第193章 锁定视觉识别短板（1/2）

车间的灯光彻夜未熄，研发团队的优化方案刚敲定框架，一场新的分歧就在误差分析会上爆发了。会议桌两端，陈曦和小王各执一词，气氛剑拔弩张。

“首试失败的核心问题很明确，是视觉镜头的分辨率不足！” 陈曦将一份面团特写照片拍在桌上，照片中发酵过度的面团气孔边缘有些模糊，“我们现在用的 2k 镜头，虽然能捕捉到明显的大气孔，但对于 1.5-2.5mm 的细微气孔差异，辨识度太低。就像这组照片，合格面团的气孔直径 1.8mm，轻微发酵过度的气孔 2.2mm，镜头拍出来几乎没有区别，系统自然会误判。” 他顿了顿，语气坚定，“必须更换 4k 镜头，提升画面解析度，才能让系统精准识别这些临界差异。”

“我不同意！” 小王立刻反驳，手指快速滑动平板电脑上的参数表，“陈哥，镜头的分辨率参数我们早就验证过了。2k 镜头的像素密度完全能覆盖面团气孔的识别需求，行业内同类食品视觉检测设备，用的也都是 2k 镜头，误判率远低于我们现在的水平。问题根本不在硬件，而是识别算法的阈值设置有问题！”

他调出系统算法的核心代码片段，指着屏幕解释：“你看，算法现在是‘非黑即白’的判断逻辑 —— 只要表面光滑度、颜色饱和度两项指标达到 80 分以上，就判定为合格。但发酵程度是连续变化的，很多面团处于‘接近合格’和‘轻微不合格’的临界区间，比如表面光滑度 读论文中的核心内容。论文中提到，通过构建卷积神经网络模型，输入大量不同发酵状态的面团图像数据和物理指标数据（如湿度、硬度），进行模型训练后，识别精度能大幅提升。这与苏晚之前提出的 “多维度判断” 思路不谋而合。

他立刻将这篇论文拍照发给林默，附带留言：“林总，发现一种新的算法思路 —— 深度学习。这种算法能自动学习临界区间的特征差异，结合湿度等物理指标，可能会大幅提升识别精度。我们是否考虑引入这种算法？”

林默收到消息后，立刻认真阅读了论文摘要。“深度学习算法确实是当前的主流方向，” 他回复道，“虽然引入新算法需要一定的学习成本和时间，但从长远来看，能从根本上解决识别精度问题。你先深入研究一下，评估一下实施难度和所需时间，我们明天开会讨论。”

与此同时，小王已经开始着手修改算法代码。他首先调整了传统算法的判断逻辑，将单一的 “达标 \/ 不达标” 二元判断，改为 “合格 \/ 临界 \/ 不合格” 的三元判断：对于特征明显的合格或不合格面团，系统自动判定；对于处于临界区间的面团，则标记为 “待确认”，并结合湿度数据进行二次筛选 —— 如果面团的表面湿度在 62%-68% 的合格范围内，即使外观特征接近临界值，也暂判定为合格，反之则判定为不合格。

“这样可以先通过简单的逻辑调整，降低临界区间的误判率。” 小王向陈曦解释道，“等后续引入深度学习算法后，再进行更精准的优化。”

苏晚则和李萌萌一起，开始收集更多的样本数据。她们联系了基地，获取了不同批次、不同种植环境下的有机糯米粉，制作了 200 组不同发酵状态的面团，不仅拍摄了高清照片，还详细记录了每组面团的湿度、硬度、发酵时间等数据，为算法优化提供了丰富的样本支持。

在收集数据的过程中，苏晚发现了一个有趣的规律：临界区间的面团（气孔直径 1.5-2.5mm），其湿度波动也处于一个特定范围（60%-65%），而且湿度与气孔直径呈显着负相关 —— 气孔直径越接近 2.5mm，湿度越接近 60%；气孔直径越接近 1.5mm，湿度越接近 65%。“这个规律太重要了！” 苏晚兴奋地将数据分享给陈曦和小王，“我们可以把湿度数据作为算法的辅助特征，比如当面团处于临界区间时，如果湿度在 63%-65%，则判定为合格；如果湿度在 60%-62%，则判定为轻微过度，这样能进一步降低误判率。”

陈曦和小王对这个发现十分重视，立刻将湿度数据纳入算法的修改计划中。“传统算法只能处理图像特征，我们可以通过数据融合的方式，将湿度数据转化为算法能识别的特征参数，与图像特征结合起来，构建‘图像 + 物理指标’的多维度判断模型。” 陈曦说道。

远在盐城的老周，听说研发团队正在优化智能糕点机，特意打电话给林默：“林总，我们农户们也想为设备优化出点力。如果需要不同发酵状态的面团样本，我们可以按照你们的要求制作，免费寄过去。”

林默深受感动：“周叔，太感谢你们了！样本数据我们已经收集得差不多了，等设备优化成功，我们会第一时间把好消息告诉你们。以后基地的糯米，不仅能供应给食品企业，还能通过我们的智能设备，制作成更多美味的糕点，走向全国市场。”