在馬路上碰到這種車牌磨損嚴重的車牌，正是考驗車牌辨識系統能力的時候！如果這是某個公共工程驗收的時候，驗收單位通常會接受受測單位的解釋，忽略這一筆資料！但是對我來說，這種有缺陷的資料這才是研究的重點！實務上當然車牌辨識結果不能漏車，即使用點猜測的演算法，猜錯都還可以用人工事後檢視校正，如果直接忽略掉就連「錯誤的紀錄」都沒有了！

所以有用的道路車牌辨識軟體，應該要盡量不錯過每一個真實存在的車牌！但是如果擷取為車牌目標的門檻太寬鬆，很多雜七雜八類似文數字的目標群組，如中文字或電話號碼等等，都強制辨識成車牌，看起來也是很蠢的！

一旦我們開始把辨識環境設定為如上的真實馬路場景，需要的AI智慧程度就非常高了！我天天都在跑這個程式，每一兩百張仍然會有讓我意外的狀況需要處理！譬如我誤認了一組大貨車車頭上的廠牌字元如「SCANIA」，或是路邊商店的招牌文字是一個車牌時，我就必須分析思考，他們為何「不是」車牌，以後遇到類似狀況都要稍微讓程式檢測「思考」一下這些「不是」車牌的特徵，據此加以排除！

所以我的軟體不合理的誤認已經越來越少了！同時間，如上很模糊的車牌又很少會漏掉，這就是我認為的影像辨識軟體的「AI」特質了！如果要靠大量資料「學習」出這些微妙的原理原則，我不知道可不可能做到？機器學習派的信徒們是信誓旦旦說可以的！但我不太相信，即使可以，所需的資料與運算成本也太高了！我的小公司是沒這麼多錢可以燒的！還是見招拆招分析個案建立合理的診斷邏輯比較實在。

可以想像如果有這種公共工程驗收的場合，廠商與官員一定會為了很多模糊案例「能否辨識」爭得面紅耳赤！有點像學生考試時會抗議考題是不是超出範圍之類的！如果題目不合理就應該送分！但是老師當然會嚴格把關，如果稍難的題目都送分，只有最簡單的題目才算分，那大家都一百分了嘛！

所以道路車牌辨識是真正影像辨識AI的終極挑戰！我致力於此快十年了！每天還是有好多工作可以做！當然我的軟體也越來越聰明，還越來越快！我真的不知道如何用機器學習的方式做出我目前軟體的智慧程度？還好我不需要它們(ML、DL與CNN)，只要善用活用OCR，我的影像辨識就做得很好很AI了！