這是一個非常有趣的特殊案例，在地磅站的車牌辨識中，當然以大型工程車的綠底白字或白底綠字為主，其中以白底綠字最難辨識。上例是剛好碰到攝影機本身有問題產生了紋路狀的雜訊，視角也較偏斜，種種不利因素加起來結果就是如上圖中那樣，即使用我的軟體，二值化之後字元還是很破碎，最終辨識錯誤。

重點是：為何同樣的辨識程式，碰到綠白車牌就是比一般的黑白車牌辨識率差呢？一般車牌辨識業者不太會注意到這個問題，在大部分的應用場域工程車都不是主角，但他們一樣會發現：紅白色的計程車與遊覽車車牌辨識率明顯較黑白車牌差！為何如此？我可以一倂用物理光學的原理跟大家解釋。

數位影像是將自然光線解析成RGB(紅綠藍)三原色儲存的，三種色光各自有0-255的亮度值，我們要辨識車牌字元時，最好的狀況是字元的亮度值與字元背景的亮度值有明顯的差距！當兩者黑白分明時就是字元很「清楚」了！反之，如果兩者亮度差距太小就會變成上圖中的狀況，無法正確切割出字元就辨識錯了！

有趣的是：字元與背景的亮度值為何？我們是有選擇空間的！我們可以自由選擇RGB之一的色光，或它們三者的任意組合當作亮度值。如何選擇呢？當然是以最有利於辨識，讓字元與背景亮度差最大的那種方式！因為綠光是自然光譜中能量最大的色光，所以一般車牌辨識都是以偏向綠光辨識為主的！

大家必須知道雖然RGB看起來都有0-255的獨立亮度數值，但實際上自然光的RGB能量比大約是6:3:1，不是三等分的！所以藍光成分太弱參考價值不高，沒有人會青睞用藍光辨識的！紅光也比綠光弱一半，如果不是特定目標的辨識，也不會主動使用紅光的！

對於黑白色的車牌來說，不管你用RGB之中的任何色光作為亮度(灰階)，都是字元很暗背景很亮的結果，所以你用任何色光做亮度值結果都差不多！但是碰到紅綠車牌時結果就會差很多了！如果你以綠光為主產生亮度灰階，那如上圖綠字元的亮度偏高，背景的白色呢？綠光亮度也很高，兩者的亮度差異很小，就很難辨識了！

聽懂了嗎？以綠光為亮度主體的一般影像辨識策略，本身就會導致工程車的綠白車牌辨識困難，所以工程車的車牌才會辨識率較低，不能完全怪到工程車車牌通常較髒或磨損狀況較多的！那要如何因應呢？其實只要改用紅光為亮度主軸做辨識就會很清楚，如上圖右的結果了！

如果紅光辨識就可以讓工程車的車牌辨識變好，對於一般黑白車牌的辨識也沒不良影響，為何連我的車牌辨識軟體在內，都還是繼續以綠光辨識為主呢？問題就是：如果以紅光辨識，碰到計程車或遊覽車的紅白色車牌時，就會字元與背景的亮度都偏高，和用綠光辨識綠白車牌的情況一樣糟糕！

所以要用何種色光做車牌辨識最好呢？在台灣是個尷尬無解的難題！大家偏向採用綠光不是完美的選擇，只是跟機器學習的概念一樣，美其名曰「最佳化」其實只是跟現實妥協的折衷方案而已！馬路上最多的車牌是白底黑字，其次是計程車遊覽車的紅字，工程車最少且不是大多應用的辨識重點，讓紅色車牌(計程車、遊覽車與重機)好辨識比優化綠車牌(工程車)辨識更有價值，當然不能改用紅光辨識！

在一般停車場根本不會出現綠色車牌所以當然都是以綠光辨識為主，地磅站呢？剛好相反！不會有紅色車牌出現，所以當然是改以紅光辨識會得到最佳辨識效果！這是高中的物理光學就可以理解分析出的最佳辨識策略！我也知道這個物理原理，但是因為地磅站的案例較少，我也有點偷懶，之前沒有刻意替地磅站做此客製化修改。

直到出現上圖這種極端案例，我決定之後要增加一個工程車優先的選項，當客戶選擇時就會改以紅光辨識獲得最佳的辨識效果也就最高的辨識率！我這樣是不是洩漏了商業機密？沒關係的！多數賣車牌辨識的廠商都是代理商，知道這個原理也無法修改國外買來的辨識核心，或是好不容易「訓練」到終於夠穩定的複雜辨識核心，怕牽一髮動全身他們不敢隨便更改內部參數的！

而且以商業角度看，對於地磅站這種特殊應用場域那些只想賺大錢的車牌辨識廠商是看不上眼的！而我呢？就是專門喜歡替特殊需求的非主流客戶提供最客製化的完美服務！所以台灣技術需求簡單的車牌辨識市場上我的市占率不高，因為阿貓阿狗的誰都能做嘛！但是較難辨識的高技術應用市場上，我則是一個幾乎獨霸武林的東方不敗！我喜歡這種感覺！