上面是我整理舊程式時翻出來的早期(2014年)車牌辨識的實驗程式，其實還有更原始的程式，要是拿目前玩的影像測試，辨識成功率大概一成都不到！即使是上面這張以目前來看簡單到不行的車牌影像，辨識還是錯誤的！笨拙的程度會讓我佩服自己當初愚公移山的勇氣與毅力！

現在大家一提到影像辨識就會想像著好多神奇的演算法，CNN、ML或DL等等，以為必須使用那些神奇到一般人都無法理解的演算法才夠酷？才可能達到辨識成功的神奇目標？但是我認為「登高必自卑，行遠必自邇」，再複雜的機器也一定是由簡單的物理概念與零件慢慢組織起來的！那些機器的價值不在於他們最終的複雜深奧狀態，而是他們能精確適用於你的需求！

影像辨識不像下圍棋，既有的複雜演算法很難直接有效的套用到特定目的的影像辨識，但是正因為影像辨識的複雜性，現在已經極少有人願意像我一樣從基礎的問題做起，逐步精確地解決辨識流程中遇到的問題。但是我也看到越來越多的研發者，都是一開始就想導入複雜現成的AI演算法，但是始終無法精確解決問題達到高辨識率，所以也被迫返回地面，像我一樣地從原理與現象去研究影像辨識。

早知如此何必當初？演算法好不好？要看適不適合你的問題？所以盡信書不如無書，面對影像辨識的工作，你首先要做的不是選購演算法！而是研究你面對的問題！還不知道自己生了甚麼病，就開始看廣告選擇最好的藥？藥不對症就會藥到命除！還好演算錯誤不會出人命，所以就有一大堆「AI」專家整天只是不斷的研發與試用新藥！就是不肯專注研究問題本身？非常沒有效率。

表面上看起來我是愚公移山，走一條笨笨的路，一鏟一鏟的移除路障，但事實上每天都有穩定的進展，幾年之後我的高效率車牌辨識核心就研究出來了！過程中沒有太神奇的新數學被引用或被發明，也不是某天就有了神奇的創意大突破？只是每天都看到新的問題一一設法解決，方法複雜了就加以整合整理，有如一個國家的法律越修越周延，越修越順暢好執行！

我認為AI就應該是這個樣子玩的！研究問題是前提，找到適合的方法是後續，千萬不要被誤導演算法是走在前面的！譬如在亞熱帶的台灣，昂貴的貂皮大衣或高級的保暖羽絨衣其實是沒用的！還是會花大錢去買這類衣物的不是有錢人，而是笨蛋！

我好像常常批評CNN、ML與DL，但其實我不是說他們「不好」？而是我想用力的提醒大家：你研究清楚你面對的問題了嗎？你確定你的問題可以，或應該用這些數學方法嗎？事實上絕大多數的影像辨識問題並不適合使用這套方法，盲目亂踹高級(但不合用)的演算法，只會浪費時間一無所成，那就不如一開始就踏實地用簡單的方法逐步解決問題，好像慢一點其實最快可以達到目標。