清晨的阳光透过车间窗户，洒在整齐排列的电脑设备上。陈曦揉了揉布满血丝的眼睛，指尖在键盘上快速敲击，将预处理后的 500 组样本数据导入 tensorFlow 算法框架。经过一夜的准备，深度学习模型的训练终于要正式启动了。
“模型参数已经设置完毕，学习率 0.001，迭代次数 100 次，batch size 设为 32。” 陈曦盯着屏幕上的参数配置界面，向团队通报情况，“现在点击训练按钮，模型就会开始自动学习样本特征，预计 6 小时后完成首轮训练。”
林默、苏晚、李萌萌和小王围在电脑旁，眼神中充满了期待。“这 500 组样本我们花了 10 天时间精心收集，数据质量很高，希望模型能不负众望。” 苏晚轻声说道，手中紧紧攥着那份记录着传统手测评分的样本表。
小王则有些迫不及待：“按照之前的测试，只要模型识别精度能稳定在 90% 以上，我们就能进行二次试产了。真想快点看到结果！”
林默拍了拍大家的肩膀：“耐心等待，模型训练是一个循序渐进的过程，我们要相信数据的力量。”
随着陈曦按下 “开始训练” 按钮，电脑屏幕上立刻跳动起训练进度条。损失值从最初的 1.2 逐渐下降，训练集的识别准确率则一步步攀升。2 小时后，损失值降至 0.3，准确率达到 75%；4 小时后，损失值稳定在 0.15 左右，准确率突破 85%；6 小时后，首轮训练结束，屏幕上显示出最终结果：训练集识别准确率 90%，验证集识别准确率 88%。
“太好了！达到预期目标了！” 李萌萌兴奋地拍手欢呼，“训练集准确率 90%，验证集 88%，这个成绩已经很不错了！”
小王也松了口气：“接下来我们用新制作的测试样本验证一下，看看模型的泛化能力怎么样。”
为了测试模型的实际应用效果，苏晚和李萌萌提前制作了 20 组全新的样本，涵盖了所有发酵等级，而且特意增加了临界样本的比例。她们没有将这些样本纳入训练集，目的就是检验模型对未知数据的识别能力。
陈曦将 20 组测试样本的图片和数据输入模型，点击 “预测” 按钮。屏幕上的进度条快速推进，几秒钟后，预测结果出来了 —— 识别准确率仅 65%。
“怎么会这样？” 所有人的笑容瞬间凝固。屏幕上的错误分布表清晰地显示，模型对合格样本的识别准确率仍有 95%，但对 “略不足” 和 “略过度” 的临界样本识别准确率仅 30%，甚至有 3 组 “略过度” 样本被误判为合格，2 组 “略不足” 样本被误判为不足。
“这就是典型的过拟合问题。” 陈曦脸色凝重地解释道，“模型在训练集上表现很好，但对新的测试样本识别精度大幅下降，说明它只是死记硬背了训练数据的特征，没有真正学会举一反三，无法泛化应用到实际生产中。”
林默眉头紧锁：“过拟合？那是什么原因导致的？我们的样本数据不是已经很均衡了吗？”
陈曦打开样本分布统计表，重新仔细核对：“你们看，虽然我们之前统计的临界样本占比达到 40%，但在训练过程中，我发现原始数据中‘合格样本’的实际有效特征占比高达 40%，而其他四个等级的样本各占 15% 左右。模型在训练时会自动偏向样本特征更丰富的类别，导致对合格样本的识别精度很高，但对其他等级样本，尤其是临界样本的识别能力不足。”
苏晚也发现了问题所在：“而且我们的训练样本都是在固定的环境条件下制作的，光线、温度、湿度都相对稳定，但实际生产中环境是变化的，模型没有学习到这些变化带来的特征差异，所以面对新的测试样本时就会出现误判。”
团队刚刚燃起的希望又被浇上了一盆冷水。如果不能解决过拟合问题，模型就无法投入实际应用，之前 10 天的样本收集和 6 小时的训练都将前功尽弃。
“大家别灰心，过拟合是深度学习模型训练中很常见的问题，只要找到正确的解决方法，就能大幅提升模型的泛化能力。” 林默看着沮丧的团队成员，语气坚定地鼓励道，“模型训练本就是一个不断试错、不断优化的过程，每一次失败都是向成功迈进的一步。现在我们要做的，就是分析原因，找到解决方案。”
陈曦点点头，立刻打开电脑，搜索 “深度学习过拟合解决方法”。他快速浏览了多篇专业文献，结合自己的理解，总结出两个核心解决方案：“要解决过拟合问题，一是要优化数据处理，通过数据增强技术增加样本的多样性，同时均衡各等级样本的占比；二是要调整模型结构，加入正则化层，防止模型过度依赖训练数据的特征。”
“我们先从数据处理入手，这是最直接有效的方法。” 林默做出决策，“陈曦负责研究数据增强技术，生成扩展样本；苏晚负责验证增强后样本的有效性，确保数据符合实际情况；小王负责调整样本分布，让各等级样本占比均衡；我负责统筹协调，跟踪优化进度。”
方案确定后，团队立刻投入工作。陈曦选择了三种常用的数据增强技术：图像旋转（0°、90°、180°、270°）、缩放（0.8 倍、1.0 倍、1.2 倍）、亮度调整（±10%、±20%）。他编写了一段 python 脚本，对现有的 500 组样本图片进行处理，每组图片生成 2 组扩展样本，最终得到 1500 组样本数据。
“通过旋转、缩放和亮度调整，能让模型学习到不同角度、不同大小、不同光线条件下的样本特征，从而提升泛化能力。” 陈曦向团队解释道，“比如之前我们担心的光线变化问题，通过亮度调整生成的扩展样本，就能让模型提前适应这种变化，为后续的光线补偿算法打下基础。”
苏晚则仔细对比了原始样本和增强样本的数据差异。她随机抽取了 10 组增强样本，测量它们的湿度、气孔直径等关键数据，发现增强后的样本特征与原始样本基本一致，没有出现失真的情况。“数据增强后的样本仍然符合实际生产中的情况，不会影响模型的学习效果。” 苏晚向团队汇报了验证结果。
接下来是样本均衡化处理。小王将 1500 组样本按照发酵等级重新分类，通过随机筛选的方式，让每个等级的样本数量都保持在 300 组，占比均为 20%。“这样一来，模型在训练时就不会偏向任何一个等级的样本，能够均匀学习到所有等级的特征，尤其是临界样本的特征。” 小王说道。
为了进一步提升模型的泛化能力，陈曦还对样本集进行了重新划分：“我们将 1500 组样本分为训练集（1200 组，占 80%）和验证集（300 组，占 20%），其中验证集全部采用增强后的样本，而且确保验证集中各等级样本的分布与训练集一致。这样在训练过程中，模型就能不断通过验证集进行自我修正，避免过度依赖训练数据。”
一切准备就绪后，陈曦启动了第二轮模型训练。这次他还在模型中加入了 L2 正则化层，进一步防止过拟合。“正则化层能给模型的权重参数加上约束，避免某些参数过大，从而防止模型过度拟合训练数据的细节特征。” 陈曦解释道。
团队成员们没有离开车间，而是守在电脑旁，实时关注着训练进度。随着迭代次数的增加，训练集和验证集的识别准确率都在稳步提升，而且两者之间的差距越来越小 —— 这意味着过拟合问题正在得到缓解。
“你们看，训练到 50 次迭代时，训练集准确率 92%，验证集准确率 91%，差距只有 1%！” 李萌萌兴奋地喊道，“这比第一次训练时的差距小多了，说明数据增强和正则化起到了作用！”
苏晚则重点关注临界样本的识别情况。她从验证集中抽取了 50 组临界样本，跟踪模型的识别准确率。当训练进行到 80 次迭代时，临界样本的识别准确率已经从之前的 30% 提升到了 75%，有了质的飞跃。
“太好了！临界样本的识别精度提升很明显！” 苏晚激动地说道，“这说明我们的样本增强和均衡化处理是有效的，模型已经开始学会区分那些细微的临界差异了。”
林默看着屏幕上不断攀升的准确率曲线，心中十分欣慰：“这就是团队协作的力量！遇到问题不可怕，只要我们团结一心，积极寻找解决方案，就没有克服不了的困难。”
6 小时后，第二轮模型训练结束。最终结果显示：训练集识别准确率 94%，验证集识别准确率 93%，两者差距仅 1%，过拟合问题得到了有效解决。
“现在我们用之前的 20 组测试样本再验证一次！” 小王迫不及待地说道。
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。”
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。