現在的CNN類神經網路學派已經將OCR技術視若敝屣了！所謂的OCR就是經過傳統的二值化與輪廓化處理，將影像中可能的目標獨立切割出來！如上圖就是一個尷尬但常見的例子，理應獨立被切割的字元目標，706都沒問題，但是1就有點麻煩？轉盤上方的亮白線與字元沾連了，拿這個形狀去比對可能的數字當然比較像是7或T，絕對不是1了！

這還是比較好的狀況，如果這個區塊與背景中更大範圍的白色區域連通了！那就連這個還算獨立的目標都抓不到了！在真實影像中這是很難處理卻又屢見不顯的問題。所以傳統的影像辨識專家就面臨了一個重要的抉擇：是要堅持OCR切割出合理目標字元的策略？還是乾脆放棄！不找封閉曲線的目標了，直接用更低階的特徵，以機率統計的方式來「猜測」目標位置了！

我就是堅持繼續OCR的學派，其實已經變成瀕臨絕種的生物了！CNN的特徵搜尋統計方式已經變成檯面上影像辨識的主流技術。但是我這些年一直有具體的進展，不斷的研發出可以補救OCR這個缺點的演算法！譬如上例，我只要略為「喬」一下，就可以發現忽略上面一點資訊後1字的符合度遠高於奇怪的7字？既然知道目標一定是數字當然就會判定是1了！

事實上，我知道在實用的影像辨識開發領域我並不孤單！真正在市場上賣的影像辨識軟體都還是我的同儕夥伴，CNN才是未經充分市場考驗肯定的不穩定科技！這個你們知道嗎？所以想學影像辨識的人別衝過頭了！在影像辨識領域，OCR絕對還是主要的支柱，要靠CNN當家？穩定性與辨識準確率都是遠遠不如OCR的！

最可怕的其實是運算量！CNN的運算需求量實在高出OCR太多倍了！在成本上就是絕對不合理的研究方向！現在很多人討論GPU或邊緣運算的使用，不要以為那是較先進的科技！其實是因為CNN與機器學習的這些演算法需要太多浮濫的計算，他們不思從運算原理端解決，卻要環境付出代價？太不環保了！

所謂的目標切不開，事出必有因，如上圖的案例，我們知道轉盤式的儀器就是會有過渡期的狀況，那就嘗試做一點合理的目標切割縮放甚至填補可能缺損的筆劃即可！一下子就算出最佳結果了！不必用GPU的！其實你也不知道該怎麼分散CNN運算的？但是我的邏輯卻是誰都可以聽懂的！即使沒學過影像辨識的人！

CNN就是所謂的類神經網路，他們強調是模仿人類或生物的神經元反射，好像暗示他們比較接近人類的思考方式？其實那只是膝蓋反射，距離「智慧」與「思考」方式與過程是很遙遠的！反而是OCR的技術概念比較接近人類辨識目標的「認知」過程，數十年來也早就有很好的成果！根本沒有CNN時，OCR的影像辨識率就很好了！至今CNN都還沒證明他們可以把車牌辨識得更精準！

所以你們認為影像辨識的合理未來是我走的路？堅持OCR的持續演進？還是玩CNN呢？我選了我的路，目前也過得很好！還越來越好！如果你玩CNN開始感到很困惑無力時，可以回頭看看我是怎麼作的！這個天然氣表的辨識核心我只做了一周就95%了！用OCR是鐵定有解的！還很經濟快速！用CNN與ML呢？我就不知道了！你知道嗎？如果知道，歡迎你來此宣揚理念打廣告！但是不要騙人就好！