這是我研究調整中的簡化版辨識核心做的車牌辨識案例！123萬畫素的影像只使用60毫秒辨識正確！目標就是讓計算量可以輕量化到在一般規格的手機上執行也沒有太大的壓力！App不能跑太慢，或很快就過熱發燙的意思！但是如果辨識能力和電腦上執行的標準版差距太大就會砸招牌了！

所以現在的工作就是拿這些較難辨識的歪斜車牌案例來做調整了！重點不是一個都不能少，非把每個困難案例都辨識成功！而是在不增加太多計算程式與計算量的前提下，嘗試用微調參數的方式讓整體辨識率盡量拉高！我的辨識軟體特色招牌就是歪斜辨識能力特佳！即使是簡化版還是必須比別家產品表現得更好！

看到了嗎？還是可以輕易辨識側視超過60度，水平傾斜約45度的車牌！這就是我的客戶試用別家廠商賣的App之後最大的感想：我的歪斜辨識能力是所向無敵的！如果簡化版不能維持這個特色，就乾脆不要推出App了！我對於推出一個跟別家既有產品差不多的東西來搶生意做紅海競爭是毫無興趣的！

我能夠保有絕大部分的歪斜辨識的能力，同時大幅減少計算量，關鍵就在於我的演算法不是像機器學習或深度學習一樣，是從大量資料的「經驗學習」中累積出來的！如果是的話，就必須有更複雜的辨識模型，更多的參考資料與更多的參數，乃至更複雜的計算結構！這些都是需要極大的計算量支持的！

我的歪斜變形能力來自幾何學的計算，看上圖就可以理解了！抓到歪斜車牌之後就是分析變形角度，用三角幾何的運算做校正之後再一一辨識字型！不管歪斜變形程度如何？都是一樣的SOP！所以計算量是不會有落差的！Cos1°和Cos45°需要的計算時間是一樣的！我精簡的程式碼其實多半是處理沾連破碎目標的繁瑣例外處理程式！所以較模糊較遠的車牌辨識能力確實會明顯下降，近處清晰的車牌即使相當歪斜也能辨識得很好！

我覺得要用我的傳統影像辨識技術，正面迎戰現在號稱主流派的CNN、ML與DL等演算技術，關鍵就是「效率」！一定要打擊對手的痛點！這些新技術的最大缺點就是計算量太大！再怎麼YOLO都壓不下來的！除非他們拋棄統計學的理念，真的精準理解、分析與解決問題！這樣一來他們就會跟我的技術合流了！

所以我會趁勝追擊！繼續研發精進讓我的軟體計算量更少！執行速度更快！硬體規格需求越低！使用我的軟體你就不必太依賴輝達提供的GPU了！能省錢就是商業優勢嘛！使用AI絕對不是錢多就一定會贏的！我要讓CNN、ML與DL充分顯現其大而無當的拙劣醜態！現在我已經領先了！之後還會贏更多！