算法是核心短板的结论已经明确，但林记研发团队很快陷入了新的困境。车间角落的会议桌前，所有人都愁眉不展，空气中弥漫着焦灼的气息。
“我们团队的核心优势在硬件研发，算法优化确实不是强项。” 陈曦揉了揉疲惫的眉头，语气中带着无奈，“之前调整的三元判断逻辑，已经是我们能做到的极限了，再想进一步提升精度，就需要更专业的算法技术支撑。”
小王也点点头，脸上满是焦虑：“我试着研究了一下传统算法的深度优化，但临界区间的特征太复杂，单纯调整参数根本无法解决根本问题。比如同样是气孔直径 2mm 的面团，有的湿度 63% 是合格的，有的湿度 61% 却接近过度，这种细微差异，传统算法很难精准区分。”
“那我们能不能聘请外部的算法工程师？” 李萌萌提议道，“专业的人做专业的事，或许能快速解决问题。”
这个提议立刻被陈曦否决了：“我已经咨询过两家科技公司，外部算法工程师的报价太高了。单次算法优化就要 5 万元，而且周期需要 1 个月，还不包含后续的维护和迭代。我们这次的研发预算总共才 8 万元，光是请人优化算法就占了一大半，后续基地设施升级、设备调试的资金就不够了。”
“5 万元确实超出了预算。” 林默皱起眉头，心中盘算着。之前申请的 2 万元农业补贴要用于基地的病虫害监测传感器和农户培训，不能挪用；外部合作的预付款还没到账，公司的流动资金也比较紧张。如果花 5 万元聘请外部团队，虽然能解决眼前的问题，但会影响其他项目的推进，得不偿失。
团队陷入了沉默，算法优化工作陷入停滞。所有人都明白，不解决算法问题，“糕小默 2.0” 就无法达到量产标准，之前的所有努力都可能付诸东流。
“难道就没有别的办法了吗？” 苏晚轻声问道，她看着桌上那篇陈曦分享的《深度学习在面团发酵状态检测中的应用》论文，心中突然有了一个念头，“陈曦之前提到的深度学习算法，我们能不能自己尝试引入？”
“自己引入？” 陈曦愣了一下，随即摇了摇头，“深度学习算法的门槛很高，需要掌握卷积神经网络、模型训练等专业知识，我们团队里没有人有相关经验。而且搭建模型、训练数据都需要大量的时间和精力，我们不一定能搞定。”
“但我们可以尝试一下。” 林默突然开口，他的眼神中带着坚定，“现在不是退缩的时候，我们必须找到一个性价比最高的解决方案。我来对比一下外部合作和自主研发的成本与周期，看看哪个更可行。”
他拿起笔，在纸上快速列出两组数据。
“从数据对比可以看出，自主研发虽然有技术门槛，但成本仅为外部合作的 4%，周期还能缩短一半，而且后续可以根据实际需求不断优化模型，长期来看更具性价比。” 林默指着表格分析道，“现在的关键不是我们有没有经验，而是我们愿不愿意尝试。我相信，只要我们团结协作，一定能攻克这个难关。”
陈曦看着表格中的数据，心中有些动摇：“林总，我明白你的意思，但深度学习算法确实很复杂，我们真的能在 2 周内完成模型训练吗？”
“我们不需要一开始就追求完美，” 林默说道，“我们可以先采购成熟的算法框架，比如 tensorFlow 或 pytorch 的开源框架，在此基础上进行二次开发，降低技术难度。而且我们已经有了一定的样本数据基础，再补充收集一些，就能开展模型训练。”
他顿了顿，继续说道：“我已经想好了具体的方案：第一，采购开源算法框架，搭建基础的深度学习模型；第二，制定详细的数据收集计划，采集足够的样本用于模型训练；第三，明确分工，发挥每个人的优势，共同推进项目。”
林默的方案让团队重新燃起了希望。陈曦深吸一口气，坚定地说：“好，我们就尝试自主引入深度学习算法！虽然我对算法不熟悉，但我可以快速学习相关知识，负责模型搭建和训练。”
“我支持你！” 小王立刻响应，“我可以负责优化算法代码与设备的兼容性，确保训练好的模型能顺利嵌入视觉识别系统。”
苏晚也说道：“我和李萌萌负责数据收集和整理，保证样本数据的质量和数量，为模型训练提供有力支持。”
看到团队重新振作起来，林默露出了欣慰的笑容：“太好了！现在我们明确分工，各司其职，全力以赴推进算法优化工作。我会联系相关的技术顾问，为我们提供必要的指导，帮助我们尽快掌握深度学习的核心技术。”
接下来，团队召开了紧急会议，制定了详细的实施计划：
一、算法框架采购与搭建
· 预算：2000 元，采购 tensorFlow 开源算法框架及相关配套工具；
· 负责人：陈曦，在技术顾问的指导下，搭建基础的卷积神经网络模型；
· 时间节点：3 天内完成框架搭建和模型初始化。
二、数据收集计划
· 样本数量：采集 500 组发酵面团的样本数据，涵盖不同发酵状态、不同批次的糯米粉；
· 数据维度：每组样本需包含高清图片（3 个角度）、表面湿度、环境温度、发酵时间、人工判定结果；
· 发酵等级划分：苏晚提出将发酵程度分为 5 个等级（不足、略不足、合格、略过度、过度），确保数据更具针对性；
· 分工：陈曦负责拍摄高清图片，苏晚负责记录湿度、温度、发酵时间等数据，并邀请 3 名糕点师傅进行人工判定；李萌萌负责数据整理和分类，建立样本数据库；
· 时间节点：7 天内完成所有样本数据的收集和整理。
三、模型训练与优化
· 数据预处理：对收集到的样本数据进行归一化、增强处理，提高模型的泛化能力；
· 模型训练：将预处理后的数据集分为训练集（80%）、验证集（10%）、测试集（10%），输入卷积神经网络模型进行训练，不断调整参数，提升识别精度；
· 兼容性调试：模型训练完成后，小王负责将模型嵌入视觉识别系统，进行兼容性调试，确保设备能正常运行；
· 时间节点：7 天内完成模型训练和调试，进行小规模测试。
会议结束后，团队立刻投入紧张的工作。陈曦每天都在查阅深度学习的相关资料，观看线上课程，从最基础的卷积神经网络原理学起。虽然过程很艰难，但他没有丝毫退缩，遇到不懂的问题就请教技术顾问，或者和团队成员一起讨论。
“原来卷积神经网络是通过多层卷积层提取图像特征的，这正好能解决我们临界区间特征模糊的问题。” 陈曦兴奋地向团队分享自己的学习成果，“比如第一层卷积层提取面团的边缘特征，第二层提取纹理特征，深层卷积层就能提取到气孔大小、分布密度等高级特征，从而实现精准识别。”
苏晚和李萌萌则全身心投入到数据收集工作中。为了确保样本数据的多样性和代表性，她们联系了基地，获取了 3 个不同批次的有机糯米粉，分别在不同的环境温度（20c、25c、30c）下进行发酵，制作了 500 组面团样本。
在数据收集过程中，苏晚严格按照 5 个发酵等级进行分类：
· 不足：发酵时间 15 分钟，气孔直径＜1mm，湿度 72% 以上；
· 略不足：发酵时间 20 分钟，气孔直径 1-1.5mm，湿度 68%-72%；
· 合格：发酵时间 25 分钟，气孔直径 1.5-2mm，湿度 62%-68%；
· 略过度：发酵时间 30 分钟，气孔直径 2-2.5mm，湿度 60%-62%；
· 过度：发酵时间 35 分钟以上，气孔直径＞2.5mm，湿度 60% 以下。
她还在数据收集表中预留了 “传统手测评分” 列，请 3 名经验丰富的糕点师傅对每组面团进行手测评分（1-10 分），计划后续对比 “机器识别” 与 “人工判断” 的差异，为后续的双检测方案铺垫。
“这样分类后，模型能更清晰地学习不同发酵等级的特征差异，尤其是临界区间的略不足和略过度等级。” 苏晚向陈曦解释道，“而且加入传统手测评分，我们可以后续评估模型的识别精度是否达到人工水平。”
陈曦点点头：“这个思路很好，数据的质量直接决定了模型的训练效果。我们一定要确保每一组数据的准确性和完整性。”
小王则负责设备调试，确保数据收集过程中，视觉识别系统的镜头、湿度传感器、温度传感器都能正常工作，准确采集相关数据。他还编写了一个简单的数据采集程序，能自动将拍摄的图片和检测到的湿度、温度数据关联起来，大大提高了数据收集的效率。
远在盐城的老周，听说团队正在自主研发深度学习算法，特意组织农户们制作了 100 斤不同批次的有机糯米粉，免费寄到林记车间：“林总，我们虽然不懂什么算法，但我们能提供最好的原料，希望能帮到你们。”
林默收到糯米粉后，深受感动：“周叔，太感谢你们了！有了你们的支持，我们一定能尽快完成算法优化，让‘糕小默 2.0’早日量产。”
时间一天天过去，团队成员们都在各自的岗位上全力以赴。陈曦每天只睡 4 个小时，其余时间都在学习深度学习知识、搭建模型；苏晚和李萌萌每天要制作几十组面团样本，拍摄照片、记录数据，常常忙到深夜；小王则不断调试设备和程序，确保数据收集和模型训练的顺利进行。
在这个过程中，团队成员们的技术能力都得到了快速提升。陈曦从一个对深度学习一窍不通的硬件工程师，逐渐掌握了卷积神经网络的搭建和模型训练的核心方法；小王也学会了如何将深度学习模型与硬件设备进行兼容性调试；苏晚则对数据收集的科学性和针对性有了更深刻的理解，她提出的 5 级发酵分类法，为模型训练提供了高质量的样本数据。
林默也没有闲着，他不仅要协调团队的工作，还要联系技术顾问，为团队提供必要的指导。他每天都会查看项目进展，及时解决团队遇到的问题，鼓励大家坚持下去。
一周后，数据收集工作顺利完成。500 组样本数据整齐地存储在电脑中，涵盖了不同发酵等级、不同环境条件下的面团特征，数据完整、准确，为模型训练奠定了坚实的基础。
陈曦看着这些数据，心中充满了信心：“现在我们有了足够的样本数据，接下来就是模型训练了。我已经搭建好了基础的卷积神经网络模型，接下来要做的就是将数据输入模型，进行迭代训练，不断调整参数，提升识别精度。”
他打开 tensorFlow 框架，将 500 组样本数据分为训练集（400 组）、验证集（50 组）、测试集（50 组），然后设置模型的训练参数：学习率 0.001，迭代次数 100 次， batch size（批次大小）32。
模型训练正式开始。电脑屏幕上不断跳动着训练进度和损失值，随着迭代次数的增加，损失值逐渐降低，模型的识别精度不断提升。
“损失值已经降到 0.1 以下了，验证集的识别精度达到了 85%！” 陈曦兴奋地说道，“按照这个趋势，再训练 20 次，识别精度应该能达到 90% 以上。”
小王也凑了过来，看着屏幕上的训练曲线：“太好了！只要识别精度达到 90%，就能满足量产要求了。而且这个模型是我们自主训练的，后续可以根据实际生产中的数据，不断优化迭代，让识别精度越来越高。”
苏晚则关注着 “机器识别” 与 “人工判断” 的差异：“从目前的测试结果来看，模型对合格、不足、过度三个等级的识别精度很高，但对略不足和略过度两个临界等级的识别精度还有提升空间。不过这已经比之前的传统算法好了很多，后续我们可以通过增加样本数据，进一步优化模型。”
林默看着团队的成果，心中十分欣慰：“短短一周时间，我们就完成了数据收集和模型初步训练，识别精度达到了 85%，这是一个非常大的突破。接下来，我们要继续优化模型，确保识别精度稳定在 90% 以上，然后进行二次试产，验证设备的整体性能。”
当天晚上，研发团队再次举行了简单的庆祝。虽然模型还需要进一步优化，但他们已经看到了成功的希望。陈曦看着屏幕上的模型训练数据，心中感慨万千：“以前我总觉得算法是遥不可及的技术，但通过这次尝试，我发现只要有决心、有毅力，就能攻克难关。这次的经历，不仅让我们解决了算法问题，也让我们团队的技术能力得到了很大的提升。”
苏晚也笑着说：“我觉得这次的成功，离不开林总的果断决策，也离不开我们每个人的努力。现在我更加相信，传统手艺和现代科技是可以完美结合的，我们的‘糕小默 2.0’，不仅能提升生产效率，还能传承非遗手艺的精髓。”
林默举起水杯，对大家说道：“这只是我们迈出的第一步，接下来还有二次试产、设备调试、量产等很多工作等着我们。但我相信，只要我们保持这种团结协作、勇于创新的精神，就没有克服不了的困难。让我们一起努力，让‘糕小默 2.0’早日量产，让林记的有机糕点走向更多消费者的餐桌！”
团队成员们纷纷举起水杯，碰杯的声音在车间里回荡。窗外的夜色中，星光璀璨，就像他们心中的希望，明亮而坚定。
而苏晚预留的 “传统手测评分” 列，也将在后续的模型优化中发挥重要作用。通过对比机器识别与人工判断的差异，团队可以进一步调整模型参数，让 “糕小默 2.0” 的识别精度无限接近人工水平，为最终实现 “视觉识别 + 湿度检测 + 人工复核” 的双检测方案奠定坚实基础。