這種狀況可以說是挑戰到了我的幾何校正演算法的極限！即使我的歪斜變形演算法應該已經領先業界，甚至學術界了！但是基本的假設仍然是車牌的實體本身在立體空間中，還是一張平整的矩形！我按此假設設計出來的演算法碰到車牌本身就是弧形略彎的狀況，還因為距離很近放大了這個彎曲特徵時真的就有麻煩了！

如上圖的左上角，我即使做了幾何校正，車牌字元還是沒有達到整齊水平排列的理想狀況，甚至因為距離太近，近處的TU會顯得比遠處的69大上很多！所以如果我只是按照我的假設，認定到此步驟的字元都是一樣大而且是整齊排列的，那就會出現奇怪的辨識結果了！

還好幾何變形處理至少解決了一部份的問題！在轉正之後的圖上再下一點功夫就有機會達到最終的正確結果了！就是必須放棄字元都一樣寬以及位置高度都一樣的假設，重新辨識每一個字元的位置形狀！就可以得到這樣的六個端正的字元了！

所以我並沒有因為我的歪斜變形已經做得比其他廠商(或學者)好就滿足了！AI影像辨識的終極目標與對手應該是人類的視覺智慧！只要人的眼睛可以做出一致判斷的案例我都不會放棄的！正如甘迺迪總統當年說要在1960年代登陸月球的宣示一樣！不是因為這件事很簡單，而是因為它真的很難！考到第一名完全不是我會滿足的終點！作出可以直追人類智慧的AI才是！

其實機器學習會興起並不是它真的可以精準探索與掌握人的智慧！而是因為要精準理解掌握人的智慧實在太難了！即使焚膏繼晷夙夜匪懈也不是很快就能有好成果的！所以才會想用統計的方法盡量抓個大概而已！雖然很多學者希望在此基礎上做得更準更好，所以繼續開發出所謂深度學習的技術，但本質上終究還是較精緻的統計學而已！並沒有根據科學準確深入的研究事實成因與解決方案！

我認為不管再怎麼深度學習，即使你深到地心那麼深！最終的最理想結果也只是「知其然而不知其所以然」而已！而且總是用巨量資料盲目搜索統計付出的運算成本是非常恐怖的！現在大家都已經接受AI必須付出龐大算力的代價！但是我並不同意這個觀點與做法！如果我們真的想追求「智慧」，終究必須回到科學基礎的！

堅持科學的方法理念除了可以更接近精準AI的目標，更重要的是它其實可以節省巨大的成本！那種只有全世界最有錢的公司可以操作的高算力AI技術其實跟我們一般中小型公司廠商無關的！照我的方式經營AI事業才是中小企業能靠研發AI產品存活的正確方式！如果你導入公司的AI技術是CNN與DL，那你的公司倒閉就指日可待了！