最近在研究一些路邊開單員拍的汽機車照片的車牌辨識，這種照片原來只是作為事後有必要時的證據使用，不像停車場必須立即辨識正確，以便讓車輛出場或進場，所以只要「人眼」可辨識即算達標！人的眼睛加上腦袋有多聰明啊？所以開單員趕時間隨手亂拍都沒關係的！這些照片即使讓世界頂尖的車牌辨識軟體來個華山論劍，武林盟主大概都很難超過九成！

現在有家原本使用世界頂尖車牌辨識軟體的國內停車場業廠商，覺得我的東西不錯，又是台灣本土品牌，想考考我。即使他們目前只買了一套我的產品測試之中，但是情況有點像NBA簽了一個只有十天短約的球員，賺錢多少不重要！證明我的實力可以和世界頂尖好手比肩競爭比較重要，所以我是卯足全力在拚的！就是想證明我的辨識核心可以比國外的更厲害！即使他們說，只要品質接近就會採用了！但是我好想贏XXX啊！不是韓國，而是和台灣差不多大的匈牙利！

在台灣這種車牌辨識情況更為嚴峻！因為台灣機車超多的，機車不僅車牌種類多，還加上車牌磨損、凹折、傾斜、很多貼紙雜物等狀況特別多！目前一般汽車停車場車牌辨識的驗收標準已經提升到大約98%了！但是我知道很多標案要辨識機車為主，業主提出辨識率95%的標準就讓國內車牌辨識大廠立即放棄了！我倒是硬起頭皮做過一個朝陽科大要求機車辨識率95%的案子，也達標了！

簡單說，路邊開單員拍的汽機車車牌照片，雖然是近距離「高解析」度的照片，但是正確辨識的難度卻是博士班研究的等級！讓我們這些RD超尷尬，卻難以迴避的是：這些困難的辨識問題中，原始資料提供的影像資訊是夠的！不像以往老舊監視器影像中的車牌，因為解析度太低，一個字元只有幾個畫素，無法辨識當然是非戰之罪，現在像這樣的車牌，一般視力正常的人都可以辨識，我們的軟體如果辨識不出來就糗大了！甚麼狗屁AI啊？比我還笨？這就是目前「人的智慧」與「人工智慧」的真實差距。

這種辨識案例拿給對影像辨識毫無概念的人看，可能根本無感！用力一點看就看清楚了嘛！但是這「用力」的過程如何變成可以程式化作成應用軟體的演算法？就會讓我們這種人焚膏繼晷，夙夜匪懈了！因為實在太困難，才有人會想偷懶，用所謂的機器學習，讓電腦自己去猜出正確答案嘛！

我當然不是想偷懶的機器學習派，那我怎麼做呢？就是真的用盡所有已知的演算法去嘗試解題。譬如改變二值化的門檻，讓字元盡量切割正確，正片負片都辨識，綠光辨識不好就加上紅光藍光，如果字元破碎沾連就用合理的字元大小去合併目標或切除腫瘤，甚至切割連體嬰！總之，就是不放棄當醫生的責任，努力診斷每個病人的病情，找到可以醫好他們的特定藥物或手術療法。

我的代價是辨識時間會變得較長一點，程式複雜了，卻不能因此變成雜亂的違章建築，必須很順暢且最有效率的運作！因為實際要做的檢驗與處理變多了嘛！怎麼辦呢？就是努力讓沒問題的案例提早結案，如果標準程序可以快速通關的就讓他走快速通道，可能有問題的才作詳細檢查，車牌辨識軟體的壓力不是只有辨識正確率，辨識時間長短也是客戶會挑剔的因素，真的做起來沒這麼容易的！

我其實沒想太多寫部落格會洩漏我的技術或商業機密的問題，因為我根本沒時間寫出這些工作內容，詳細到別人可以按此模仿我，且完全跟上我的進度！研發人工智慧要作的實際工作實在太多了，我只想告訴其他有意從事這個領域研發的人，我是這樣使用「傳統」技術踏實在做的，也確實可以有足夠的成就能在業界站穩腳步，我認為不知所云的機器學習嘗試是鐵定會浪費時間一事無成的！

不相信我嗎？我至少可以用我的方式做到下面這些困難的辨識，我很「機車」嗎？或許是吧？