前幾天的文章有提到，我的辨識程序碰到類似如上的規律水溝蓋孔洞目標時，會假設它們是可能的車牌目標，還可以排列組合出非常多組！程序要一直跑到把它們都當文字辨識之後，才會發現它們根本甚麼字都不像？但是已經浪費了很多時間！這是困擾了我很久的常見雜訊，不會阻止我找到正確答案，但會嚴重拖慢辨識速度！

事實上我的程序在嘗試排列出可能的目標群之後，已經設計了不下十幾種檢驗機制，都是想及早在真的做車牌幾何校正與字模比對等耗時的演算之前，就提前確認它們「不是」車牌！就不必浪費時間資源繼續處理它們了！在一樣的電腦硬體條件之下，辨識速度要快就是要減少計算量，少做無效的工作，對於收入一樣的人來說，知道如何省錢的人，就是較有錢也較有效率的人了！

但是水溝蓋孔這種目標就是非常整齊排列大小相似的東西，我之前一直想不出簡單的檢驗排除的方法，但是今天想到了一個妙招！如上圖所示，車牌進入後段耗時辨識的組數從49組減到7組，辨識時間從1217毫秒降到271毫秒，差別真的好大！至少以後我不會再害怕水溝蓋來亂了！路邊停車的照片中它們很常見的！

怎麼作的呢？我也可以直接告訴大家！因為別的競爭對手廠商好像都說是用深度學習的嘛！即使我把我的商業機密說清楚講明白，他們也無法模仿學習用在他們自己的研發模型中的！除非他們真的學我一樣，完全不用ML、DL與CNN，那真的太難為他們了！

如上是水溝蓋與真正車牌放大的二值化圖，當我的程式選到一排黑色實心目標時，我只要從第一個目標的中心點拉一條直線到最後一個目標的中心點，然後計算這個線段的黑點數涵蓋率，正常文字大概只會有大約1/3，但水溝蓋就會是六七八十趴！這是很明顯的差距，所以我不必繼續辨識它們像不像文字了！這組目標到此就結案了！

很簡單也很合乎所有人的常識直覺，這就是我作影像辨識的風格！沒學過影像辨識、OpenCV、或Python的小朋友都聽得懂的！重點是真的有效！計算量也很低！這就是我相對於ML、DL與CNN等所謂主流技術的最大優勢！我總是從物理事實去想出我的解法！而不是把動腦的事情都交給機器去學習，機器學會了也沒辦法教我的！所以用機器學習的人最後總是會比機器更笨的！

從這件事也可以看出一個影像辨識軟體的品質關鍵！就是運算量應該越精簡越好！運算越少就會越快越省資源電費！但是只要你一用ML、DL與CNN等技術，那就絕對比使用OCR的運算量多出數十倍！就好像你買了超跑或豪宅，之後再怎麼努力省錢，基本開銷都是一般汽車與房屋的幾十倍！因為運算量實在太大，所以才必須使用GPU的！那是它們的缺點，絕對不是優點！我的軟體就是完全不必用GPU的！千萬不要被騙了！