現在螺絲釘的辨識核心主要演算法大致底定，多半已經在處理細節的調整，包括很多門檻的合理性調整，與各種子流程的優先次序與互斥的片段等等，其實還是天天花很多時間研究。上面這一張就是一個讓人扼腕揪心的錯誤案例！甚麼都對了！卻把C字辨識成G字，規格型號中還真的F593C與F593G兩種都有！

放大來看就知道為何產生這個錯誤了！好死不死，C字應該缺口的地方硬是出現了要黑不黑的雜訊？如果它更黑一點，眼睛都會看錯，我可能就算了！但是「視覺上」字的部分還是比雜訊黑的！所以「理論上」影像處理應該可以解決！就是更正確的把他們切割出來！

上圖右方的二值化切割是以全圖為基礎做的，大致上可以幫我們鎖定可能的目標了！如果我已經知道有個字在那裡，我可不可以縮小演算邏輯的範圍？更精準地找到多深的顏色是字？多深的顏色是背景？以及多深的顏色是缺口內的雜訊？下面這張用PhotoShop做的色階分布圖就可以說得很清楚了！綠線指示出背景色的峰值，紅線是字的筆劃峰值，黃線就是我希望鎖定排除的雜訊了！知道它的顏色概略範圍當然就可以清除它了！

如果我能掌握精確的數學在已經切下的目標區內做上面的分析，更局部區域精準的排除那個缺口內的雜訊，而不會損失真正的目標，我就成功了！下面就是有沒有做目標內的再度二值化的差異，當然已經經過旋轉縮放到標準字模的大小了。

左邊未處理的狀態別說是看成G了？看成0或O都很可能，只是被我的已知字串資料庫排除了是0或O的可能性，剩下可能的字元中，它比較像G而不像C，所以答案就判斷錯了！但是經過縮小區域更精準的第二次二值化之後，缺口的障礙物清掉了，當然就沒問題確定是C了！如下圖，不但辨識正確了，那個字串的得分(符合度)也從78變成81了！表示辨識的可靠度確實提高了！事實上這個處理程序加入之後，即使答案一樣的分數都提高一兩分了！

所以要「看清楚」字元，不是只能做一次二值化！第一次的全圖二值化目的是幫你找到目標的概略位置，鎖定單一目標之後你可以嘗試「把它看得更清楚」，數學上就是在更小區域，更針對性的二值化處理了！影像辨識就是那麼有學問，那麼好玩！最重要的是：我們用眼睛看東西的過程也是這樣的！我的AI哲學就是模仿人眼的認知過程，在此再一次得到印證！