这章没有结束，请点击下一页继续阅读！

“看来 5 层卷积层是最优配置。” 小王松了口气，向团队汇报测试结果，“5 层卷积层既能提升对细微特征的捕捉能力，又不会导致过拟合，而且训练时间只比之前增加了 2 小时，在可接受范围内。”

苏晚则根据之前收集的 500 组样本数据，制定了详细的湿度权重标准：“合格样本的湿度标准是 62%-68%，我们设定湿度匹配度≥80% 时，才认可模型的视觉识别结果；如果湿度匹配度在 60%-80% 之间，就将样本标记为‘待确认’，需要结合其他特征进一步判断；如果湿度匹配度＜60%，则直接否定视觉识别结果，按湿度对应的等级判定。”

她举了个例子：“比如一组样本被模型视觉识别为‘合格’，但它的湿度是 69%，与合格样本的湿度标准匹配度只有 75%，低于 80%，我们就不判定它为合格，而是标记为‘待确认’，再结合气孔直径等特征综合判断，这样就能有效降低误判率。”

陈曦将调整后的模型结构和湿度权重标准融入算法，启动了第四轮模型训练。这一次，模型不仅要学习视觉特征，还要结合湿度数据的权重进行判断，训练难度更大，但针对性也更强。

团队成员们没有像之前那样守在电脑旁，而是各自忙碌着后续的准备工作。苏晚整理了所有误判样本的特征数据，制作成 “误判样本分析手册”，方便团队随时查阅；李萌萌则开始准备下一轮测试的样本，特意增加了 “略不足” 与 “合格” 临界样本的数量，确保测试结果能真实反映模型的优化效果；林默则联系了几位糕点老师傅，邀请他们在后续的测试中提供人工判断参考，对比模型识别与人工判断的差异。

6 小时后，第四轮模型训练完成。训练集识别准确率 97%，验证集识别准确率 96%，数据表现稳定。陈曦立刻导入李萌萌准备的 50 组新测试样本，进行验证。

“测试开始！” 陈曦按下 “预测” 按钮，屏幕上的进度条缓慢推进。所有人都围了过来，眼神中充满了紧张与期待。

几分钟后，测试结果出炉：识别准确率 90%，误差率 10%。其中，“略不足” 与 “合格” 样本的误判率从 25% 降至 18%，其他等级样本的误判率降至 5% 以下。

“误差率降到 10% 了！” 李萌萌兴奋地喊道，“虽然还没达到 5% 的目标，但已经有了很大的进步！尤其是其他等级的误判率已经达标，只剩下临界样本的问题了。”

林默看着测试报告，脸上露出了欣慰的笑容：“这是一个重大的突破！我们通过增加卷积层数量和融入湿度数据权重，成功将误差率从 15% 降至 10%，证明我们的优化方向是正确的。现在我们离目标越来越近了，只要继续针对临界样本优化，就能实现 5% 误差率的目标。”

苏晚仔细分析了误判的临界样本：“剩下的误判样本，不仅气孔差异小于 0.5mm，湿度数据也非常接近合格标准，比如有的‘略不足’样本湿度是 67.5%，与合格样本的湿度标准匹配度达到 78%，刚好低于 80% 的权重阈值，被标记为‘待确认’，但模型最终还是误判为合格。这说明仅靠湿度数据还不够，我们可能需要更多维度的数据来辅助判断。”

陈曦点点头，在测试报告中写道：“当前模型对细微视觉特征的捕捉能力仍有提升空间，且单一的湿度数据辅助判断不够全面。若能加入更多维度数据（如面团弹性、密度等），构建多维度检测模型，误差率或可进一步降低至 5% 以下。”