現在一提到要做影像辨識，就有一堆所謂的「專業人士」跳出來說「必學」：OpenCV、ML(機器學習)與CNN(類神經網路)等等。別人是不是真的專業？我不知道！但是我自己賴此(影像辨識)技術維生，還活得不錯，客戶要我做的影像辨識我都做得出來，所以我應該是專業人士，這一點我很確定！

但是我的「專業意見」是ML、CNN與OpenCV根本就不重要！譬如上面辨識浮萍的案例，ML學派的一定會拿個幾百張照片來讓機器學習，就是嘗試錯誤找出如何分辨影像中哪些部分是浮萍，哪些不是？其實哪需要那麼麻煩？用PhotoShop不同色版看看你就知道該找甚麼顏色了！下面是用藍光看的影像，不就幾乎可以辨識浮萍了，我三分鐘內就得到ML需要學習好多天的答案！

即使要找的顏色沒這麼明顯，我寫個小程式統計十張八張類似照片的RGB色階柱狀圖分布就可以算出要找的顏色特性了！這種傳統的資料分析也是頂多半天的資料處理工作而已，哪需要大張旗鼓收集數百(甚至數千)張照片來跑機器學習？還必須先依照貝氏定理建立各個變數的機率公式等等，工作一點都不輕鬆，說是隔靴搔癢，或脫了褲子放屁來比喻比較合適。我不值得比那些用ML的RD拿更多薪水嗎？

那CNN是幹嘛的？就是找特徵嘛！但是每個影像辨識的目的不同，需要找的特徵也不會一樣，差異可大了！哪會有甚麼通用的公式？像上面辨識浮萍的案例，找到特定的顏色門檻，直接二值化答案就出來了！CNN完全無用武之地，但是跑到下面辨識螺絲釘頭上的文字時，你想簡單套用CNN又不知從何做起了？

我能做到這樣的資料處理，將我需要的特徵擷取到這個樣子，跟CNN一點關係都沒有！也完全不需要使用他們強調的任何AI技術，就是選擇讓我要辨識的字對比最佳的灰階化方式與二值化門檻，如前所述，我半天內就可以用傳統的資料分析概念做好，再加上限縮辨識範圍到環形區域，讓辨識最佳化的處理更聚焦。接下來就是目標的旋轉縮放比對字模等等，那也是跟CNN或ML八竿子扯不上邊的工作！

至於OpenCV呢？那是影像辨識的B&Q，給初學者、半調子或外行人買半成品用的地方！你永遠不會在那裏直接找到你最合用的程式，相反的！如果你有至少學過一學期的影像處理概論，學會基本概念也會寫程式，那你根本就不需要學OpenCV，學了用了反而會受到限制！那是累贅！

用NBA籃球賽來比喻作影像辨識這件工作，我是某隊的總教練。別的隊都將ML、CNN當作球星先發隊員在吹捧重用！但是在我的球隊中，他們是坐在板凳的最末端，通常只有勝負已定的垃圾時間才有可能上場的板凳球員！重點是：我不用這些明星，只用基本動作與傳統技術OK的「普通」球員，我的球隊戰績還是很好！你能拿我怎麼辦？開除我嗎？

任何方法技術當然都是因為「曾經在某些場合有用」才會流傳下來甚至流行起來的！我沒有否定CNN與ML在特定目的時曾經發揮的功效，但是case by case，在我目前做的絕大部分影像辨識工作中他們確實沒甚麼關鍵作用，連扮演辨識SOP中的一個主要程序都沒甚麼必要性，豐富的常識與正確的影像處理觀念，加上熟練的程式技巧還是最重要的影像辨識功力基礎！我的存在就是實證，信不信由你！

還不服氣嗎？直接打蛇的七寸給你看！一個完整的影像辨識流程包括三個部分：前處理取得目標特徵→旋轉縮放正規化目標到標準的大小方向→比對辨識確認是何種目標？CNN與ML技術完全只限於前處理的三分之一部份，還不是最理想有效率的處理方式，你認為熟悉了這兩大技術會對你的工作幫助多大呢？讀很多書上好多課，卻只學到影像辨識的1/3流程？剩下的2/3都很簡單？不必學就會了嗎？你真的被騙了！

我很愛講這個，只是不忍心看到太多人被誤導，浪費太多時間而已。我不需要證明此事來讓我的生意變好！反而是我常常這樣公開批評新潮的AI技術讓我失去不少生意！但是我很相信事實終究會被證明，我希望到時我看起來還是一個始終心口如一的老實人！