這是一個很好的案例，說明影像模糊時要辨識正確，背後需要多少的努力！現在的機器學習或深度學習都騙你說：再複雜的困難辨識，只要收集夠多資料，讓機器自己訓練學習就行了？但這只是浪漫的幻想！這種事從來沒發生過！創業之初我就擔心深度學習的影像辨識會搶走我的飯碗，十年後的事實卻是我搶了他們的好多碗飯！

我雖然是做生意，靠著研發影像辨識技術謀生的人！但是我也希望把研究成果像學術研究一樣持續發表分享，只是我不當教授了，不必一定要發表在甚麼SCI期刊上而已！我不怕別人模仿抄襲，有句話說：「一直被模仿，但從沒被超越！」其實是個簡單的事實！以高科技產品而言，想要靠模仿超越領先者是幾乎不可能的！除非我已經不再研發了！

簡單說，我用我熟悉的方式跑步，我也認真講解我是怎麼跑的，你學我著我的姿勢跑，或許可以提高原本的速度，但是跟我賽跑是一定會輸的！如果你原本不會的本事，能經過模仿學到就是賺到了！但是想超越本尊呢？那是一個很極高難度的挑戰！所以我從來不怕分享，你不用駭入我的電腦，我沒有商業機密，在此看到的內容比從我的程式看懂學會的更多！

我會想寫出研究成果是基於數十年來的學術訓練與習慣！對於我自己來說就是整理思緒，讓研究脈絡更清晰有條理！每天八成時間做實質研究，兩成時間就是寫文章告訴別人也告訴自己：「我到底在幹甚麼？我做的事情有何價值與意義？」長遠來看，我就是在科技史上留下我的足跡！如果讀者眾多時，甚至可以影響科技的發展方向！那就比當上頂大教授更學術了！

以OCR技術來說，如上的略模糊影像辨識成功的關鍵，就是二值化切割字元的步驟！切割正確時目標字元就可以清晰呈現，如果字元的筆畫與背景色差很大，要正確找到可以區分字元與背景的灰階門檻值機率很大，就沒有甚麼技術可言，如果影像模糊時就是色差不大，甚至每個字的狀況都不太一樣，要正確抓準門檻就難了！

我的作法其實也沒有很神奇，就是建立很多個不同的二值化策略，都嘗試算出該策略下得到的最合理結果，然後就是幾個答案擇優錄取！為了節省時間，當然是以成功機率最大的策略開始，如果估計字元符合度極高，應該不會錯了，就提前結案，類似快速通關結帳的概念！

如上案例就是發現答案的不確定性高，就一共動用了四種二值化策略，產生如上的四種二值化圖，共找到七組可能的車牌目標組合，算出五個可能的車牌答案候選人！取最高89分的答案ATV-1710就是最正確的答案了！這其實就是我常常批評的很「耗時」的嘗試錯誤的運算！也就是機器學習派常用的演算概念！

我當然也想設計出「一種」萬用的二值化策略，在任何狀況下都可以通用！但事實上就是做不到！單一的策略確實可以盡量優化調整(學習訓練？)到一個辨識率最高的極限，超出這個策略的極限時，就必須使用不同的策略才可能得到更合理的答案了！所以機器學習派想訓練出來一個單一模式的萬靈丹，但是不管怎麼作？整體辨識率都一定會輸給我！因為我根本是打群架的！以二值化來說，我內建有六種策略！深度學習怎麼玩得過我？

要這麼作的代價當然就是計算時間可能會增加好幾倍！但是我已經把基礎的運算量極度精簡降到極低了！以上例來說，一個策略算完也只需要幾十毫秒，全部算完也只花212毫秒，還是相當快的！也就是我有本錢在不讓辨識顯得緩慢遲鈍的前提下，適度用更多計算來提高辨識率！

所以我的程式反應是如上大小的影像，容易辨識可以用第一個策略就提前結案時，只需要幾十毫秒！這種狀況約占九成以上！較難辨識必須動用到多個策略才能結案時，就會是一兩百個毫秒了！機器學習或深度學習做出來的單一模型辨識軟體，怎麼作都不會比我的辨識率更好的！你說是誰比較「AI」呢？