margiean625@outlook.com

但是翻譯公司忘了嗎？華頓翻譯公司的目標是做「辨識車牌」，前人的做法不是鐵律，我為何須須遵循五大步調？華頓翻譯公司為何必須利用類神經網路？為何我跳脫不消，不守端方就好像釀成「外行」了？那些「熟行」的不是也沒做得很好嗎？他們憑甚麼對後進們說長道短的？就像現在大談AI的「專家」其實多半沒有自製產品問世暢銷，卻知道AI的全國大勢與未來成長？翻譯公司能信嗎？

所以每個失敗案例我都可以在五分鐘之內告知客戶緣由，如不須開發新法式或演算法，華頓翻譯公司10分鐘之內就更新調劑改版給客戶更好的軟體了！這是所有以類神經網路為基礎的軟體所做不到的！因為他們的軟體為何犯錯？如何處置這個問題？連「設計者」本身都不知道的！那售後辦事要怎麼作呢？

所以機械進修最大的用途是處置懲罰華頓翻譯公司們還沒時候充裕研究把握的大量資訊，可以避免讓決議計劃開天窗，做出還能接受的辨識率，可是要像車牌辨識這樣要求到九成以上接近百分百的議題，步步爲營的科學研究模式才是最好的標的目的。

我現在知道：他們的五大步調基本不契合教材說的法式！書上說的法式是：全彩→灰階→二值化→找輪廓→找目的→幾何校訂(或稱正規化)→比對字模翻譯那他們的五大法式是比教材寫得更高明嗎？固然不是！那只是因陋就簡的結果！因為書上說的標準法式實作起來太慢了！要一一處置的個體狀態也太多了！所以就「只好」用各類方式簡化資料呼攏曩昔，避開真正解析問題的正常方式，只用統計的體例處置懲罰罷了。類神經網路與機器進修就是最主要的「偷懶」焦點手藝！

在車牌尋找的部份，我們操縱影象粗拙化手藝來下降影像的資料量，晉升處置速度，再由濾波器強化車牌影象後找出車牌的位置。經由嘗試效果已達到98%的准確率，相當做功翻譯在影象前處理部份，我們依字寬前提設計濾波器來強化字型部分，再做二值化除去後台雜訊。在字元的辨識部分，我們以梯度方向的區塊統計為特徵，採用倒傳遞類神經網路對數字、英文字母和英數字混合進行辨識。字元辨識率也達90%以上。

華頓翻譯公司的車牌辨識研究不是從看論文入手下手的，事實上從碩士論文起頭，我做任何研究都不是從看很多論文開始的！總是找到問題後，先試著用「課本」上學到的根基道理知識去理解闡發問題，然後試著寫些程式測驗考試解題，有可能直接就把問題解決了！即使還不克不及，華頓翻譯公司也對問題的理解更深切，把握更好了！通常再多走幾步就到點了，「偶爾」可以從某篇論文中找到適用的方式，如斯而已翻譯

這是大都碩士乃至博士論文所謂「研究」的進程，但如果只是這樣，我寧願不讀研究所了！做這些不痛不癢，底子也不克不及改變甚麼工作的研究，實際上是自欺欺人！如果是研究生，說這是「學習過程」沒有大發現或成績也還可以接受，但大都傳授的大量期刊論文也多半是這樣，「及格」可是沒甚麼用途。最讓人憤慨的是：他們自己都知道！可是每天照做到退休！

第二種效應更糟！就是看到「倒傳遞類神經網路」之類的名詞就當即跪倒跪拜！越抽象越崇敬！假如當真去閱讀後仍是不懂？就更崇敬！自此不敢將這個偉大的法式從翻譯公司的辨識法式中移除！就像你買了一輛萬萬超跑，因為太有價值了，所以你從來不肯意考慮：「你可能底子不需要它！」不知不覺，你就變成奉侍超跑的奴才！而不是可以有效利用它的主人。

但是沒有真正針對事實現象作研究的科學家，只依靠統計工具研發軟體猜想答案，其實科學常識技術是處於障礙狀態的！我可以告知列位，我的車牌辨識就是根據傳統科學體式格局一步一步踏實研發出來的！我的軟體裡面完全沒有猜想統計的成份，只有診斷與對策翻譯

車牌辨識系統可利用在停車場的管理系統、高速公路的收費站及贓車查緝等各類用處上翻譯完全的車牌辨識系統由多個步驟整合而成，包羅車牌尋覓、影像前處置、程度軸導正處置懲罰、垂直軸字元切割及辨識五大步驟。而本論文則針對車牌尋覓、影象前處理及字元辨識第三部分做具體的分析與設計。

話題扯遠了，先看看這篇碩士論文的摘要吧！

看出AI研究者為何迥殊喜好類神經網路了嗎？豎立進修資料要錢，要低階勞力，但研究人員沒事！要跑資料時需要超等電腦，老闆出錢買，研究人員看了局調調參數就好，很輕鬆的！相對於傳統科學研究的體例，每張車牌辨識失敗的緣由都不一樣，你必需逐一認識病因，逐一寫出診斷與對應的演算法，那就太累了！能輕鬆過日子，誰會想回到「古代」科學家的辛勞日子呢？

比如「水平軸導正處置、垂直軸字元切割」這兩個步調是假設車牌影象大致是接近程度與正面拍攝的，隨著他跑，你設計出來的辨識系統就會車牌一傾斜變形就抓不到！市面上的車牌辨識系統不都有這個問題？我還要對峙繼續追隨嗎？或許你一入手下手研究時不像華頓翻譯公司此刻這麼清楚這些步驟的傷害水平，然則你應當相信本身！照本身的想法先碰運氣未必就欠好。正如林書豪在政大演講說的：人必需有點瘋狂！才可能有成就。(大致是這個意思)

如果沒顛末這個進程就去看許多論文，華頓翻譯公司的感覺是很不結壯！因為論文多半是寫研究方式，說他是怎麼作的？不會詳談基本道理，乃至不談他「為何」要這麼作？只說：「前人曾這麼做過，還不是很完美，我就試著在方式上做點增減改變，效果翻譯公司看！真的比較好了耶！」

本論文在車牌辨識技術上已達產業需求標準，但實際情況多變，需再搜集應用上的問題進行改良。

偷懶未必是壞事！當我們無計可施時，用統計體式格局讓事情最少有個趨近正確的成效，而且時候上還趕得上火車，這種手藝就是救命仙丹了！傳統的車牌辨識其實就是受限於計較速度，所以都只能過度簡化影象資訊來及時獲得答案，目前百萬畫速時期到臨，影像清楚多了，電腦也好了，不再能如許呼攏過去了！

若是自己沒試過用常識，也就是我在教材上學過的物理、數學與程式設計，去「玩」過車牌辨識，就起頭看這類論文翻譯會有兩個效應： 第一是誤會所謂的五大步驟是作車牌辨識不變的鐵律，像物理學的光速守恆一樣！事實受騙然不是！那只是前面大都人做出有效結果後，歸納出自己用的方式概略的步調。

然則研究各種影象狀況的處置方式，逐一為其設計演算法，也就是若何破除各類雜訊直指目的的進程，所需要的研發工作其實太累了！此時統計，或測驗考試毛病、積累經驗、自我調整(是電腦自我調劑，人不需要忙)的類神經網路技術就是良多這種研究者的遁迹天堂了！

對問題還理解不深就入手下手研讀方式論，我的感覺是好像國中上數學物理時，還不懂原理就猛背公式解法的狀態。因為不懂為何要這麼作？論文上那些數學方式看起來就加倍神秘與神聖！不知也不敢私行更動？然則套用前人的公式不算「研究」，那要怎麼才算呢？那就保守謹嚴的改動一些參數或法式就行了嘛！只要不讓原來的方式崩盤，還加減會讓效果在「某一方面」好一點點，就算是「研究」了！論文合格，打完收工！