我是做車牌辨識產品研發的廠商，但是我很難回答一些看似簡單的問題？譬如我的車牌辨識率是多少？這就像問我參加一個考題內容未知的考試會拿到幾分一樣，考題簡單可以是100分，考題刁難時，我也可能吃鴨蛋的！記得讀建中時某次模擬考化學科全校平均才16分！這表示建中生很笨嗎？當時坐在我隔壁現任台大化工系教授的同學也是只有二三十分的！

其實當你問我的軟體辨識速度多快時，譬如X萬畫素影像需要幾毫秒？我也是很難回答的！譬如上面這種640X480約31萬畫素的影像，內容簡單好辨識時可以快到幾十個毫秒就辨識成功正確，但碰到如上字元相當模糊時，我雖然還是辨識出來了，但是卻花了算是很長時間的482毫秒！

如果我的車牌辨識只是像一般深度學習派的說法與做法，就是用大量資料訓練出一個非常複雜聰明的模型，也就是一個很完備的影像辨識SOP，那同樣大小的影像辨識時間應該差不多。但我的車牌辨識軟體面對難易狀況不同時，差到10倍都有的！原因是我的內建辨識程序不是只有一個，而是高達六個！

如上圖是我內建的六種辨識程序中的六個二值化圖，它們是按照辨識成功率的經驗值排序的！成功率越高的越先使用，如果得到的答案分數夠高就直接結案了！不太確定就會繼續使用其他方案，此例是用到第四個方案時才出現合理答案，但事實上六種算法都算過了！所以辨識時間才會那麼長！

如果辨識軟體是用在很趕時間的情況，像是我的高速動態辨識的車載車牌辨識軟體，那就只會用最高辨識成功率的一個SOP！因為影像會高速湧入，辨識失敗就必須立即放棄，沒時間讓你「慢慢想」！但好消息時下一張影像通常還是有同一個車牌在裡面，你有很多次的機會辨識同一個車牌！以單一車牌的辨識率來說不會太低的！

另一方面，如果像上例是由停車柱拍的單張影像，同一輛車不保證可以被拍到很多次，所以必須盡力在單張影像中就做出最好也是唯一的辨識結果！好消息時這種辨識使用情境通常不趕時間，單張辨識超過一秒鐘也沒關係的！停車柱可能30秒或一分鐘才會拍一張嘛！

所以大家知道我的車牌辨識軟體和所謂的「AI」深度學習基本概念上的差異了嗎？我並沒有執著在要「訓練」或「設計」出一個萬靈丹，期待一個SOP就可以辨識車所有的困難狀況？而是用六個臭皮匠嘗試湊出一個諸葛亮的智慧！這是使用CNN與DL的人無法模仿的！因為他們的運算量大到一個SOP就算不完需要GPU幫忙了！用六個SOP做車牌辨識？那連輝達加上台積電的硬體技術都跟不上了！

我能這樣玩的關鍵其實還是我的基礎演算法，也就是傳統的OCR加上我的優化設計，讓演算量極少效率極高！所以即使內建六個SOP，在一般規格的電腦上跑起來還是顯得輕鬆自在游刃有餘！各位看官，你們覺得是我的架構比較聰明有效？還是他們吹噓的，用CNN與DL做的「AI影像辨識」呢？