有時候，結果錯並不完全是壞事－－至少它讓我們有重新審視演算法的機會，並更加了解AI模型做了什麼和沒做到什麼。


這張圖片是一個使用OpenVINO的範例，它的功能是讀取照片中gauge（中文多稱為儀表）的數值。我們可以簡單想像，如果一間傳統工廠並不想大幅度的更新他們的儀表系統，又想讓AMR進工廠做定時的抄表作業時，這個已經量化過的程式就可能派上用場。

當然，眼尖的各位肯定發現問題了，這個讀值並不準確－－實際上或許36.3會比較正確？

發生錯誤時，我們首先檢視演算法：一張照片經過三個步驟來判讀數據，第一個步驟是抽取出包含儀表的區域（SSD）；第二個步驟是將指針和刻度標記出來，這會使用到圖像分割技術；第三個步驟就很單純了，把分割完的部分拉平，計算是第幾個刻度。我們使用手動指定刻度的上下限（因OCR本身運算太耗時）：上限120下限0，共60個刻度，讓計算加速到可以邊緣部署的等級。

graph LR;
獲取圖片-->SSD切割出區域-->圖像分割出刻度和指針-->計算指針位於第幾個刻度-->輸出數值

我們看到流程之後首先可以確定，SSD部分肯定是沒有問題的。因此，嘗試檢查圖像分割的部分，我們分別用白色顯示被標記為刻度的像素，並以紅色顯示被標記為指針的像素：


恩，發現問題了，我們注意到在圖片的左下角，也就是圖片中的這個地方：


這邊由於使用方框代表0刻度，致使實際上的刻度和我們手動指定的有落差，而要修正這個錯誤有幾個方式可以進行：

1. 將影像分割能讀取到的刻度範圍設為上限120下限2，共59個刻度
2. 加入OCR，以區間的方式讀取刻度。以這例子為例就是OCR後，知道指針在20～40間，10個刻度的第8個刻度後一點點。
3. 如果有額外資訊，比方說位置資訊，加上額外的演算法在這類儀表讀取時補上一個刻度
4. 直接把錶面那格塗黑（？）
5. 依靠OCR取出最大最小值的角度，再抓指針的角度內插數據

當然，我們可以依照實際狀況選擇使用哪一種方式來補全這個漏洞，而這就是人類能做GPT很難做到的事情了。