圖一

圖二

圖三

圖四

這張相當複雜背景的全景車牌辨識只需要45毫秒！文末會附上原圖影像讓有興趣挑戰的讀者與競爭廠商做測試！現在的AI影像辨識專家共同的特色就是「含糊其辭，語焉不詳」！永遠說一些不著邊際讓人無法真的理解，也無法驗證的話術，目的就是讓使用者在不明就裡的情況下就花大錢買昂貴但是成效未知的AI產品！

我真的非常想翻轉這個AI讓人迷惑容易上當受騙的情況！我認為科學就是科學，一定可以說清楚講明白！如果CNN與DL真的那麼好，那就用大家可以驗證與理解的方式寫文章或論文說明原因，而且要跟其他非深度學習的傳統技術確實比較！也提供容易測試驗證的方式！

我一再宣稱我的OCR速度完全輾壓CNN與DL，我可以更進一步說明關鍵原因就是OCR取得車牌辨識所需的摘要資訊的效率遠勝於CNN或YOLO！以上例來說我的辨識過程資訊寫得很清楚！從圖一到圖二歷經的過程是：全彩→灰階→二值化→輪廓化，92萬畫素影像需要的處理時間只需17毫秒！

從圖二的輪廓資訊經過整理取得圖三的車牌字元資訊，過程是追蹤封閉曲線，再從形狀、大小、對比度與排列方式等資訊找到可能是車牌的目標群組！這段處理時間也是17毫秒！接下來就是鎖定車牌的區域做幾何校正，再一一與標準字模比對，幾個過程圖如圖四！只需要6毫秒！字元都找到之後就是格式的確認與多候選答案的排序篩選，需要5毫秒！

很明顯的！CNN與OCR最大的差異就是取得基本摘要資訊的過程！OCR完全不必使用任何矩陣計算！所以速度飛快！但是CNN的原罪就是必須使用計算非常耗時龐大的矩陣運算！AI專家們認為這是不得已的必要過程？但事實上不是的！OCR就可以不用矩陣就取得更好用也更準確的摘要資訊，就是圖二所示的輪廓線！

圖五

簡單說，一使用矩陣作為取得全圖摘要資訊的工具，需要的計算量就是傳統OCR技術的數百倍！我說的是數百倍！不是數倍或數十倍！這就是CNN的原罪！依附在這個CNN架構上的深度學習當然也必須概括承受這個沉重的負擔！而且因為CNN是用矩陣計算評估特徵的位置的，其實目標位置的資訊是會被模糊化的！這就更增加了深度學習系統後處理時的難度與複雜度！計算量就更大了！

如果複雜龐大的計算有合理的代價，就是辨識結果真的比傳統的OCR更準確，辨識率更高，那還說得過去！但事實上我的研究已經充分證明，我用OCR的架構一樣可以做到CNN號稱的模糊辨識能力！還不必付出數百倍計算量的沉重代價！上述言論如果我說錯了任何一點！懇請支持CNN與DL的專家們來大聲用力無情地駁斥我！