第194章 林默提出方案（2/2）
· 兼容性调试：模型训练完成后，小王负责将模型嵌入视觉识别系统，进行兼容性调试，确保设备能正常运行；
· 时间节点：7 天内完成模型训练和调试，进行小规模测试。
会议结束后，团队立刻投入紧张的工作。陈曦每天都在查阅深度学习的相关资料，观看线上课程，从最基础的卷积神经网络原理学起。虽然过程很艰难，但他没有丝毫退缩，遇到不懂的问题就请教技术顾问，或者和团队成员一起讨论。
“原来卷积神经网络是通过多层卷积层提取图像特征的，这正好能解决我们临界区间特征模糊的问题。” 陈曦兴奋地向团队分享自己的学习成果，“比如第一层卷积层提取面团的边缘特征，第二层提取纹理特征，深层卷积层就能提取到气孔大小、分布密度等高级特征，从而实现精准识别。”
苏晚和李萌萌则全身心投入到数据收集工作中。为了确保样本数据的多样性和代表性，她们联系了基地，获取了 3 个不同批次的有机糯米粉，分别在不同的环境温度（20℃、25℃、30℃）下进行发酵，制作了 500 组面团样本。
在数据收集过程中，苏晚严格按照 5 个发酵等级进行分类：
· 不足：发酵时间 15 分钟，气孔直径＜1，湿度 72% 以上；
· 略不足：发酵时间 20 分钟，气孔直径 1-1.5，湿度 68%-72%；
· 合格：发酵时间 25 分钟，气孔直径 1.5-2，湿度 62%-68%；
· 略过度：发酵时间 30 分钟，气孔直径 2-2.5，湿度 60%-62%；
· 过度：发酵时间 35 分钟以上，气孔直径＞2.5，湿度 60% 以下。
她还在数据收集表中预留了 “传统手测评分” 列，请 3 名经验丰富的糕点师傅对每组面团进行手测评分（1-10 分），计划后续对比 “机器识别” 与 “人工判断” 的差异，为后续的双检测方案铺垫。
“这样分类后，模型能更清晰地学习不同发酵等级的特征差异，尤其是临界区间的略不足和略过度等级。” 苏晚向陈曦解释道，“而且加入传统手测评分，我们可以后续评估模型的识别精度是否达到人工水平。”
陈曦点点头：“这个思路很好，数据的质量直接决定了模型的训练效果。我们一定要确保每一组数据的准确性和完整性。”
小王则负责设备调试，确保数据收集过程中，视觉识别系统的镜头、湿度传感器、温度传感器都能正常工作，准确采集相关数据。他还编写了一个简单的数据采集程序，能自动将拍摄的图片和检测到的湿度、温度数据关联起来，大大提高了数据收集的效率。
远在盐城的老周，听说团队正在自主研发深度学习算法，特意组织农户们制作了 100 斤不同批次的有机糯米粉，免费寄到林记车间：“林总，我们虽然不懂什么算法，但我们能提供最好的原料，希望能帮到你们。”
林默收到糯米粉后，深受感动：“周叔，太感谢你们了！有了你们的支持，我们一定能尽快完成算法优化，让‘糕小默 2.0’早日量产。”
时间一天天过去，团队成员们都在各自的岗位上全力以赴。陈曦每天只睡 4 个小时，其余时间都在学习深度学习知识、搭建模型；苏晚和李萌萌每天要制作几十组面团样本，拍摄照片、记录数据，常常忙到深夜；小王则不断调试设备和程序，确保数据收集和模型训练的顺利进行。
在这个过程中，团队成员们的技术能力都得到了快速提升。陈曦从一个对深度学习一窍不通的硬件工程师，逐渐掌握了卷积神经网络的搭建和模型训练的核心方法；小王也学会了如何将深度学习模型与硬件设备进行兼容性调试；苏晚则对数据收集的科学性和针对性有了更深刻的理解，她提出的 5 级发酵分类法，为模型训练提供了高质量的样本数据。
林默也没有闲着，他不仅要协调团队的工作，还要联系技术顾问，为团队提供必要的指导。他每天都会查看项目进展，及时解决团队遇到的问题，鼓励大家坚持下去。
一周后，数据收集工作顺利完成。500 组样本数据整齐地存储在电脑中，涵盖了不同发酵等级、不同环境条件下的面团特征，数据完整、准确，为模型训练奠定了坚实的基础。
陈曦看着这些数据，心中充满了信心：“现在我们有了足够的样本数据，接下来就是模型训练了。我已经搭建好了基础的卷积神经网络模型，接下来要做的就是将数据输入模型，进行迭代训练，不断调整参数，提升识别精度。”
他打开 TensorFlow 框架，将 500 组样本数据分为训练集（400 组）、验证集（50 组）、测试集（50 组），然后设置模型的训练参数：学习率 0.001，迭代次数 100 次， batch size（批次大小）32。
模型训练正式开始。电脑屏幕上不断跳动着训练进度和损失值，随着迭代次数的增加，损失值逐渐降低，模型的识别精度不断提升。
“损失值已经降到 0.1 以下了，验证集的识别精度达到了 85%！” 陈曦兴奋地说道，“按照这个趋势，再训练 20 次，识别精度应该能达到 90% 以上。”
小王也凑了过来，看着屏幕上的训练曲线：“太好了！只要识别精度达到 90%，就能满足量产要求了。而且这个模型是我们自主训练的，后续可以根据实际生产中的数据，不断优化迭代，让识别精度越来越高。”
苏晚则关注着 “机器识别” 与 “人工判断” 的差异：“从目前的测试结果来看，模型对合格、不足、过度三个等级的识别精度很高，但对略不足和略过度两个临界等级的识别精度还有提升空间。不过这已经比之前的传统算法好了很多，后续我们可以通过增加样本数据，进一步优化模型。”
林默看着团队的成果，心中十分欣慰：“短短一周时间，我们就完成了数据收集和模型初步训练，识别精度达到了 85%，这是一个非常大的突破。接下来，我们要继续优化模型，确保识别精度稳定在 90% 以上，然后进行二次试产，验证设备的整体性能。”
当天晚上，研发团队再次举行了简单的庆祝。虽然模型还需要进一步优化，但他们已经看到了成功的希望。陈曦看着屏幕上的模型训练数据，心中感慨万千：“以前我总觉得算法是遥不可及的技术，但通过这次尝试，我发现只要有决心、有毅力，就能攻克难关。这次的经历，不仅让我们解决了算法问题，也让我们团队的技术能力得到了很大的提升。”
苏晚也笑着说：“我觉得这次的成功，离不开林总的果断决策，也离不开我们每个人的努力。现在我更加相信，传统手艺和现代科技是可以完美结合的，我们的‘糕小默 2.0’，不仅能提升生产效率，还能传承非遗手艺的精髓。”
林默举起水杯，对大家说道：“这只是我们迈出的第一步，接下来还有二次试产、设备调试、量产等很多工作等着我们。但我相信，只要我们保持这种团结协作、勇于创新的精神，就没有克服不了的困难。让我们一起努力，让‘糕小默 2.0’早日量产，让林记的有机糕点走向更多消费者的餐桌！”
团队成员们纷纷举起水杯，碰杯的声音在车间里回荡。窗外的夜色中，星光璀璨，就像他们心中的希望，明亮而坚定。
而苏晚预留的 “传统手测评分” 列，也将在后续的模型优化中发挥重要作用。通过对比机器识别与人工判断的差异，团队可以进一步调整模型参数，让 “糕小默 2.0” 的识别精度无限接近人工水平，为最终实现 “视觉识别 + 湿度检测 + 人工复核” 的双检测方案奠定坚实基础。