陈曦却有些犹豫：“可视觉识别也有其优势，比如能捕捉到气孔分布、表面纹理等细节特征，这些是湿度数据无法反映的。如果一味以湿度为准，会不会漏掉一些视觉上明显不合格的样本？”

本小章还未完，请点击下一页继续阅读后面精彩内容！

“我们可以做个对比测试。” 小王提议道，“把这 12 组矛盾样本拿出来，让 3 位经验丰富的糕点老师傅进行人工复核，看看哪种判定方式更接近人工结果。”

这个提议得到了所有人的认可。林默立刻联系了之前邀请的糕点老师傅，将 12 组矛盾样本送到他们手中，让他们在不知情的情况下进行独立判定。

等待结果的间隙，林默组织团队召开了简短的讨论会，让每个人都发表自己的观点。“我认为应该以湿度为准，毕竟数据相关性更高，而且湿度是物理指标，受环境影响相对较小。” 苏晚坚持自己的观点。

“我觉得可以分情况讨论，如果视觉识别的置信度高于 90%，就以视觉为准；否则以湿度为准。” 陈曦提出了折中的方案。

“但置信度的阈值怎么设定？而且会增加程序的复杂度。” 小王反驳道，“现在我们需要的是简单、高效、可靠的判定规则，不适合搞太复杂的逻辑。”

林默认真倾听着每个人的意见，没有急于下结论。他知道，这个决策不仅关系到本次测试的结果，更会影响后续量产设备的核心逻辑。

两个小时后，糕点老师傅的复核结果送了回来。统计显示，在 12 组矛盾样本中，有 10 组样本的人工判定结果与湿度数据对应的等级一致，仅有 2 组与视觉识别结果一致。

“数据已经很明显了。” 林默看着复核结果，语气坚定地说道，“无论是从相关性数据来看，还是从人工复核结果来看，湿度数据的可靠性都更高。所以，我建议，当视觉识别与湿度数据出现矛盾时，以湿度数据为准。同时，我们要详细记录每一组矛盾样本的信息，包括视觉特征、湿度数值、人工判定结果等，用于后续模型的优化。”

为了确保决策的民主性，林默组织团队进行了投票。最终，除了陈曦投了弃权票外，其余人都同意以湿度数据为准的判定规则。

“我虽然还是有些顾虑，但尊重团队的决策和数据结果。” 陈曦说道，“后续我们可以重点分析这些矛盾样本，看看能不能找到视觉识别误判的原因，进一步提升两个模块的匹配度。”

确定判定规则后，团队重新对 100 组样本进行了综合判定。将 12 组矛盾样本按 “以湿度为准” 的规则修正后，最终的测试结果让所有人都露出了惊喜的笑容：100 组样本中，仅 2 组判定错误，误差率降至 2%，合格率提升至 98%，远超之前设定的 95% 的预期目标！

“成功了！我们终于做到了！” 李萌萌激动地跳了起来，眼眶都有些湿润。这一路走来，团队经历了无数次失败和挫折，从最初的算法优化困境，到后来的参数调试瓶颈，再到双检测方案的矛盾难题，每一次都像是在悬崖边行走，但他们最终还是凭借团结和坚持，找到了正确的方向。

苏晚看着测试报告，心中充满了成就感。她拿起那 2 组误判样本，仔细分析起来：“这两组样本都是‘略过度’等级，湿度数据为 43%，对应等级正确，但视觉识别误判为‘合格’。我发现这两组样本的拍摄角度有些偏差，相机没有捕捉到面团边缘的细微裂纹，导致特征提取不完整。”