這兩天我的辨識案暫時無事等新的資料中，我的RD則相當忙碌，剛好她負責的客戶提到下雨的辨識，我一時手癢也是體恤員工，就自己玩起來了！如上我很成功的辨識出很多雨絲！但是更重要的是我努力讓辨識時間縮短，就是使運算量減少速度更快！大概50萬畫素影像可以不到10毫秒，200萬畫素影像低於50毫秒！

實務上好像並不需要那麼快速的辨識是否下雨了？每分鐘辨識一次似乎都還可以？但這個功能是準備附加在我們的工地揚塵辨識軟體之中的，那個軟體為了節省成本，是用一台電腦同時辨識六個攝影機的畫面，每個畫面原始影像至少都是200萬畫素，但是要偵測是否有揚塵或路面汙染，不需要麼高的解析度，所以都經過縮圖再作辨識，這樣可以大幅降低成本嘛！

我們就是靠著這種效率產生的低成本優勢，才能屢屢從所謂的AI影像辨識的對手手中搶到生意的！面對使用ML、DL與CNN等所謂AI技術的競爭對手，我們毫無畏懼！他們做一個場地的AI揚塵辨識就需要一台超規格(需用GPU)的電腦，我們的軟體呢？用一台普通規格的電腦就可以同時辨識六個場地！他們的辨識率還無法超過我們！所以是誰怕誰呢？是AI影像辨識怕死我們了！

但是因為我們是降解析度之後再作揚塵等汙染辨識的，雨絲太細了在低解析影像上是看不到的！所以辨識雨絲的程式必須與主要辨識污染的流程分開的！簡單說，200萬畫素的影像應該可以看到雨絲，降到1/6大小就一定看不到了！如果辨識雨絲的動作太慢太耗資源，就會讓需要時序分析的汙染辨識時快時慢產生錯誤，很像塞車會害你上班遲到一樣！或是被迫多用一台電腦另行辨識雨絲，那客戶的系統運作成本就會增加很多了！

所以這個附加的雨絲辨識流程必須很節省資源，才能保持我們產品低成本的優勢，當我可以作到上述的高效率時，當然就沒問題了！它可自成一個獨立執行緒，在背景輕鬆順暢的運作，完全不會影響原有的揚塵與路污辨識！

這些年擠身於眾多所謂AI影像辨識技術的競爭廠商中，我也充分意識到，即使他們號稱是「先進」的新技術，但是他們的開發與運作成本都太高了！想不虧本的話售價就必須高出我好幾倍！除非他們的技術真的可以作出辨識率遠高於我們很多的產品，不然沒有人會跟自己的錢過不去！所以我除了繼續精進辨識率之外，也非常注重效能的提升！這個優勢會比我的辨識率更為巨大！

我很想證明的一件事就是：影像辨識絕對可以用一般規格的電腦順利運作，絕對不必花大錢才能享有好用的AI影像辨識！重點是大家必須看清，也拋棄影像辨識必須使用ML、DL與CNN等技術的錯誤觀念！那些技術一沾上就是會燒掉很多錢的！實際上也做不出比用傳統技術更好的東西！這不是我的經驗或傳聞而已，而是用科學就可以證明的事實！統計估計的演算法絕對無法勝過精準的微積分與幾何學等等明確公式的！

更諷刺的是這些盲目的AI崇拜者，不願面對現實思考如何改善他們計算量太大的問題，反而是不計成本的花更多的錢追求更高的算力？那真的是緣木求魚或飲鴆止渴了！其實只要放棄ML、DL與CNN就可以看到很多合理演算法與解決方案的！饒了你自己，也饒了地球吧！別讓不必要的AI讓地球燒掉吧！