一、图像预处理
自动化测试中截图来源固定（浏览器 / APP），统一图像标准，消除干扰。
标准化截图
固定窗口大小、DPI、页面缩放比例，统一验证码区域裁剪坐标，避免画面偏移、尺寸不一。
基础图像处理（OpenCV 实现）
转灰度图：去除色彩干扰，降低 AI 计算负担；
自适应二值化：适配渐变底色、明暗不均，分离字符与背景；
降噪：中值滤波去除点状噪点，形态学运算清除细干扰线、毛刺；
倾斜校正：霍夫变换修正歪扭字符。
粘连字符分割
用垂直投影法 / 连通域拆分粘连字符，再送入 AI 识别，大幅降低误判。
二、AI 识别模型优化（核心提准手段）
1. 通用 OCR 模型调参（PaddleOCR/CRNN 主流方案）
限定字符集：根据业务规则设置白名单（纯数字 / 大写字母 / 数字 + 字母），屏蔽无关字符；
调整置信度阈值：测试场景建议阈值设为0.7~0.8，低于阈值直接判定识别失败；
启用角度检测：应对旋转类文字验证码。
2. 模型专项训练（单站点长期测试首选）
针对被测系统专属验证码定制模型，是准确率上限最高的方案：
样本采集：自动化批量抓取 **5000+** 线上验证码，人工标注；重点收集历史识别失败样本。
数据增强：模拟线上干扰（轻微扭曲、加噪、局部遮挡），提升模型泛化性。
增量微调：基于开源预训练模型微调，重点强化0/O、1/l、6/9等形近字符。
效果：常规复杂验证码准确率可达 98%~99.5%。
3. 多模型融合（降低单模型缺陷）
测试流程中并行调用 2 套及以上 AI 模型（如 PaddleOCR + 多模态 VL 大模型）：
多模型结果一致，直接采信；
结果不一致，标记异常，触发刷新重试。
三、结果后校验
结合被测业务做规则过滤，在 AI 输出结果后二次筛查：
长度校验：验证码位数固定（4/5/6 位），长度不符直接判定失败；
格式校验：匹配预设字符规则（纯数字、纯大写字母等）；
形近字修正：建立映射表，对高频易混字符做校正；
非法字符拦截：剔除白名单外的符号、小写字母等。
四、自动化测试流程优化
多级重试机制
识别失败 → 自动刷新验证码 → 重新截图 + 识别，设置3~5 次重试上限，解决临时图片加载异常、瞬时识别失误。
加载等待
增加强制等待，确保验证码图片完全加载后再截图，避免截取残缺、模糊图像。
环境隔离
测试环境统一浏览器 / APP 版本、关闭插件、硬件加速，保证渲染效果一致。
分流兜底
重试多次仍失败时，可接入人工打码接口兜底，保障自动化用例不中断。
五、长期迭代运维
失败样本自动收集
自动化框架记录所有识别失败的验证码图片 + 日志，定期汇总。
周期性模型迭代
将新增失败样本补充到训练集，每月 / 每季度微调模型，应对验证码样式更新。
监控告警
搭建识别准确率监控，当命中率大幅下降时，及时发现验证码改版、模型失效问题。
400-035-7887
sales@spasvo.com
