python + tensorflow 开局托儿所自动点击脚本

本文主要是介绍python + tensorflow 开局托儿所自动点击脚本，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

屏幕截图

python 屏幕截图可以使用pyautogui或者PIL。我使用的是PIL中的ImageGrab(要授权)。

image = ImageGrab.grab(bbox=(0, 0, tool.static_window_width, tool.static_window_height))
image = np.array(image.getdata(), np.uint8).reshape(image.size[1], image.size[0], 4)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

先上连接：开局托儿所
将截取的图片转成灰度图后就是下面这个样子。

接下来将每个数字截取出来。16行10列，共有160个数字。

for i in range(16):x_start = self.x_startx_end = x_start + self.num_widthimgelist = list()center_pos = []for j in range(10):every_num = image[y_start:y_end,x_start:x_end]every_num = cv2.resize(every_num, (28, 28), interpolation=cv2.INTER_AREA)_, every_num = cv2.threshold(every_num, 127, 255, cv2.THRESH_BINARY)center_pos.append((x_start + self.num_width/2,y_start + self.num_width/2))imgelist.append(every_num)x_start += x_disx_end   += x_disself.imagelists.append(imgelist)self.center_pos.append(center_pos)y_start += y_disy_end   += y_dis

图片数字识别

裁剪好图片就可以使用深度学习模型进行数字识别，这里也是使用经典的LeNet模型。首先要手动标注一部分数字作为训练集进行训练。（github链接包含我手动标注的训练集，可以直接使用）

有了训练集就可以开始训练模型。LeNet 网络结构：

def buildModel(self):self.model.add(Conv2D(input_shape=(28,28,1),filters=6, kernel_size=(5,5), strides=(1,1), padding='same', activation='relu'))self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))self.model.add(Conv2D(filters=16, kernel_size=(5,5), strides=(1,1), padding='valid', activation='relu'))self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))self.model.add(Conv2D(filters=120, kernel_size=(5,5), strides=(1,1), padding='valid', activation='relu'))self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))self.model.add(Flatten())self.model.add(Dense(84, activation='relu'))self.model.add(Dense(9, activation='softmax'))# 形成网络（同时添加优化器）self.model.compile(loss='categorical_crossentropy',optimizer=RMSprop(),metrics=['accuracy'])self.load_model()# 查看网络结构，输出形状，参数个数print(self.model.summary())

训练好模型就可以对数字图片进行识别，

 def predict(self,imgs):predict = self.model.predict(imgs)index = np.argmax(predict,axis = 1)index=index.reshape(16,10)index += 1print(index)return index

消除算法

识别好图片后接下来就是消除了，算法思路是从左上角开始优先列遍历，贪心思想，只要遇到相加为10的就消除。step是一各栈结构，记录每一步，循环遍历，直到找不到解时候在回退。这里采用的固定回溯，每次回溯当前步数的4/5。在20s的时间内如果没有搜索完所有可能也要退出。

def comput_ij(self,i,j):yend = i xend = jres = []while yend < len(self.map):sum = 0xend = jwhile xend < len(self.map[0]):for k in range(i,yend+1):sum += self.map[k][xend]if sum == 10:res.append((yend,xend))elif sum >10:if yend != i and xend == j :return reselse:breakxend += 1yend += 1return res

def kjtes(self):time_start = time.time()time_end = time.time()while (time_end - time_start) <20:if not self.setps.is_empty():for t in range(int(self.setps.size() / 5 * 4)):self.backup()isfind = Truewhile isfind:isfind = Falsei = 0while i < len(self.map):j = 0while j < len(self.map[0]):results = self.comput_ij(i,j)if len(results) >0 :for res in results:if(self.set_steps(i,j,res[0],res[1]) == True):isfind = Truebreakj += 1i += 1new_map = np.array(self.map)cnt_array = np.where(new_map,0,1)score = np.sum(cnt_array)if score > self.score:print("------",score)self.score = scoreself.result = copy.deepcopy(self.current_result.items)time_end = time.time()if int(time_end- time_start ) % 10 == 0:print("耗时....",(time_end- time_start),self.score,self.max_size,self.min_size)print("------",self.score)

未完。。。明天继续

自动点击

这篇关于python + tensorflow 开局托儿所自动点击脚本的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---