影像模糊時很多似是而非的狀況就會出現，如上圖經過一連串的影像處理，最右邊的字元怎麼看都像是一個6？我之前的版本也會說它是一個6？但是我知道這一定是錯的！因為台灣車牌的六七碼格式中6的字型是完全不同的！下圖左邊是六碼車牌的6，右邊是七碼車牌的6！上面的6顯然不是七碼車牌的6！如果這個字是6就表示這個車牌一定不是七碼車牌！資訊就正面衝突矛盾了！

正常人會如何思考呢？如果我已經確定這個車牌是七碼格式的車牌，那麼六碼格式車牌中的字型就不應該列入評量考慮！應該只從七碼的字型中找到一個最相似的字！以位置來說，這是第七個字，所以一定是個數字，那就是必須從七碼車牌字型的0-9中找到一個最相似的數字了！答案應該是8！

很微妙的是，像這麼模糊的車牌，在辨識的開始階段我們無法很確定它是六或七碼的車牌？譬如某兩字可能會互相沾連？某些字可能會模糊到破碎的程度，必須經過一些例外處理才能正確切割或拼合，通常要到最後階段才能確定這是一個六或七碼的車牌，此時每個位置是甚麼字已經先被辨識確定了！

所以類似上面的矛盾必須到最後才能被檢驗發現，但是只要你有做這種檢查，知道狀況之後要如何處理就不難！在之前比對某個目標像甚麼字時，我們只要留下比對分數，此時回頭找特定範圍的分數最高值即可！上面這個字與六碼6字的符合度分數高達90分以上，與七碼8字的符合度才60幾分！但考慮到周邊資訊的相容性，它就不可能是六碼字的6，一定是個七碼字的8了！

我的影像辨識中就是有很多這種小聰明，累加起來的效果就好像我的程式會做很多推理思考了！我認為好的AI就應該是這個樣子的！如果你只相信「Data Driven」，完全依據影像資料訓練出來的經驗值來判斷辨識答案，就沒有這種推理思考的空間了！那種AI當然是比較笨的！即使你用再「深度」的學習，把模型搞得更複雜，也不會自動產出這種智慧的！

所以我認為：影像辨識還是必須以傳統的專家系統概念來發展，才會走向越來越準確合理的AI終極目標！ML、DL與CNN等技術最多只適合做探索或輔助的角色！完全不用都可以的！以這些技術為主體不但成本極高，理論上也是沒有前途的！還是儘快懸崖勒馬吧！對我來說，ML、DL與CNN真的只是我技術邊緣的配角，不依賴它們反而成為我研發影像辨識的優勢！