· 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（20℃、25℃、30℃）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。