最近又花了很多時間修改我的辨識核心，這個多達五六千行，不斷開發研究改建已經五六年的大建築，還有需要大翻修嗎？是的！人工智慧僅僅在起步階段，想寫出一個辨識能力跟人的視覺判斷能力相近的軟體，再給我五年還是有很多事情可以作的！我的每一個影像辨識軟體都是針對辨識對象設計的精密建築，每一行程式都是有目的的，我也都能準確掌握，跟機器學習派用資料「訓練」出來的黑盒子是完全不同的！

我手上有非常多路邊手拍的影像，從很好辨識到根本連人眼都看不清楚的照片多到上萬張！正是我作研究最好的素材，這一波我主要修改的是字元辨識的部分。字元辨識最簡單的概念是拿標準字模比對，清晰端正的字當然沒問題，但是還想要辨識較小較模糊扭曲狀態的字元，就一定要配合一些特徵辨識，譬如C的右邊有個洞，O就沒有之類的！

之前的程式這兩種辨識邏輯是分開寫的，為了節省時間，兩者執行的次序甚至是互相交錯的！譬如發現右邊有破洞時就不可能是O或D，連字模都不比對了！比對完字模後還要作一些特徵加權，譬如字元的左上角與左下角是圓弧狀時，就比較像8而不像B，要加減分。這些「補品或藥品」真的讓我的辨識核心在模糊邊緣的辨識能力變好很多！但基本上是頭痛醫頭腳痛醫腳的違章建築，久而久之就變得架構複雜，挺亂的！

前些時候我的RD發明了一種可以結合特徵與字模比對的單一辨識流程，在她製作的日文車牌辨識上很成功！我忍不住也想將新的方法導入我的台灣車牌辨識核心，但是因為整個邏輯差異很大，我的三分之一程式必須打掉重做！好消息是整理完後程式整整精簡了一千行之多！辨識速度也快了不少。

當然因為更改辨識核心茲事體大，舊的核心其實沒有壞，新的核心也還沒受到充分考驗，像是NBA的狀元菜鳥，教練通常不敢讓他們先發上陣的！所以我還不敢直接更新到我的產品之中，必須確定這個新的流程在辨識之前所有困難車牌的表現上，絕對不能比舊版的差！怎麼做呢？就是一張一張分析，如果新版有任何案例表現輸給舊版就要仔細研究，加以微調！這個工程已經足足做了十幾天！防疫期間我沒有比較閒的！

改建工程現在做得差不多了，也順便調整了一些幾何校正的程式，下面幾張圖是近距離高度變形的極端案例，以前這些狀況應該是抝不回來的！大家也可以看到勉強抝回來的車牌字元影像也不是非常端正的！但是新的程序讓字元辨識能力也變好了，所以成功率是比以前還高的！

大家可以想一想，如果是用機器學習學會辨識這種極端案例，電腦可以用的演算法會是甚麼？當然大家都想偷懶，希望黑盒子自動就可以這麼聰明，但是可能嗎？機器人當然可以做很多簡單，或邏輯清楚的事情，像是下棋等等。但是影像中的車牌會在甚麼樣的環境背景上？那是完全沒有限制的！拍攝的角度可能性也是無限的，如果你相信深度學習有這麼聰明，就自己試試看吧！

還有一件事必須強調！上面這些困難辨識使用的時間都很少，並不是用甚麼嘗試錯誤的暴力運算，真的是一步一步針對實際狀況精準解題的結果，所以沒有浪費任何運算時間。就看這一張好了！20萬畫素的歪斜變形車牌，正確辨識成功只需要50毫秒！就是0.05秒！你可以試試看「訓練」電腦去「學習」，看能不能做到這麼快吧！即使電腦學會了，你還是沒學會的！但是我就知道每一步是怎麼做到的學問。