大家都以為「貨櫃」一定都是六面都是平面的立方體，但是有些專門裝載液體貨物的貨櫃是不能做成立方體的！原因是液體貨物會對貨櫃的側壁產生壓力，貨櫃可能會因此變形甚至產生破裂，常見的油罐車會做成圓筒狀原因就是這樣的！但貨櫃碼寫在這種呈現弧形的表面可就麻煩了！一整排字每個字元都會呈現不同的傾斜，很難辨識的！

這也是為何我常說影像辨識技術中「幾何學」是很重要不可或缺的一部份！不只是目標的車牌或貨櫃碼可能因為拍攝角度呈現各種變形，即使同一拍攝角度，碰到目標本身就呈現弧形時，同一車牌或貨櫃碼內的各個字元都會呈現不同傾斜度的變形！如果你不能準確掌握他們的個別差異，一一將每個字元都獨立做正確的幾何校正，就不可能做出完整正確的辨識結果！

如上圖顯示的就是一個很經典的案例，它已經在我的不可能辨識的資料夾中待很久了！但現在終究還是讓我克服了！重點就是如何依據物理原理推算出每個字的左右傾斜度，因為字形本身的變化影響，事實上很難保證可以直接獨立算出每個字正確的傾斜度。

譬如上下等寬的U要直接算出正確傾斜沒問題，但是A，F，J，L，P，T，V，Y或數字的4，7等上下不等寬的字就比較困難，因為還未做傾斜校正的目標，我也不會先確定它是甚麼字。這些字的左右邊傾斜度是不同的，我應該相信左邊(如LPF)還是右邊(如J)，還是二者的平均(如ATVY)呢？

我認為最好的策略就是先以上下等寬的目標為基準，算出它們的傾斜度，如上例中的C、D、U、0與2等字，其餘字元就相信物理的原則，即使每個字的傾斜不會一樣，但應該會呈現連續規律變化！譬如上例中Y我知道它上寬下窄不敢貿然計算傾斜度，就可以參考它前後的C與D的傾斜度作內插計算！

果然這樣推算之後每個字包括Y的傾斜度都很接近事實，據此作出幾何校正，每個字比對字模的結果就很明確了！我手上的這幾個類似案例就不再是不可能的任務了！

我會洩漏我的技術機密把這種技巧詳細說明，原因是希望大家能正確地深入理解真正合理的專業影像辨識，可以也應該是這麼作的！想依賴機器學習(或深度學習)的概念，讓辨識軟體學會辨識這種複雜案例幾乎是完全不可能的！

首先你連需要用來訓練的資料量都不可能找齊的！我做了好多年的貨櫃碼辨識，目前也只有四張這種案例，我用物理與幾何學去解析他們就可以做出近乎完美的辨識軟體，機器學習呢？沒有數百張影像就根本無法開工！即使有這麼多資料，要產生如此複雜的邏輯也很難，需要人為介入的成分很高！換言之，還是需要類似我的影像辨識基礎概念認知才可能做得到！

所以別傻了！ML、DL與CNN等所謂的AI技術，其實都是極為笨拙愚蠢，效率極低的影像辨識技術，最好的選擇就是根本不要使用它們！好好理解影像的物理意義與幾何關係，才是做影像辨識研究的康莊大道！