一般來說，道路情境的動態車牌辨識本來就比停車場等地方的慢進慢出，甚至停等照相辨識的狀況要困難很多。多數公共工程中，道路情境的車牌辨識率驗收標準都是90%，而且不成文的潛規則是只計算汽車車牌辨識的結果！如果加上機車的辨識，一般廠商絕對達不到90%的驗收標準！車牌辨識廠商們都知道這個狀況，但是一般民眾應該都不知道！

機車車牌辨識的難度在於車牌本來就比較小，車牌也比較容易磨損髒污，還會有很多驗車與修車後被貼上的貼紙變成辨識時的雜訊。更潛在的技術難度是機車可以「壓車」，動態影像中的車牌不保證是像汽車一樣保持水平的！而且，動態辨識時，車輛是以數十公里的時速通過畫面，如果一秒鐘辨識次數不足十次以上，車子就不保證都能被辨識到，也是自動GG了！

所以專門針對機車的動態辨識場域，成功案例可以說是鳳毛麟角，這種需求很少嗎？其實很多的！譬如台灣上百間大專院校每天都會有數千輛機車進出需要管理，也多半不會有柵欄逼使機車一一停車受檢，要掌握機車進出資訊就需要很厲害的動態機車辨識系統。全台灣有幾間大學作到了呢？大家都想作，但是辨識率達不到九成就不如放棄了！

我目前的實績有兩間！一是僑光科大，可惜的是他們受限於預算及學校與特定廠商的合約限制，攝影品質無法提升，雖然使用我的軟體也只能「逼近」九成辨識率。最近的案例是朝陽科大，他們或許比較天真，一開始就祭出要達到95%的辨識率來找廠商建置系統！他們應該不知道，政府單位即使經費充裕都找不到這種辨識率的！

但是學校與承包廠商算是運氣好，委託的小包商工程師是我的讀者，找到了我的辨識軟體，最後配合承包商的配合努力，真的達到了動態機車辨識率95%以上的超高標準！目前辨識系統穩定的測試運作中，整個管理系統應該下學期開始就會正式上線！看看下面的影片就知道，對我來說校園機車辨識當然是沒問題的！山路上的機車辨識率都可以逼近九成。

在此我想強調的不是結果，而是過程與技術內容！我是不是很厲害？那是留給大家客觀評分的！我怎麼作到的？才是我要說清楚的！原因就是我的車牌辨識技術真的不只是為了「標準」的車牌影像設計的！傾斜、髒污與貼紙雜訊真的都是我的車牌辨識核心中有認真處理的問題，還加上多執行緒與動態資料統計等等程序，讓辨識結果顯得快速而且穩定！

所以要用一般停車場用的車牌辨識軟體與我比較，那就太低估我了！兩者是完全不同技術等級的軟體。我想說的是：成功一定不是偶然的！光標榜辨識率其實沒有意義，談談你的辨識情境，談談你怎麼克服困難的技術內容才是負責任的廠商。如果你說你是用人工智慧深度學習建置辨識軟體的，也可以！但是我可以告訴大家，那種盲人騎瞎馬的軟體絕對會慘敗給我的！不然你可以找這種廠商跟我PK看看！原因太多了，請參考我有關機器學習評論的文章，本文就不詳述了。