上面的車牌辨識似乎並不困難？但事實上就是有些尷尬的巧合讓我的OCR很容易辨識錯誤，放大來看你就會知道了：

所謂的OCR，就是將影像二值化之後，將相連的黑色區塊切割出來，當作是一個字來處理！這個案例的字元之間的間隙還夠大沒有沾連，即使字元真的沾連了，我的辨識流程通常也可以處理至少兩字沾連的意外，但是此例中被沾連的是車牌下方的螺絲孔！所以多出一個錯誤尾巴的變形8與C就很容易辨識錯了！我的舊程式中是沒有直接解決這種狀況的方法的！

事實上，如果我不管這個沾連現象，在車牌取出並做完幾何校正之後，我再用運算量大一點的類似CNN的嘗試錯誤掃描的方法也是可以正確找到這兩個字的！但是如果在目標切割時就可以直接「看出」不合理的沾連加以處理呢？當然是最上策了！這幾天就是在研究提前切割這類沾連目標的演算法，也頗有斬獲！上述的沾連現在都能拆解了！

實際做法就是在初步獲得的目標內做個嘗試切割脆弱點的動作！以上例來說，最初獲得的8與C會略寬於其他正常字元，嘗試切割脆弱點之後的8與C會更符合整體字寬，當然就接受切割結果了！後續也就不必再動用演算量更大的局部CNN掃描了！辨識速度會變快的！好像癌症越早治療會越好，越省資源！

從這裡也會看到舊型車牌設計上的缺點！舊型車牌是上下都有各兩個螺絲孔的，下方螺絲孔還與字元特別近，所以常常會與字元沾連變成強力雜訊！新型的七碼車牌就沒麼囉嗦了！只有上方兩個螺絲孔，要固定車牌這樣其實就夠了！

這裡也可以看出：解析度與角度也會影響辨識！如果上例車牌是以較水平的角度拍攝，或影像解析度高一點，都不會產生上述沾連的問題！但是我們做辨識軟體的人是在競爭甚麼呢？就是面對別人辨識不出來或容易辨識錯誤的影像，我們可以辨識得更好！更快！也更正確！簡單說，就是比誰的辨識軟體更AI啦！

具體的方向就是每一種異常現象我們都要有對策，甚至一種現象要有多種對策！A方案如果無解還有B方案，甚至C方案！讓各種辨識的障礙都可以被順利破解與排除！即使是我常常批評沒效率的ML、DL或CNN，必要時我也會毫不猶豫使用的！讓終極辨識最高才是主要目標嘛！

以此例來說，能在目標決定的階段先正確拆解掉雜訊就是A方案，解決不掉還是可以在稍後用局部區域的CNN找到正確答案的！演算方法與解決方案絕對不嫌多的！但是要優先使用最有效率的方案，其他的就是備援方案了！就像救災設備平時不會用到，災難來時可就非常重要了！