如上圖，漆在車身上的電話號碼是一個超級容易被誤認為車牌的目標！事實上它常常比真正的車牌更清楚乾淨而且顯眼，尤其像上面這種直接漆成白底黑字，我想用顏色去區別都好難！尤其是車牌總是髒髒的藏在車斗底下的大貨車！

怎麼辦？其實跟人眼看的邏輯一樣，見到「可疑」的號碼就提高警覺，譬如凡是以02到09開頭的號碼都很可疑！先扣點分數，不要太快定案，看看還有沒有其他更像是車牌的目標，所以雖說是單車牌辨識，如果你找到一個合格的目標就匆促結案？那你的誤認比率就會很高了！

所以即使是「單車牌」的辨識核心，我的作法其實內部也是會做多車牌辨識的！試著找出至少幾個合格的答案(如果有的話)，然後挑一個最合理的答案！技術關鍵微妙之處是：這個「考試」的分數不完全是來自影像辨識的參數！如上圖要比目標清楚或字體端正，電話號碼都勝過車牌，難道你要報一個「03-4200」的車號給客戶嗎？會被罵死！

事實是「KEA-8218」原來可能是85分，電話號碼原始分數是90分，但是考慮到其他因素，譬如「03-」開頭不像車牌，比較像電話，就扣分了！加上它的可疑字數似乎比車牌還多，又繼續扣分！就像大學招生制度吧！不會只看原始學測分數的！參考的項目越多越合理，判斷結果也就越不會錯！所以你買我的產品使用時，答案一定是「KEA-8218」！

這就是車牌辨識的AI判斷精神與實務了！不是每一件事都需要找很多資料讓機器去學習的！太沒效率了！直接跟它講，就是寫個條件加權或排除程式就好了！等你收集個幾千張影像資料，讓電腦「慢慢」學會如何區別電話號碼與車牌時，我的產品已經先賣很久了！在市場上我比較容易贏哦！如果我的程式犯錯了，根據實際發生的錯誤調整程式即可，這種過程也是「學習」，而且比機器學習會更有效率！