测试自动化中实现验证码自动填充，寻求准确率80%+的解决方案

1. 定制化训练OCR模型 #

• 针对你当前遇到的验证码类型，收集至少几百张样本并完成字符标注。
• 采用CRNN（卷积循环神经网络）或YOLOv8的文本检测+识别分支进行训练，这类模型对特定场景的验证码识别准确率轻松突破90%。
• 训练完成后可导出为ONNX格式，直接集成到你的自动化测试脚本中，针对性远优于通用的Tesseract JS。

2. 对接第三方验证码识别服务 #

• 市面上有不少专门做验证码识别的第三方API，基于深度学习模型优化，对数字、字母、滑块、点选等常见验证码的识别准确率普遍在90%以上。
• 流程上只需在自动化过程中截取验证码图片，调用API获取识别结果后填充即可，无需自行训练模型，适合快速落地。

3. 绕过验证码（优先推荐，准确率100%） #

• 联系开发团队，在测试环境添加测试专属逻辑：比如传入特定参数（如?test_mode=true）、设置测试Cookie，直接跳过验证码校验。
• 或者让开发提供测试专用的固定验证码（比如固定为1234），彻底规避识别问题，效率最高。
• 如果必须保留验证码展示，可要求开发在测试环境返回简化版样式——比如无干扰线、高对比度的图形验证码，让Tesseract JS也能轻松识别。

4. 预处理+优化Tesseract参数（针对简单验证码） #

• 如果验证码是固定格式（如4位纯数字、无复杂干扰），先对图片做预处理：用OpenCV完成灰度化、二值化、去噪（比如cv2.threshold()、cv2.medianBlur()）。
• 调用Tesseract时指定字符范围和识别模式，例如执行命令：tesseract input.png output --psm 10 --oem 3 -c tessedit_char_whitelist=0123456789，能将准确率提升至80%以上。

内容的提问来源于stack exchange，提问作者Nikhil sidana