圖一

車牌的夜間辨識所以困難的原因，分析起來相當微妙！如上的影像就是一個非常經典的尷尬問題！如果沒有車牌上方兩個小燈泡的額外照明，我們可能根本看不到車號，但是小燈的照明是照度很不均勻的「點光源」，跟路燈或太陽光的「普天同亮」情況很不一樣！

對於聰明的人眼與大腦來說，或許這種亮度不均勻只是小問題，但是對於影像辨識使用的數學來說就是超級大挑戰了！如下圖二的亮度(色階)分布是圖一影像中車牌區域的分析圖表，圖三則是大白天的車牌與其色階分布圖：

圖二

圖三

白天車牌的字元與背景是亮暗分明的！圖三右側的高峰就是車牌字元的白色背景，亮度一致集中就變成高峰了！左側較平坦的區域則是車牌字元代表的較低亮度區。在數學上很容易就可以區分出「哪個亮度」以上為字元背景，以下為字元！

但是相對的，在圖二之中你看得出來字元與背景的界線亮度嗎？你以為只要資料多一點，讓機器學習一下，就可以總是正確的用「某個最佳亮度門檻」切割出字元嗎？如果物理上就不存在那個單一合理的亮度邊界？它根本是個動態的變數？那麼你用再多的資料也無法得到唯一最佳解的！也就是你假設有個最佳解答的假設是錯誤的！不存在的東西你當然永遠找不到，最多只是接近而已！

在物理上，圖一中車牌的字元與背景亮度，本來就不是可以用一個簡單的門檻值一分為二的！我們必須有更聰明的，「因地制宜」的亮度區分門檻來判別哪個畫素是字元？哪個畫素是背景？人的視覺智慧已經內建在你我的腦中，所以我們可以靠著車牌上方的小燈照明就看出車牌號碼！但是要讓車牌辨識系統也如此聰明呢？花了我好多年的研究時間。

說穿了還是那句老話：我是在研究如何將人腦已存在運作數萬年的視覺智慧變成電腦程式而已！人腦雖然不是電腦，但還是一樣以明確的邏輯概念建構運轉的！只要我的逆向工程分解動作成功，我就可以做出跟人眼視覺一樣好而且穩定的軟體！這就是我的影像辨識理念！

圖四

如上圖四就是我的研發成果，即使亮度相當不均勻的車牌，我的程式也可以如人的視覺一樣，正確的「理解」哪些部分是字元？那些部分是背景？這就是我的影像辨識「AI」科技了！提醒大家的是：這絕對不是可以從原圖做好CNN特徵擷取就可以達到的結果！

我必須充分掌握與理解真實發生的物理現象，在全圖或局部區域因應物理事實，作出合理有效的「影像處理」！再依據處理過的影像擷取出我需要的，正確的車牌字元資訊！當我研究清楚之後，其實因為是對症下藥，我的方法運算量是遠遠少於盲目抓瞎的ML、DL與CNN等技術的！

所以如上看起來好困難的模糊影像辨識，在百萬畫素的影像中辨識出正確的車牌也只需要大約0.2秒！我已經一再證明：如果你是踏實地遵循「模仿人眼視覺智慧」的理念去做影像辨識的人，你一定可以跟我一樣輕易超越CNN等所謂AI技術的！應該說：我的做法更接近AI影像辨識的目標與精髓！

CNN宣稱是模仿人的「思考」方式？或許也沒錯，但還是在極低的神經反射的層次！離「思考」這個概念的層次還相當的遙遠！我不會笨笨的受限於他們的原始思維的！因為傳統的影像辨識技術概念中早就有很多超越CNN一個世代以上的資源可以盡情揮灑使用了！人類的智慧加上科學知識理念的進步，CNN等技術都還完全沒考慮進去，所以用那些「新」技術做研發是一定跟不上我這種人的！

包括這個實例在內，我們可以看到ML、DL與CNN等等技術最大的盲點就是「Data Driven」！所謂「成也蕭何，敗也蕭何！」就是這個意思，資料的機率統計分析確實可以幫我們「抓到頭緒」，但是要準確的解決問題呢？尤其是像影像辨識這種包含複雜物理現象的問題，不充分理解掌握物理事實原理，效果是極差的，效率也是極低的！

舉個例子來比喻，各個古文明都有其傳統醫學，例如中醫！他們就是非常類似機器學習的概念，從大量的病例與經驗，也就是：Big Data中慢慢形成的知識體系，當然有其價值！但是面對只有幾百年歷史的現代科學時，我們很快就信任西醫多於傳統中醫了！西醫的進步發展腳步也遠遠快於傳統醫學百倍！

為什麼？就是因為西醫可以說明：為什麼？明確知道病因事實，才能迅速的對症下藥嘛！光憑經驗累積呢？那就是緩步前進的千年傳統醫學了！或許如中醫的體系可以利用ML更快累積統計經驗值，但是如何「主動」開發出新的有效疫苗？可以只靠經驗嗎？可以從資料中「學習」產生製作疫苗需要的「智慧」嗎？

很諷刺的是：現在這種根據「經驗」找解方的ML、DL與CNN等技術居然會被視為AI科技的主流與主體？他們與傳統經驗知識體系的唯一差別，只是他們可以利用電腦更大量快速的整理「經驗」而已！我相信很快的大家就會看到這個關鍵，科技與AI要繼續穩定快速前進，是絕對不能只靠ML、DL與CNN的！智慧一定還是要經由「科學」的踏實研究才會盡快實現為AI的！