我每天忙著研究各種困難狀況下的車牌辨識，本公司的另一位員工我的徒弟RD也沒閒著，而且她是在做技術內容跟車牌辨識很不一樣的另一種影像辨識專案，就是工地的揚塵與路面髒汙偵測！目前主要的辨識核心演算法都設計好了！原本今天就要去跟客戶簡報的，但是因為颱風延期了！

研發過程中我的角色就像一個指導博士生的教授，我的RD當然就是一位傑出的博士生了！專案中用到的新演算法都是她的發明！她每周都會定期跟我報告討論的！如上地面上若隱若現的工程車輪胎帶出工地的含泥軌跡現在都逃不出我們的法眼了！當然實務上多髒才算污染的標準設定與我們無關！上面這種程度應該是檢出但未超標吧？

這種辨識因為目標不是整體影像中如車牌一樣相對較清晰，對比較強烈的目標，反而是對比度很低的微弱目標，所以不僅辨識邏輯會與車牌辨識差異很大，而且環境雜訊如天空飄過雲朵的陰影，或行經此地的人車，都會比要偵測的髒污更明顯！所以真正的難度是如何排除這些雜訊可能產生的假警報！

老實說，這又是一個那些膨風AI影像辨識做得不好，才讓我們有機會上場的案子！可以想像他們一定又是祭出需要大量資料進行「學習」或「訓練」的那一套話術！但是這種實驗研究資料取得不易，要事前錄製到幾百個類似事件來讓機器學習？那需要很多年的！

現實就是客戶在短時間內也只能提供最多十幾個真實汙染事件與可能產生誤報的雜訊事件案例影片，不論是用機器學習或我們使用的方法開發辨識軟體，實際可用的資料就是那麼多！所謂的「巨量資料」是根本不存在的！硬是要套用機器學習或深度學習的模式當然效果不可能好的。

我們當然不是使用機器學習那一套低效率的技術，而是像傳統科學家(或醫生)一樣，詳細研究手邊每一個案例(病例)的詳細物理過程，設計出針對性的量化演算法，呈現出辨識目標的特徵，再用這些量化指標來區分是與污染無關的雜訊或真正想辨識的路面髒污或工地揚塵！

經過幾個月的努力，預設的技術目標我們都做到了！而且依照我們設計的運作模式，CPU與記憶體的用量都極低，上面是軟體正在我們的實驗電腦上做事件偵測時的資源用量，CPU不到10%，記憶體不到0.5G，GPU用量當然是0！任何基本規格的平價電腦都一定可以順利運轉我們的軟體！絕對不需要輝達晶片或任何GPU幫忙的！客戶當初就是很頭痛之前請人以ML、DL與CNN等技術開發的軟體，需要的硬體建置及運轉成本都太高了！根本很難推廣使用。

當然計畫尚未真正結案，還需要向客戶報告做更多現場測試等等，但是已經可以預期，我們開發的這套軟體會讓這種監控軟體的效能表現提升到另一種境界！就是事件偵測會更靈敏準確穩定，誤報率會更低，還非常省電環保，只需要用很低的成本就可以建置運作！

最重要的是：這套技術與ML、DL與CNN等所謂的熱門AI技術完全無關！但以產生的效能效率而論，絕對是更符合「AI」概念的產品！絕對會讓那些機器學習製作的產品顯得相形見絀的！大家就拭目以待吧！我們公司不是只會做車牌辨識的！