上面這一張不是我可以辨識的困難案例，而是我窮盡洪荒之力都還是無法辨識的失敗案例，而且讓我耗費了1.344秒的時間仍一無所獲！同時間，這種尺度(1280X720畫素)的影像，我的平均辨識時間是0.1幾秒。換言之，就是我耗費了大約八倍的時間卻沒有任何回報！

為何如此？每一張影像的辨識時間不是應該差不多的嗎？事實上是我的辨識核心會「盡力」嘗試辨識成功的！如果預設程序無法立即得到合理的答案，就會像機器學習或深度學習的概念，自行修改參數與程序嘗試再作一次辨識！差別是我如何調整參數的邏輯會盡量參考已知的資訊作決策，而不只是系統化的搜尋或盲目的亂猜，如果那樣辨識時間就會更久！

也因此，我可以辨識出很多困難的案例，如果不是資優生就放棄，整體的成功率當然不高了！就像後段班或偏鄉學生就不管他們，社會上可用的人才就會少很多了！即使如此，還是會有真的無法受教的極少數學生，這時就要看看我們的教學資源有多少？可以作補救教學到甚麼地步了！

畢竟真實狀況下，就是有無法辨識的困難案例，甚至可能該影像中根本就沒有車牌，我的辨識軟體當然不會事先就知道的！或者說，我應該在辨識過程中盡早想出更多合理的邏輯，更早就判斷出是不是真的有車牌？如果真的不可能辨識成功，我應該盡量早點作出放棄辨識的判斷！不然軟體使用者的感覺就是辨識程式卡住了！

說詳細一點，任何一張影像中我都會篩選出上百個可能是字元的目標，先從對比最強的目標嘗試組合出車牌，通常車牌就是最明顯的目標，一次就找到正確目標，辨識時間就是100多毫秒，甚至我可能在一張影像中找到多組合理的答案，就是多車牌辨識了！

如果找了五六組都失敗，也有可能只是二值化不洽當，讓目標字元破碎或過度沾連，我還會回頭修改二值化門檻，也會嘗試變成負片作辨識，讓白字的車牌也能被辨識出來！總之我的補救措施是很完備的，但是堅持急救到底的代價就是醫療資源過度消耗了！就像現在的防疫，不能讓輕症病患也都住進加護病房一樣！有限的辨識時間必須盡量用在可以辨識的案例，為了幾乎救不活的案例要花多少資源呢？就必須斟酌了！

所以我的辨識軟體雖然辨識核心是同一個程式，但是因應不同的狀況會有很多的參數變化，如果是動態辨識軟體，速度必須很快，絕對不能因為想搶救困難案例而卡住！但是因為影像是源源不絕的，即使放棄了一張還會馬上有角度距離略微不同的下一張，如果是可辨識的邊緣車牌，這張不行，下一張或許就可以了！拋棄影像不辨識不像搶救人命，沒關係的！

反之，如果是靜態辨識，同一車牌只有一張影像可以作辨識，當然就要盡力搶救了！但是要堅持到甚麼程度呢？就看時間有多少了！不可能的案例當然還是必須適可而止，不能永無止盡。今天我設定的工作目標就是來研究這些超時太久的案例，重點不是如何救活(辨識成功)？而是何時應該放棄！如果總是堅持一個都不能少，我的軟體就會很卡了！

能捨才有得，我今天的修練功課就是要「捨得」！