robertgg2dr56@outlook.com

通加語翻譯

在車牌尋覓的部分，我們操縱影象粗糙化手藝來降低影像的資料量，提升處置懲罰速度，再由濾波器強化車牌影像後找出車牌的位置翻譯經由嘗試成績已到達98%的准確率，相當做功。在影像前處置懲罰部份，天成翻譯公司們依字寬條件設計濾波器來強化字型部份，再做二值化除去靠山雜訊。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、英文字母和英數字夾雜進行辨識。字元辨識率也達90%以上。

這是大都碩士乃至博士論文所謂「研究」的進程，但如果只是如許，我寧願不讀研究所了！做這些不痛不癢，根本也不能改變甚麼事情的研究，實際上是掩耳盜鈴！如果是研究生，說這是「進修進程」沒有大發現或成績也還可以接管，但多半傳授的大量期刊論文也多半是這樣，「合格」但是沒甚麼用途翻譯最使人憤慨的是：他們本身都知道！可是每天照做到退休！

但是翻譯公司忘了嗎？我的目標是做「辨識車牌」，前人的做法不是鐵律，我為何必須遵守五大步調？我為何須須使用類神經網路？為何天成翻譯公司跳脫不消，不守規矩就仿佛釀成「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的全國大勢與將來成長？你能信嗎？

第二種效應更糟！就是看到「倒傳遞類神經網路」之類的名詞就立即跪倒跪拜！越抽象越崇拜！若是當真去浏覽後還是不懂？就更崇敬！自此不敢將這個偉大的程序從你的辨識法式中移除！就像你買了一輛千萬超跑，因為太有價值了，所以翻譯公司曆來不願意考慮：「你可能基本不需要它！」不知不覺，你就變成奉侍超跑的奴才！而不是可以有用利用它的主人。

本論文在車牌辨識手藝上已達產業需求標準，但現實情況多變，需再搜集運用上的問題進行改良。

如果沒經由這個過程就去看許多論文，我的感受是很不結壯！因為論文多半是寫研究方法，說他是怎麼作的？不會詳談根基道理，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，結果翻譯公司看！真的比較好了耶！」

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謎底，其實科學知識手藝是處於障礙狀況的！我可以告知各位，我的車牌辨識就是憑據傳統科學方式一步一步紮實研發出來的！我的軟體裡面完全沒有猜想統計的成分，只有診斷與對策。

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了局，並且時間上還趕得上火車，這類手藝就是救命靈藥了！傳統的車牌辨識其實就是受限於較量爭論速度，所以都只能過度簡化影像資訊來實時取得謎底，此刻百萬畫速時代到臨，影象清楚多了，電腦也好了，不再能如許呼攏曩昔了！

車牌辨識系統可利用在泊車場的經管系統、高速公路的收費站及贓車查緝等各種用處上。完全的車牌辨識系統由多個步驟整合而成，包羅車牌尋覓、影象前處置、程度軸導正處置懲罰、垂直軸字元切割及辨識五大步調。而本論文則針對車牌尋找、影像前處理及字元辨識第三部分做詳細的闡明與設計。

如果自己沒試過用常識，也就是我在課本上學過的物理、數學與程式設計，去「玩」過車牌辨識，就最先看這類論文翻譯會有兩個效應： 第一是誤解所謂的五大步調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後果後，歸納出自己用的方式概略的步調。

所以每個失敗案例天成翻譯公司都可以在五分鐘以內告知客戶原因，如不須開發新法式或演算法，天成翻譯公司10分鐘以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根蒂根基的軟體所做不到的！因為他們的軟體為何失足？若何處置懲罰這個問題？連「設計者」本身都不知道的！那售後辦事要怎麼作呢？

可是研究各類影象狀況的處置體例，一一為其設計演算法，也就是若何破除各類雜訊直指方針的進程，所需要的研發工作其實太累了！此時統計，或測驗考試錯誤、積累經驗、自我調整(是電腦自我調劑，人不需要忙)的類神經網路手藝就是很多這類研究者的遁迹天堂了！

對問題還理解不深就開始研讀方式論，天成翻譯公司的感覺是如同國中上數學物理時，還不懂道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！不知也不敢擅自更動？然則套用前人的公式不算「研究」，那要怎麼才算呢？那就保守謹慎的改動一些參數或程序就行了嘛！只要不讓原來的方法崩盤，還加減會讓成果在「某一方面」好一點點，就算是「研究」了！論文及格，打完收工！

所以機械進修最大的用途是處置懲罰天成翻譯公司們還沒時候充分研究把握的大量資訊，可以免讓決議計劃開天窗，做出還能接管的辨識率，然則要像車牌辨識如許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偏向翻譯

我現在知道：他們的五大步調底子不吻合教材說的法式！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程序是比教材寫得更高明嗎？固然不是！那只是因陋就簡的成績！因為書上說的標準程序實作起來太慢了！要逐一處置的個體狀態也太多了！所以就「只好」用各種方式簡化資料呼攏過去，避開真正解析問題的正常方式，只用統計的方式處置懲罰罷了。類神經網路與機器進修就是最主要的「偷懶」焦點技術！

譬如「程度軸導正處置、垂直軸字元切割」這兩個步調是假定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？也許翻譯公司一開始研究時不像天成翻譯公司而今這麼清晰這些步調的危險水平，可是你應當相信本身！照本身的設法主意先碰運氣未必就不好。正如林書豪在政大演講說的：人必需有點瘋狂！才可能有成績。(大致是這個意思)

天成翻譯公司的車牌辨識研究不是從看論文最先的，事實上從碩士論文入手下手，我做任何研究都不是從看許多論文起頭的！老是找到問題後，先試著用「講義」上學到的基本道理知識去理解剖析問題，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！即便還不能，我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，「偶然」可以從某篇論文中找到合用的方式，如斯罷了翻譯

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？建立進修資料要錢，要低階勞力，但研究人員沒事！要跑資料時需要超級電腦，老闆出錢買，研究人員看效果調調參數就好，很輕鬆的！相對於傳統科學研究的方式，每張車牌辨識失敗的緣由都不一樣，你必需逐一認識病因，一一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？