精灵目录下面就可以使用了，函数调用方法参考COM版函数说明,示例语句在下面 注：不需要regsvr32注册 旧插件： [2013.7.2]---按键精灵插件完全版--基于动态连接库版 [2013.7.2]---按键精灵插件精减版,仅【登录,上传图片,取结果,报错】四个函数--基于动态连接库版 调用示例语句： softID = 2116 //软件ID 软件和KEY在开发者后台获取 softKEY = "2000adff4e5c4c448f45944c643b2b10" //软件key userName = "优优用户帐户" //用户的用户名，非开发者帐号 passWord = "优优用户密码" //密码 zhuce = Plugin.UU.SetSoftInfo(softID, softKEY) //初始化软件（必须） login = Plugin.UU.Login(userName, passWord) //登录优优,仅需要调用一次（必须） If login > 0 Then getUserScore=Plugin.UU.getScore(userName,passWord) //查询用户当前积分（可选） MessageBox "登录成功，您的用户ID为：" & login & "，您的剩余题分为：" & getUserScore yzmID = Plugin.UU.upLoadFile("c:\1.jpg", 1) //调用识别函数，根据路径上传，参数中的1为图片类型ID（表示需要识别的图片为四位英文或数字） //yzmID = Plugin.UU.recognizeScreenByCodeType(7,165,25,15,1,0) //截图并上传函数 //请参考：http://dll.uuwise.com/index.php?n=ApiDoc.Price If yzmID > 0 Then MessageBox "已将您的图片上传至优优,请耐心等待识别结果！" yzm=Plugin.UU.getResult(yzmID) //根据验证码ID获取识别结果 MessageBox "图片的识别结果为：" & yzm & "该图片在服务器上的ID为：" & yzmID /* //如果图片识别不正确，调用 ！如何判断识别不正确？用户登录网站的时候， //如果验证码识别不正确，网页会有相关提示，其它应用应该差不多。 //注意：恶意报错（打正确也报），会同时冻结您的开发者帐户及用户帐户。 reportStatus = Plugin.UU.reportError(yzmID) If reportStatus=0 Then MessageBox "恭喜您报错成功，题分已返还至您的用户帐户！" End If */ Else MessageBox "上传图片出现错误，错误代码为：" &yzmID //错误代码请参考：http://dll.uuwise.com上各对应函数 End If Else MessageBox "对不起，登录失败，错误代码为:" &login //错误代码请参考：http://dll.uuwise.com上各对应函数 End If

最近遇到了很多写易语言的朋友想要用我的ddddocr库，但是因为原来的库是python开发的，故花了几天时间，用c++重写了ddddocr的部分功能，因为要调用onnxruntime，易语言并不是很方便实现，便做成了dll，并用模块的方式进行调用

基于 Java 的简单图形验证码识别

里面包含验证码生成程序和识别程序，是入门CNN的简单实用的例子，有介绍见https://blog.csdn.net/qq_32791307/article/details/82262051

易语言腾讯滑块验证码识别源码（通过精易浏览器模拟滑动）。修改的版本,他的滑动多了会出繁忙,修复了,找不到出处了,如果找到请私信我,我加上出处,识别率还可以,缺点是只能单线程。精易浏览器库用的1.6版本。@zxs。Tags：腾讯滑块验证码模块源码腾讯滑块识别腾讯滑块识别算法。

captcha 验证码识别

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

验证码识别技术研究（算法）.pdf

谷歌验证码识别 介绍连接https://blog.csdn.net/weixin_45724232/article/details/125044492?spm=1001.2014.3001.5501 包括：数据集 训练代码测试代码以及训练好的模型

完美验证码识别系统，识别能力强，支持 win10，很强大