剛剛在研究這張磨損車牌的辨識，這也是人眼一定不會看錯，但是用OCR的SOP辨識卻一定會錯的案例！我的車牌辨識所以讓人覺得很聰明(很AI？)，主要原因就是我會不斷研究這種人比電腦聰明的特殊案例！跟大多數主流派思維很不一樣的是：

我不會花太多時間去思考嘗試演算法的整體調控，譬如讓二值化門檻更高一點，或許那個模糊破碎的「1」字就會變完整了！那樣做通常只會增加更多需要處理的問題，譬如讓本來分離可辨識的字元沾連在一起了！如果是每個字元都一起偏亮或偏暗，甚至有相似程度的磨損，這種整體思維或許還有用，但如果是只有其中一兩字異常呢？那就別試了，永遠不會有完美平衡點的！

就像你是個營養師，想設計一套餐點，同時適合各種體質、年齡、甚至有不同疾病的人，那是不切實際的！你會浪費很多時間還是無法面面俱到，得到完美的菜單。但是做車牌辨識少一個字就是錯的！也就是即使某字狀況特殊，還是一個都不能少！七字全對是100分，少一字不是80分，而是0分！

那應該怎麼作呢？合理方式就是先用SOP盡量辨識出可以辨識到的字，然後檢視這個答案的合理性，如上的案例，那個1字斷成了三節，當然第一時間任何軟體都不會認定它是個1字！如果不是剛好它夾在其他車牌字的中間，可能連人眼也不會說它是個1字！

這就是我會覺得有趣的部分了！所有「人」都會自動承認那是個1字，即使它很模糊甚至破碎，為什麼？因為它的周邊已經是一個幾乎完美的車牌了，依照正常車牌字元的相對位置，那裡一定會有個字，如果空白就一定不能構成合理的車牌了！，就像考試時，選擇題的答案欄如果空著交卷，是鐵定不可能得到分數的！

相對的，隨便猜一個答案都有機會猜對，如果可以排除幾個絕對不可能的答案，你答對的機率又大幅提高了！這就是人的思考方式，我需要做的就是如何將這個思考過程程式化。所以如何做出機率較高的「猜測」，也是提高辨識率的重要技巧！事實上機器學習以機率統計為基礎，就是猜測的演算法了！但是當然不要一開始就用猜的，能精準答對的題目當然要認真解題，不要亂猜嘛！所以我的影像辨識絕對不會以ML為主體，他們是中繼或後援投手，絕對不宜做先發。

具體來說，我這張車牌首輪辨識結果確實只有「AQB550」六個字，雖然六個字的車牌也是有的，但是檢視他們之間的字距，就會發現兩個5字相距太遠了！如果那是台灣車牌都有的格線位置呢？那車牌就會被解讀成「AQB5-50」了！但是4-2格式的六碼車牌前面四個字應該都是純數字啊？所以很明顯的這是一個必定錯誤的答案！

我之前的辨識版本就是經過這個流程，最終得到AQB5-50，知道不可能答對，就乾脆說找不到車牌了！反正報告出來也不可能對嘛！至少在台灣是這樣的！那有沒有辦法讓它敗部復活呢？畢竟離正確答案已經這麼接近了，誰都會覺得很可惜的！

我的辦法就像是補考了！因為我已經計算了字距，知道哪兩個字之間非常可能有個字，補上0-9的任何一個數字，它就是格式合理的車牌了！那就在這個位置抓瞎了！拿0-9的字模比對，即使符合度超低，也讓分數最高的出線吧！就像數學考試全班都不及格，但是學校的數學競賽一定要派個「數學最好」的人參賽，那就無魚蝦也好，不及格的第一名也趕鴨子上架吧！

當然這種已經縮小範圍的無門檻猜測其實答對的機率還是非常高的！所以我就矇對了！那個1字的字元比對符合度當然是不及格的，否則第一輪SOP就辨識到了！如果我把全圖辨識的標準也降那麼低，那局面可就太混亂了！資料處理量就會多好多倍，可能的字元太多了嘛！

所以總是執著於研究出完美的全圖辨識主流程是很愚蠢的！不僅研發時間會很長很長，即使做出來辨識率也不會很好，只是讓所有參數妥協，找到辨識率最高的單一流程，雖然美稱為「最佳化」其實還可以「更佳化」！如果你覺得人比電腦聰明，人就是這樣思考解決問題的，你要不要模仿呢？還是堅持找到完美的CNN+ML+DL一次性解決方案呢？