陈曦将 20 组测试样本输入模型，点击 “预测”。这一次，屏幕上显示的识别准确率达到了 88%，其中临界样本的识别准确率提升至 80%，只有 1 组 “略过度” 样本被误判为合格，没有出现严重的误判情况。

“成功了！我们成功解决了过拟合问题！” 团队成员们欢呼雀跃，疲惫的脸上洋溢着胜利的笑容。

苏晚在分析测试结果时，突然发现了一个重要的现象：“你们看，模型对测试样本的识别结果中，湿度数据与图片识别结果的匹配度达到了 85%。比如所有湿度在 62%-68% 之间的样本，模型都正确识别为合格或略不足；湿度低于 60% 的样本，都被正确识别为略过度或过度。”

本小章还未完，请点击下一页继续阅读后面精彩内容！

这个发现让苏晚眼前一亮，她再次想到了之前的双检测方案：“如果我们将湿度数据作为模型识别的辅助特征，与图片特征结合起来，形成‘视觉识别 + 湿度检测’的双检测模型，识别精度肯定能进一步提升！比如当模型对某个临界样本的识别结果不确定时，就可以参考湿度数据进行二次判断，从而降低误判率。”

“这个想法非常好！” 林默立刻表示支持，“湿度数据是发酵程度的直接物理指标，与视觉特征结合起来，能让模型的判断更全面、更精准。接下来我们可以尝试将湿度数据融入模型，进一步优化识别精度。”

陈曦也点点头：“将湿度数据作为输入特征之一，重新训练模型，应该能让识别准确率再提升几个百分点。而且这也能解决一些极端情况下的误判问题，比如某些面团外观特征不明显，但湿度数据差异很大，模型就能通过湿度数据做出正确判断。”

小王则已经开始思考具体的实现方案：“我们可以修改模型的输入层，将湿度数据与图片的像素数据结合起来，作为模型的输入特征。这样模型在训练时，就能同时学习视觉特征和物理指标特征，形成多维度的判断逻辑。”

团队的热情再次被点燃。虽然第二轮训练已经取得了不错的成果，但他们并没有满足，而是朝着更高的目标迈进。

当天晚上，陈曦开始修改模型的输入层结构，将湿度数据融入模型；苏晚则整理了所有样本的湿度数据，确保数据格式符合模型输入要求；小王编写了数据融合的程序，将图片数据和湿度数据关联起来；林默则制定了第三轮训练的计划，目标是将模型识别准确率提升至 95% 以上。

远在盐城的老周听说模型训练取得了重大突破，特意给林默打来了电话：“林总，恭喜你们！我就知道你们一定能成功。等设备量产了，我们一定要第一时间去现场看看，亲眼见证我们种的糯米，通过智能设备变成美味的糕点。”

“一定！” 林默笑着回应，“周叔，这也离不开你们提供的优质糯米。等‘糕小默 2.0’量产成功，我们第一时间给你们寄样品，让你们尝尝自己种的糯米做出来的糕点。”

夜色渐深，车间里的灯光依然明亮。团队成员们还在忙碌地准备第三轮模型训练，他们的脸上虽然带着疲惫，但眼神中却充满了坚定和期待。

苏晚看着那份记录着传统手测评分的样本表，心中感慨万千。从最初的样本收集难题，到现在的过拟合问题解决，团队一路走来，遇到了无数挑战，但每一次都能凭借团结协作和创新思维攻克难关。而 “视觉识别 + 湿度检测” 的双检测方案，也在这个过程中逐渐清晰，即将成为 “糕小默 2.0” 的核心技术亮点。

她相信，只要坚持将传统工艺经验与现代科技相结合，不断优化模型，“糕小默 2.0” 一定能达到甚至超过人工识别的精度，成为林记传承非遗手艺、实现规模化生产的重要支撑。而陈曦之前提出的光线补偿算法，也将在后续的优化中与双检测方案相结合，让 “糕小默 2.0” 的视觉识别系统更加完善，适应各种复杂的生产环境。