李萌萌也补充道：“之前申请的农业补贴只有 2 万元，要是都花在更换镜头上，基地的病虫害监测传感器和农户培训就没法推进了，得不偿失。”

数据对比的结果一目了然：算法对临界区间的判断能力不足，才是导致误判的核心原因；镜头分辨率并非主要矛盾，更换 4K 镜头的投入产出比极低。这场持续了两天的分歧，终于在实打实的数据面前尘埃落定。

“我承认，算法才是当前最需要优化的环节。” 陈曦放下手中的测试报告，语气诚恳，“之前我过于关注硬件参数，忽略了算法对复杂场景的适配能力，是我的思路太局限了。” 他看着小王，露出了释然的笑容，“接下来，我们的核心工作要放在算法优化上，重点解决临界区间的识别问题。”

小王也有些不好意思：“陈哥，我之前说话也太冲了。其实镜头分辨率确实有提升空间，只是现在不是最紧急的。等算法优化到一定程度，我们再考虑硬件升级，效果会更好。”

林默看着冰释前嫌的两人，欣慰地说：“研发团队有不同意见很正常，关键是要通过科学的方法验证，找到问题的核心。现在我们明确了优化方向，接下来就要集中精力攻克算法难关。” 他的目光扫过团队成员，“陈曦负责统筹算法优化，小王牵头修改核心代码，苏晚和李萌萌协助收集更多样本数据，我们的目标是在一周内完成算法迭代，让二次试产的合格率提升至 90% 以上。”

会议结束后，苏晚在整理会议纪要时，特意在 “误差原因” 一栏旁标注了一行小字：“湿度差异可能是辅助判断依据 —— 临界区间面团的湿度波动是否有规律？可结合湿度数据优化算法。” 她始终没有忘记之前发现的湿度与发酵程度的相关性，觉得传统手艺中的经验，或许能为算法优化提供新的思路。

陈曦则立刻投入到算法优化的准备工作中。他打开电脑，搜索 “食品视觉识别算法”“临界值区间判断” 等关键词，下载了大量相关文献。在一篇题为《深度学习在面团发酵状态检测中的应用》的论文中，他看到了一个关键观点：传统的阈值判断算法难以应对食品加工中的复杂场景，而深度学习算法能够通过大量样本训练，自动学习不同状态下的特征差异，尤其是对临界区间的识别精度，比传统算法提升 40% 以上。

“深度学习算法？” 陈曦眼前一亮，反复阅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。”

这章没有结束，请点击下一页继续阅读！