照我的方式每天研究車牌辨識的千奇百怪永遠都不會無聊的！即使是之前談過的狀況，遇到類似的案例更有說明價值時就可以做個教學示意圖，如上跟大家分享！六碼車牌下方的兩個螺絲孔，因為距離字元很近，即使本身不會與字元沾連，但是鎖住車牌的螺絲釘沒有防鏽，風吹雨打之後就會生鏽變成污染源了！所以莫名其妙的就與上方的2與K字元打通任督二脈連成一氣了！

此時當然就要靠參考鄰居的特徵來補救了！基本上就是一個局部的CNN掃描！可以很快地找回被生鏽的螺絲釘帶入歧途的2與K了！好辨識的車牌當然是照著SOP走一路順風達到終點，但天有不測風雲，真實世界就是有千百種意外事故讓辨識失敗！我的日常工作就是研究這些事故的原因，針對問題設計出各式各樣的補救方式！甚至同一病症會有好幾種藥方以防漏網之魚！

首先是要「發現」問題，自我檢測根據SOP產生的答案有沒有不合理的地方？譬如只有618S四個字的車牌，根據監理單位的規則有可能是聯結車的拖車載台，或是較早期的紅牌四碼重機車，但是拖車車牌的中間是有橫線分隔的，所以1與8的間隔應該最大，檢查後發現不是這樣就否定是拖車了！紅色重機一定是紅底白字的！這個車牌也不是，所以也排除了是重機的可能性！

剩下的可能性就是字間或前後兩端有缺字了！首先應該嘗試補足字間的缺字，發現兩字的間隙大於一個字元的估計寬度時就必須補字了！這個案例就是經過這個程序補上2與K之後就變成一個合理合乎監理單位公告規則的六碼車牌，這就可以結案了！如果還是不合規格呢？那就同時嘗試往前與往後補字，看看前與後哪個捕字的符合度較高就選擇它補上！

上面這個案例就更誇張了！事實上第一時間只有辨識出56R三個完整的字，接下來就補上字間的T字，再繼續兩次嘗試補前後字，兩次都是往前補字成功，補上了2與6字元，就終於完成一個正確的車牌辨識了！就是逐步補字補到合乎車牌規格！或是真的無法找到符合度夠高的答案時，當然就只能遺憾放棄了！

上面是這兩個案例的全圖辨識結果影像，也可以讓大家感受到我絕對不能放棄它們承認辨識失敗的巨大壓力！因為它們用我們一般人的肉眼辨識都是一定會輕鬆辨識正確的！如果我的辨識軟體這樣就不行了？宣告無法辨識？我的車牌辨識生意就很難做下去了！因為輸給人眼的辨識力不是問題，但是輸太多就不行了！比人的智慧差太多就不好意思自誇甚麼AI了嘛！

事實上如上案例的車牌辨識會困難不是因為影像品質太差，反而是車牌的小缺陷被看得太清楚了！辨識軟體當然是一板一眼的死腦筋，我必須教會它們如何通權達變，要隨時自我檢驗還要找到合適的例外處理方式，根據的原理原則還是科學與人眼的辨識邏輯與思考方式！

所以我使用的OCR技術，跟ML、DL與CNN的統計學辨識方式差異是非常大的！我是真的「看到」每一個辨識迷路的問題發生的原因對症下藥準確處理的！所以對於影像辨識的「學問」與如何準確實現想法的「程式技巧」都必須很好！所以這種專家系統的做法真的必須由專家來操刀才行！機器學習呢？他們是不看問題，閉著眼睛讓電腦自己學習的！

相對的！為何現在ML、DL與CNN等技術會這麼受歡迎？被炒作成做影像辨識唯一的選擇？是因為大多數人被AI宣傳誤導這些是比較「新」的「先進」的技術！OCR自然就被貶低成「舊」的「落伍」的技術了！而且AI專家們強烈暗示：「只要資料足夠算力充裕，不需要影像辨識的專業能力，任何人都可以作影像辨識！」好像不必讀大學就可以直攻博士？當然吸引很多人瘋狂投入了！

事實上這些技術的起源時間不會比OCR晚，只是因為它們運算量實在太大難以實用，所以必須等到近年的電腦算力夠高，甚至GPU也加入分散運算量的行列之後時才開始變得「可以使用」了！但是可以使用並不表示它們的辨識效果會比傳統方式更好！

ML、DL與CNN最大的好處是可以「不知而行」！即使不是專家，也能做出辨識力「尚可」的雛形軟體！它們的說法是只要持續增加資料量與訓練量就可以超越傳統的影像辨識？但是這件事始終沒有真的發生過！所有需要高辨識率的軟體依舊是傳統辨識專家做得比這些所謂的新AI技術更快更準！

就是這個「技術門檻變低」的陷阱害死了無數初學者外行人！有點像是碰到跟你說「穩賺不賠」的投資詐騙？世上哪有不懂投資的人都可以穩賺不賠的管道呢？當然沒有！那是百分之百的詐騙！現在誰都知道了！同樣的，你相信有不懂影像辨識的原理技術就可以做出商業級影像辨識產品的技術嗎？我不相信！所以沒上當，公司也沒倒閉！但是業界有太多公司卻真的相信了？因此紛紛受到重創！就是花很多錢買資料買設備，最後卻白忙一場，一事無成血本無歸！