-
車間裡的時鐘指向上午九點，第三輪模型訓練的最終結果新鮮出爐：訓練集識彆準確率96%，驗證集識彆準確率95%。看著螢幕上近乎完美的訓練資料，團隊成員們臉上都洋溢著期待的笑容，彷彿已經看到了“糕小默2.0”順利量產的場景。
“按照這個資料，實際測試的準確率應該能達到90%以上吧？”李萌萌一邊整理新製作的測試樣本，一邊興奮地說道。為了確保測試結果的客觀性，她和蘇晚花了整整一天時間，製作了50組全新的樣本，涵蓋所有發酵等級，其中特意增加了20組“略不足”與“合格”的臨界樣本——這正是之前模型最容易誤判的型別。
陳曦將50組測試樣本的資料匯入模型，點選“預測”按鈕。所有人都屏住了呼吸，緊緊盯著螢幕上跳動的進度條。幾秒鐘後，測試結果彈出，喜悅的笑容瞬間從大家臉上褪去：識彆準確率85%，誤差率15%。
“怎麼才85%？”小王忍不住皺起眉頭，語氣中帶著失望，“訓練集和驗證集的準確率都達到95%了，為什麼實際測試還差這麼多？”
林默接過陳曦列印的測試報告，仔細檢視誤判樣本的分佈情況：“誤差率15%，雖然比最初的20%下降了5個百分點，但距離我們預期的5%目標還有很大差距。而且你們看，誤判主要集中在‘略不足’與‘合格’這兩個等級，誤判率高達25%，其他等級的誤判率隻有8%。”
蘇晚拿起放大鏡，逐一觀察那些誤判樣本的實物：“這組‘略不足’的樣本被判定為合格，我們看看它的特征。氣孔直徑1.7mm，濕度67%，而合格樣本的標準是氣孔直徑1.5-2mm、濕度62%-68%。兩者的特征幾乎重疊，尤其是氣孔差異還不到0.5mm，肉眼都很難區分，更彆說模型了。”
陳曦開啟誤判樣本的高清圖片，用專業軟體測量特征引數：“確實如此。所有誤判的‘略不足’與‘合格’樣本，氣孔直徑差異都小於0.5mm，表麵顏色、光滑度等視覺特征也高度相似，模型很難捕捉到這種細微差異。之前我們雖然增加了卷積層數量，但3層卷積層的提取能力還是有限，無法精準識彆這種臨界特征。”
團隊剛剛燃起的希望又一次被澆滅。如果核心的“略不足”與“合格”誤判問題無法解決，“糕小默2.0”的量產計劃就隻能繼續推遲。車間裡陷入了沉默，每個人的臉上都寫滿了焦慮。
“大家彆著急，誤差率從20%降到15%，已經是很大的進步了。”林默率先打破沉默，他拿起筆在白板上畫了一張誤差率下降折線圖，將每一次優化後的誤差率標註出來，“你們看，從最初的35%到20%，再到現在的15%，我們一直在進步。現在的問題很明確，就是模型對細微特征的捕捉能力不足，以及對臨界樣本的判斷缺乏更可靠的輔助依據。隻要針對性解決這兩個問題，誤差率一定能繼續下降。”
蘇晚看著手中的濕度資料記錄，突然眼前一亮：“之前我們發現濕度資料與視覺識彆結果的匹配度高達85%，或許可以在模型中加入濕度資料的權重。比如，當模型判定樣本為‘合格’時，如果其濕度資料與合格標準的匹配度低於80%，就自動將其標記為‘待確認’，不直接判定為合格。這樣就能利用濕度資料的物理特性，輔助視覺識彆，降低誤判率。”
“這個想法可行！”陳曦立刻表示讚同，“‘略不足’與‘合格’樣本的視覺特征相似，但濕度資料還是有細微差異。合格樣本的濕度通常在63%-66%之間，而‘略不足’樣本的濕度多在67%-69%之間。如果給濕度資料設定權重，當濕度匹配度≥80%時才判定為合格，就能有效區分這兩種樣本。”
小王也補充道：“另外，我們可以增加摺積層的數量。3層卷積層隻能提取到表麵的宏觀特征，增加到5層後，模型能深入提取到氣孔分佈密度、邊緣光滑度等細微特征，對0.5mm以下的氣孔差異也能捕捉到。不過卷積層數量不能太多，否則會導致模型訓練時間過長，還可能出現新的過擬合問題。”
林默綜合大家的意見，做出決策：“就按這個思路優化。小王負責調整模型引數，將卷積層從3層增至5層，同時優化啟用函式和學習率；蘇晚負責製定濕度資料的權重標準，明確不同發酵等級的濕度匹配閾值；陳曦負責模型的重新訓練和相容性除錯；我負責跟蹤測試效果，確保誤差率能降至10%以下。”
方案確定後，團隊立刻投入緊張的優化工作。小王坐在電腦前，專注地修改模型結構引數。他冇有直接將卷積層增至5層，而是先嚐試增加到4層，訓練後測試誤差率降至13%；再增加到5層，誤差率進一步下降到11%；當嘗試增加到6層時，誤差率反而回升到12%，還出現了輕微的過擬合跡象。
本小章還未完，請點選下一頁繼續閱讀後麵精彩內容！“看來5層卷積層是最優配置。”小王鬆了口氣，向團隊彙報測試結果，“5層卷積層既能提升對細微特征的捕捉能力，又不會導致過擬合，而且訓練時間隻比之前增加了2小時，在可接受範圍內。”
蘇晚則根據之前收集的500組樣本資料，製定了詳細的濕度權重標準：“合格樣本的濕度標準是62%-68%，我們設定濕度匹配度≥80%時，才認可模型的視覺識彆結果；如果濕度匹配度在60%-80%之間，就將樣本標記為‘待確認’，需要結合其他特征進一步判斷；如果濕度匹配度＜60%，則直接否定視覺識彆結果，按濕度對應的等級判定。”
她舉了個例子：“比如一組樣本被模型視覺識彆為‘合格’，但它的濕度是69%，與合格樣本的濕度標準匹配度隻有75%，低於80%，我們就不判定它為合格，而是標記為‘待確認’，再結合氣孔直徑等特征綜合判斷，這樣就能有效降低誤判率。”
陳曦將調整後的模型結構和濕度權重標準融入演演算法，啟動了第四輪模型訓練。這一次，模型不僅要學習視覺特征，還要結合濕度資料的權重進行判斷，訓練難度更大，但針對性也更強。
團隊成員們冇有像之前那樣守在電腦旁，而是各自忙碌著後續的準備工作。蘇晚整理了所有誤判樣本的特征資料，製作成“誤判樣本分析手冊”，方便團隊隨時查閱；李萌萌則開始準備下一輪測試的樣本，特意增加了“略不足”與“合格”臨界樣本的數量，確保測試結果能真實反映模型的優化效果；林默則聯絡了幾位糕點老師傅，邀請他們在後續的測試中提供人工判斷參考，對比模型識彆與人工判斷的差異。
6小時後，第四輪模型訓練完成。訓練集識彆準確率97%，驗證集識彆準確率96%，資料表現穩定。陳曦立刻匯入李萌萌準備的50組新測試樣本，進行驗證。
“測試開始！”陳曦按下“預測”按鈕，螢幕上的進度條緩慢推進。所有人都圍了過來，眼神中充滿了緊張與期待。
幾分鐘後，測試結果出爐：識彆準確率90%，誤差率10%。其中，“略不足”與“合格”樣本的誤判率從25%降至18%，其他等級樣本的誤判率降至5%以下。
“誤差率降到10%了！”李萌萌興奮地喊道，“雖然還冇達到5%的目標，但已經有了很大的進步！尤其是其他等級的誤判率已經達標，隻剩下臨界樣本的問題了。”
林默看著測試報告，臉上露出了欣慰的笑容：“這是一個重大的突破！我們通過增加摺積層數量和融入濕度資料權重，成功將誤差率從15%降至10%，證明我們的優化方向是正確的。現在我們離目標越來越近了，隻要繼續針對臨界樣本優化，就能實現5%誤差率的目標。”
蘇晚仔細分析了誤判的臨界樣本：“剩下的誤判樣本，不僅氣孔差異小於0.5mm，濕度資料也非常接近合格標準，比如有的‘略不足’樣本濕度是67.5%，與合格樣本的濕度標準匹配度達到78%，剛好低於80%的權重閾值，被標記為‘待確認’，但模型最終還是誤判為合格。這說明僅靠濕度資料還不夠，我們可能需要更多維度的資料來輔助判斷。”
陳曦點點頭，在測試報告中寫道：“當前模型對細微視覺特征的捕捉能力仍有提升空間，且單一的濕度資料輔助判斷不夠全麵。若能加入更多維度資料（如麪糰彈性、密度等），構建多維度檢測模型，誤差率或可進一步降低至5%以下。”
小王也補充道：“我們還可以優化濕度權重的閾值設定。現在的80%是基於現有樣本資料設定的，或許我們可以通過更多樣本測試，找到更精準的閾值，進一步降低臨界樣本的誤判率。”
林預設同地點點頭：“陳曦提出的多維度檢測思路很好，這可以作為我們下一步的優化方向。不過目前我們已經取得了階段性成果，誤差率降至10%，已經基本滿足小規模量產的要求。我們可以先進行二次試產，驗證模型在實際生產中的表現，同時收集更多維度的資料，為後續的優化做準備。”
他頓了頓，繼續說道：“接下來的工作安排如下：陳曦負責整理測試報告，總結優化經驗，同時開始研究麪糰彈性、密度等資料的采集方法；小王負責將優化後的模型嵌入‘糕小默2.0’裝置，進行相容性除錯；蘇晚和李萌萌負責準備二次試產的原材料和樣本，邀請糕點老師傅參與人工複覈；我負責協調生產車間，安排二次試產的時間和流程。”
團隊成員們紛紛點頭，雖然還冇有完全達到目標，但大家都看到了希望，鬥誌昂揚地投入到新的工作中。
本小章還未完，請點選下一頁繼續閱讀後麵精彩內容！蘇晚在整理測試資料時，心中充滿了成就感。她提出的濕度資料權重方案，第一次在模型中發揮了重要作用，不僅降低了誤差率，還讓她更加堅定了將傳統工藝經驗與現代科技相結合的信心。“爺爺當年手測發酵度時，不僅會看外觀、摸濕度，還會按壓麪糰感受彈性，或許我們真的可以加入彈性資料，讓模型的判斷更接近人工水平。”蘇晚心中默默想道。
小王在除錯裝置時，也對模型的優化有了新的感悟：“之前我總覺得技術引數是固定的，但通過這次的反覆測試，我發現技術引數需要根據實際情況不斷調整，才能找到最優配置。5層卷積層的選擇，就是通過一次次測試得出的結論，這讓我學到了很多。”
陳曦則開始研究麪糰彈性資料的采集方法。他查閱了相關資料，發現可以通過壓力感測器測量麪糰的抗壓強度，間接反映麪糰的彈性。“如果能在視覺識彆區域增加一個小型壓力感測器，采集麪糰的彈性資料，再融入模型中，就能構建‘視覺 濕度 彈性’的三維檢測模型，對臨界樣本的識彆精度肯定能大幅提升。”陳曦興奮地說道。
遠在鹽城的老周也時刻關注著模型測試的進展。當他從林默口中得知誤差率已經降至10%時，激動地說道：“林總，你們太厲害了！我就知道你們一定能攻克難關。我們已經準備好了最新一批的有機糯米粉，馬上給你們寄過去，希望能為你們的二次試產提供幫助。”
“太感謝你了，周叔！”林默笑著迴應，“有了你們提供的優質糯米粉，我們的二次試產一定能順利進行。等試產成功，我們第一時間邀請你和農戶們來參觀。”
當天晚上，車間裡依然燈火通明。小王正在進行裝置的最後除錯，確保模型能順利嵌入“糕小默2.0”；陳曦在研究壓力感測器的安裝方案；蘇晚和李萌萌在整理二次試產的流程和標準；林默則在繪製“誤差率下降折線圖”，準備在第二天的會議上展示團隊的優化成果，鼓勵大家繼續努力。
夜色漸深，團隊成員們雖然疲憊，但眼神中卻充滿了堅定和期待。他們知道，雖然誤差率還冇有達到最終目標，但他們已經走在了正確的道路上。隨著多維度資料的加入和模型的持續優化，“糕小默2.0”的識彆精度一定會越來越高，最終實現“機器替代人工”的目標，為林記的規模化生產和非遺手藝傳承奠定堅實的基礎。
而陳曦在測試報告中提出的多維度檢測思路，也將在後續的優化中逐步落地，讓“糕小默2.0”的技術方案越來越完善，成為行業內智慧糕點機的標杆。
-