corrected_presentation

1.

Разработка продукта
для распознавания
CAPTCHA с помощью
нейросети на Python 3
✓
Z7K9
AI
↗
Индивидуальный проект
Автор: Р. Р. Рузманов
Специальность: 09.02.07 Информационные системы и программирование
Сургут, 2026
1

2.

Актуальность и проблема
• CAPTCHA защищает сайты от автоматических
действий
• Искажённый текст сложно распознавать обычными
алгоритмами
• Нейросети помогают выделять признаки
изображения автоматически
• Проект рассматривает только учебную и тестовую
среду
боты
CAPTCHA
спам
Проблема
повысить точность распознавания тестовых CAPTCHA без нарушения правил
сторонних сервисов.
2

3.

Объект, предмет и гипотеза
Объект
процесс распознавания визуальной
информации средствами ИИ
Предмет
методы предобработки
изображений, CNN-модели и оценка
качества
Гипотеза
CNN + очистка изображения +
аугментация данных повысят
точность
чистое изображение + CNN + тестирование → более точное распознавание
3

4.

Цель и задачи проекта
Цель
разработать прототип программного продукта на Python 3 для
распознавания тестовых CAPTCHA с использованием нейросетевой
модели.
1
изучить типы CAPTCHA и способы их защиты
2
описать методы компьютерного зрения и CNN
3
спроектировать структуру продукта
4
описать обработку данных, обучение и тестирование
5
сформулировать выводы, риски и перспективы
4

5.

Методы исследования
1
2
3
4
5
Анализ
источников
Сравнение
методов
Проектирование
Эксперимент
Анализ ошибок
Методы помогают перейти от теории к работающей структуре продукта и
проверке результата.
5

6.

Что такое CAPTCHA
• текстовые изображения с искажёнными
символами
• графические задания на выбор объектов
• аудио- и интерактивные проверки
• поведенческий анализ действий пользователя
X7K9
пример учебной текстовой CAPTCHA
Ограничение
изучается распознавание только тестовых изображений в
разрешённой среде.
6

7.

Логика обработки изображения
Входное
изображение
Предобработка
Нейросеть
Результат
Логирование
Входное изображение → предобработка → нейросеть → распознанный результат
7

8.

Предварительная обработка
• перевод изображения в единый формат
• удаление шума и лишних линий
• нормализация размера и яркости
• аугментация: поворот, смещение, изменение
контраста
Зачем это нужно?
модель получает более чистые и однотипные данные. Это
снижает количество ошибок и помогает распознавать новые
примеры.
шум
X7K9
чисто
X7K9
устойчивость модели
8

9.

Нейросетевая модель
Изображение
32×128
CNN
признаки
Слои
обучение
Выход
текст
CNN выделяет контуры, формы и текстуры, после чего классифицирует символы.
9

10.

Архитектура продукта
Загрузка — приём файла
Предобработка — подготовка
данных
файл
очистка
CNN
ответ
лог
Модель — распознавание
Результат — вывод ответа
Логи — ошибки и метрики
10

11.

Тестирование и оценка
• точность распознавания на тестовой выборке
• скорость обработки одного изображения
• типичные ошибки: похожие символы и сильный шум
• стабильность запуска и корректность логирования
Метрики
Accuracy
доля верных ответов
Latency
время обработки
Error log
анализ ошибок
11

12.

Риски и ограничения
• мало данных — модель плохо обобщает
• переобучение — высокий результат только на знакомых
примерах
• ошибки разметки ухудшают качество обучения
• продукт нельзя применять для нарушения правил сайтов
Как снизить риск
тестовая среда
логирование ошибок
расширение данных
12

13.

Продукт и перспективы
Перспективы
Продукт проекта
учебный прототип на Python 3: загрузка изображения,
предобработка, нейросетевая модель, вывод результата и
журналирование.
✓
расширение набора данных
✓
сравнение нескольких моделей
✓
веб-интерфейс и отчёты
✓
улучшение скорости обработки
13

14.

Выводы
• сформирована структура продукта для распознавания тестовых
CAPTCHA
• показана роль CNN и предварительной обработки изображений
• описаны этапы разработки, тестирования и оценки качества
• гипотеза о перспективности нейросетевого подхода подтверждена
• проект применим только в учебных и разрешённых сценариях
AI
Спасибо за внимание
14