车间的灯光彻夜未熄，研发团队的优化方案刚敲定框架，一场新的分歧就在误差分析会上爆发了。会议桌两端，陈曦和小王各执一词，气氛剑拔弩张。
“首试失败的核心问题很明确，是视觉镜头的分辨率不足！” 陈曦将一份面团特写照片拍在桌上，照片中发酵过度的面团气孔边缘有些模糊，“我们现在用的 2K 镜头，虽然能捕捉到明显的大气孔，但对于 1.5-2.5 的细微气孔差异，辨识度太低。就像这组照片，合格面团的气孔直径 1.8，轻微发酵过度的气孔 2.2，镜头拍出来几乎没有区别，系统自然会误判。” 他顿了顿，语气坚定，“必须更换 4K 镜头，提升画面解析度，才能让系统精准识别这些临界差异。”
“我不同意！” 小王立刻反驳，手指快速滑动平板电脑上的参数表，“陈哥，镜头的分辨率参数我们早就验证过了。2K 镜头的像素密度完全能覆盖面团气孔的识别需求，行业内同类食品视觉检测设备，用的也都是 2K 镜头，误判率远低于我们现在的水平。问题根本不在硬件，而是识别算法的阈值设置有问题！”
他调出系统算法的核心代码片段，指着屏幕解释：“你看，算法现在是‘非黑即白’的判断逻辑 —— 只要表面光滑度、颜色饱和度两项指标达到 80 分以上，就判定为合格。但发酵程度是连续变化的，很多面团处于‘接近合格’和‘轻微不合格’的临界区间，比如表面光滑度 78 分、颜色饱和度 82 分，算法无法区分这种细微差异，要么误判合格，要么误判不合格。”
两人各执一词，争论不休。团队成员们面面相觑，有人支持陈曦的硬件升级方案，觉得 “镜头精度不够，再好的算法也没用”；也有人认同小王的观点，认为 “算法才是核心，盲目升级硬件只是浪费成本”。会议陷入僵局，优化方向迟迟无法确定。
“都先冷静一下。” 林默看着争执不下的两人，开口打破了沉默，“我们不能凭主观判断下结论，研发要靠数据说话。现在最关键的是做两组对比测试：第一，用现有 2K 镜头拍摄不同气孔大小的面团，测试算法对临界区间的识别能力；第二，找备选的 4K 镜头，对比两者的误判率差异。只有数据才能告诉我们，到底是镜头的问题，还是算法的问题。”
林默的提议得到了所有人的认可。会议结束后，团队立刻兵分两路，投入紧张的测试工作。
陈曦带着小王和两名技术员，负责第一组测试 —— 验证算法对临界区间的判断能力。他们按照发酵时间梯度，制作了 50 组面团，气孔直径严格控制在 0.5-4 之间，其中重点覆盖 1.5-2.5 的临界区间（这是合格与轻微不合格的分界范围）。每组面团都用现有 2K 镜头拍摄 10 张不同角度的照片，导入视觉识别系统进行自动判定，同时由 3 名经验丰富的糕点师傅进行人工判定，作为对照标准。
测试过程持续了整整一天。技术员们在电脑前逐一记录系统判定结果，对比人工判定结论，统计不同气孔直径区间的误判率。当最终数据汇总到表格中时，所有人都清晰地看到了问题所在。
“数据不会说谎，” 小王指着表格，语气中带着一丝不易察觉的欣慰，“临界区间的误判率高达 30%，尤其是 2.5-3 的轻微过度面团，误判率更是达到 60%。这说明算法对‘接近合格’和‘轻微不合格’的面团缺乏有效的区分能力，而不是镜头分辨率的问题 —— 如果是镜头的问题，应该是所有区间的误判率都偏高，而不是集中在临界区间。”
陈曦看着数据，眉头微微舒展。他不得不承认，小王的判断有道理，但他仍未完全放弃硬件升级的想法：“临界区间误判率高确实是算法的问题，但也许更换 4K 镜头后，能让临界区间的特征更清晰，帮助算法提升判断精度。我们先完成第二组测试，再下最终结论。”
第二组测试随即启动 —— 对比 2K 镜头与 4K 镜头的误判率差异。陈曦联系了供应商，借来了一款同品牌、同焦距的 4K 镜头，安装在同一台设备上，保持灯光、拍摄角度等所有参数不变，对第一组测试中误判率最高的 20 组临界区间面团，进行重复测试。
测试结果很快出炉：2K 镜头对这 20 组面团的误判率为 30%，而 4K 镜头的误判率为 27%，仅相差 3%。这个微小的差异，远低于团队的预期。
“仅仅提升 3%，根本达不到我们的目标。” 苏晚看着测试数据，分析道，“更换 4K 镜头的成本要增加 2 万元，而且后续的设备兼容性调试、数据存储成本都会上升，但误判率的改善效果微乎其微，性价比太低。”
李萌萌也补充道：“之前申请的农业补贴只有 2 万元，要是都花在更换镜头上，基地的病虫害监测传感器和农户培训就没法推进了，得不偿失。”
数据对比的结果一目了然：算法对临界区间的判断能力不足，才是导致误判的核心原因；镜头分辨率并非主要矛盾，更换 4K 镜头的投入产出比极低。这场持续了两天的分歧，终于在实打实的数据面前尘埃落定。
“我承认，算法才是当前最需要优化的环节。” 陈曦放下手中的测试报告，语气诚恳，“之前我过于关注硬件参数，忽略了算法对复杂场景的适配能力，是我的思路太局限了。” 他看着小王，露出了释然的笑容，“接下来，我们的核心工作要放在算法优化上，重点解决临界区间的识别问题。”
小王也有些不好意思：“陈哥，我之前说话也太冲了。其实镜头分辨率确实有提升空间，只是现在不是最紧急的。等算法优化到一定程度，我们再考虑硬件升级，效果会更好。”
林默看着冰释前嫌的两人，欣慰地说：“研发团队有不同意见很正常，关键是要通过科学的方法验证，找到问题的核心。现在我们明确了优化方向，接下来就要集中精力攻克算法难关。” 他的目光扫过团队成员，“陈曦负责统筹算法优化，小王牵头修改核心代码，苏晚和李萌萌协助收集更多样本数据，我们的目标是在一周内完成算法迭代，让二次试产的合格率提升至 90% 以上。”
会议结束后，苏晚在整理会议纪要时，特意在 “误差原因” 一栏旁标注了一行小字：“湿度差异可能是辅助判断依据 —— 临界区间面团的湿度波动是否有规律？可结合湿度数据优化算法。” 她始终没有忘记之前发现的湿度与发酵程度的相关性，觉得传统手艺中的经验，或许能为算法优化提供新的思路。
陈曦则立刻投入到算法优化的准备工作中。他打开电脑，搜索 “食品视觉识别算法”“临界值区间判断” 等关键词，下载了大量相关文献。在一篇题为《深度学习在面团发酵状态检测中的应用》的论文中，他看到了一个关键观点：传统的阈值判断算法难以应对食品加工中的复杂场景，而深度学习算法能够通过大量样本训练，自动学习不同状态下的特征差异，尤其是对临界区间的识别精度，比传统算法提升 40% 以上。