傳統上我們辨識車牌的主要技術就是OCR，理想狀況下，車牌清晰也沒有傾斜或斜視等角度偏差，我們就可以正確切割出所有車牌字元，縮放到字模的大小就可以去比對是甚麼字了！但是做為一個商業級車牌辨識產品的提供者，我們當然不能只會處理理想狀況！

真實世界中隨機拍攝的車牌，完美的車牌影像很少，使用者期待的其實是跟自己的眼睛判斷能力(智慧)差不多的軟體，所以才會稱之為「人工智慧」也就是Artficial Intelligence, 縮寫為AI嘛！所以不要繼續被誤導AI是一種特殊技術名詞了！AI應該是一種概念，就是用任何演算法做出可以模擬人類智慧的軟體。

就像我們的倉庫有鼠患，我們要解決的問題是：如何可以最有效率的消滅老鼠？養一隻貓是一種解決方案，也可以用捕鼠器或毒藥誘餌，甚至養一隻也很會抓老鼠的其他動物！所有方案的成效如何要看所有的環境條件，如果有人硬是說養貓是唯一辦法，不用這個方案就是笨蛋？是違法的？大家一定會以為他病了！

但是現在的AI就已經被炒作成這麼愚蠢的狀態了！事實上包括影像辨識在內，大家說的AI都只是解決實際問題的方式，方法本來就有千百種，真正需要也實用ML、DL與CNN等技術的只是少數，試問：冷氣機自動控溫的AI，按摩椅自動調整力度的AI與ML有何關係？不過就是偵測溫壓做合理的反應而已。

又如導航系統能自動幫你規畫最佳路線，夠AI了吧？但那是機器「學習」出來的結果嗎？其實只是嘗試多種可能路線加以計分選擇而已，有點像機器學習，但即使沒有機器學習之前每個工程師科學家就已經會這麼做了！一定要讓機器學習掠美霸佔這些基本傳統科學方法的光環嗎？以前是叫做經驗公式或最佳化運算的！完全不必學機器學習的課就會的。

在影像辨識領域也大致如此，我不擔心ML、DL與CNN是否有成就，我擔心的是大家因噎廢食，誤以為這些「AI」技術已經證明比傳統的影像辨識好？可以拋棄舊方法，完全擁抱這些「AI」就天下太平了？事實上是兩種技術有基本上的差異，ML、DL與CNN是永遠無法取代OCR傳統技術的！即使你愛死了機器學習，也應該知道他們只能處理一部份的問題，效率還不見得比較高。

另一方面，我也不是說只要「復古」就可以了！重點是之前使用的OCR技術確實有很多缺點，很多問題難以解決，所以我們必須在舊有基礎上繼續研發精進，我在車牌辨識產品上獲得成功的關鍵就在這裡了！如上圖車牌的E字，以OCR技術來看是完全與背景沾連，無法被切割辨識的！

我們當然不能只回答辨識結果是：U-5789！因為我們自己都知道這個答案鐵定是錯的！台灣根本沒有這種格式的車牌！就像四選一的選擇題，你選擇答案5一樣，那是自殺！但是你得到的資訊已經不少了，如下圖你大概知道了車牌的上下邊界只是左右邊可能有疑慮而已，因為「好像」少了一個字？那就外插補上嘛！

硬挖出來的字其實也算不準要切到哪裡？所以在這個已經幾何校正，也把可能遺失的E字元納入的車牌子影像中，我們終於可以奢侈的使用CNN技術逐步掃描了！多餘的暗黑區當然沒有掃描反映，到了E的位置時就大有反應了！所以即使OCR無法切割正確獨立的E字元，加上額外的幾何技術還是可以辨識的！

所以我只是將OCR既有的幾何校正技術變得更聰明更廣用了而已！之前大概只有旋轉、縮放與平移三種處理，我讓他進化到可以處理任意變形，還可以內外差取得可能的遺失字元區塊了！有趣的是：我之前老是說CNN的掃描特徵概念沒效率，此地卻用上了同樣方法找出那個E字？道理很簡單，在全圖範圍用CNN找東西猶如在台灣海峽用聲納搜索找一艘沉沒的小漁船，工程太大效益太低；如果是在高雄港內找沈船呢？那就是很簡單的小事了！範圍小成本很低的。

還好我現在只是個商人，我的新發明要獲得肯定與效益，直接封裝產品拿出去賣就好了！今年的發明，今年就開始賺錢了！如果我是教授的話，這幾篇論文要獲得學界廣泛重視？最終頒個甚麼成就獎給我呢？那要等個十年八年的！我都必須坐輪椅領獎了！還好不必再等待學術界的關愛眼神了！