對於一般人來說，台灣的六碼與七碼車牌好像差不多？但事實上七碼車牌是針對車牌辨識設計的極佳改版！以我的經驗來說，每十個辨識錯誤的案例中，六碼舊車牌就會佔到九個之多！上面的案例就是非常麻煩，但也不少見的容易辨識錯誤的狀況！

左邊第二字的1會因為左下螺絲孔的沾連變得很像是J？右邊第二字的U更因為螺絲孔的雜訊讓字元與背景直接相連了！這種問題基本上是來自影像本身的解析度不足，但是如上圖的狀況一般人並不會認為解析度太低，如果我的軟體這樣的程度就被難倒辨識錯誤，我就不敢自誇很AI了！

這種問題使用一般的影像增強處理，如銳利化之類的，是一定沒用的！不做精準的破壞性目標切割處理，答案是一定不會正確的！就像有些疾病，如嚴重的骨折或腫瘤，是一定要開刀才治得好一樣！這就超出傳統的影像辨識或影像處理的技術範圍了！你在一般的影像處理或OCR的課本中一定找不到解法的！

我的作法是參考其他已正確切割的字元，偵測到這個字的高度異常，比對字模的符合度也很低，就會強制它去頭或去腳，縮小到跟其他正常的字一樣高，再做一次字元比對！以上例來說，切掉多餘的螺絲孔造成的雜訊，答案就會正確了！要找到U則需要類似CNN的矩陣搜尋，重點還是我必須先知道正確的字元大小！

重要的是：如果螺絲孔設計的距離車牌字元遠一點點，這種錯誤就會大減了！甚至在新版的七碼車牌上是根本沒有下方螺絲孔的！車牌也不是甚麼很沉重難以固定的物件，有上方的兩個螺絲孔就夠了，下方螺絲孔實際上根本很少人使用！所以純粹只有搗亂干擾影像辨識的負作用！

所以我們做車牌辨識的人都希望六碼車牌早日被淘汰消失於真實世界！光是這件事就可以提升較複雜情境的道路車牌辨識率好幾趴！當然按照慣例我也必須提醒大家：這也是機器學習或深度學習很難「學會」的智慧！合理的解決方式還是必須經過對於物理現象的正確理解與掌握！影像辨識如果都要靠機器學習或深度學習，所有的影像辨識公司都一定會破產倒閉的！我的公司還沒倒閉的關鍵就是：我根本不用ML、DL與CNN的！他們的效率實在太低，成本實在太高了！會害死人的！