最近有個地磅站的車牌辨識案承包商找我買軟體，會到地磅站的一定都是大型車輛，尤以大貨車工程車為多，客戶之前是使用別家的辨識系統，因為辨識效果不理想才來找我的！但他說的「不理想」多半只是角度稍大、距離稍遠時會辨識不到，甚至七碼車牌的3因為字型特殊很容易被辨識成5等等。

客戶可以理解工程車很多車牌狀況不好，跟一般自小客車的整齊清潔無法相比，如果不能達到一般停車場的高辨識率(98%或99%)，因為部分車牌本身狀況差所以辨識錯誤或無法辨識是可以接受的！

當然他說的那些小問題對我的既有軟體來說都沒問題，我有興趣的是想藉此案再進化我的模糊車牌辨識能力！因為之前的研究資料工程車實在很少，即使做過味丹廠區的案子，他們整個廠常常出入的工程車也不過七八輛，但地磅站這類車子可多了！所以我立即跟他要到了一百多張照片，研發挑戰較困難的辨識。

一開始我的既有軟體對這批照片(多半是他們用的舊系統辨識錯誤的資料)的辨識率是大約八成，但經過數日研究調整後，居然185張照片可以全部都對！上面幾張是連我都沒想到可以成功的艱難案例，有點嚇到自己！

神奇的辨識後面當然沒有魔法，還是一步一步的演算法做出來的，這一波研究的重點其實是二值化！如果車牌的字元與背景亮度差值小，字元或背景還髒髒的，那麼二值化的門檻高低結果出現的畫面就差很多了！如果字元無法被切割成獨立目標，後面的步驟就別玩了！如下的車牌，顯然白字磨損露出底下的綠漆了，前景背景色差好小，按照一般的二值化程序會變成破碎的目標，刻意提高二值化門檻就變得很清楚了！

但是我怎麼知道要用多高的二值化門檻呢？在作二值化時我還根本沒有車牌髒不髒的資訊啊？這時就要借用機器學習派的笨方法了！我其實是嚐試錯誤作出來的，正常門檻找不到合理車牌，就給它大幅提高一次，還是沒有？就大幅降低門檻再試一次，還不行？就把RGB顏色也考慮進去，總之就是無所不用其極地將字元與車牌背景分離出來，作到有為止！這很像用猛藥治絕症，而且不像給人治病吃錯藥會死，那就大膽實驗囉！

如果這麼好用為什麼我以前不直接用呢？因為這樣等於跑好幾次重複的程序，如果碰到品質差的照片辨識速度就會慢很多的！但地磅站車子都是慢進慢出還會停住一段時間，辨識速度不需要太快，所以就奢侈一點使用全身檢查的較冗長程序了！車牌辨識是可以因地制宜的，這個辨識程序在這邊很好用，但未必適於用到其他的情境，尤其是道路上的高速車輛辨識。

其實如果人眼看得出來是幾號，就一定有個邏輯程序在我們腦中，我要做的只是把它挖出來寫成程式而已，這就是研究「人工智慧」真正該作的核心重點工作！你想過為何我們的眼睛都看得懂上面的爛車牌嗎？因為我們腦袋裡的二值化門檻也是隨時可以調整的，一般的車牌辨識軟體如果不能，就會辨識失敗了！如果我讓程式門檻值變得可調整，還會交叉運用不同顏色來幫助辨識，我的「人工智慧」水準就更進了一步！