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。