1．針對零部件表面缺陷，主導算法軟件的需求評估，與算法供應商合作設計及優化視覺算法。
2．提升檢測準確率，降低漏檢率和誤檢率。加快處理速度。兼顧魯棒性 Robustness 和泛化性 Generalization。
3．檢測場景的數據采集、標注與清洗，結合數據增強技術提升模型泛化能力?；谏a反饋數據持續迭代算法模型，解決新出現的缺陷類型。
4．與硬件（光學、電氣）團隊協同，將算法適配至實際檢測設備，解決“算法理論效果”與“設備實際表現”的偏差；負責算法的工程化部署：將模型部署至工業控制器、嵌入式平臺或PC端檢測系統，配合軟件團隊完成算法與設備控制邏輯的集成。
5．理解檢測標準，將業務規則轉化為算法邏輯。為測試、運維團隊提供算法技術支持，編寫算法使用手冊、制定異常處理預案，參與設備調試與現場問題排查。
6．跟蹤行業前沿算法，評估其在應用可行性，推動技術預研與落地。協助成熟視覺檢測技術在各產線推廣使用。
7．完成每周工作報告總結撰寫，積極合理的向領導匯報工作進度與問題點；完成上級臨時安排的其它任務。

職位要求：
1. 學歷與專業：本科及以上學歷，計算機科學、自動化、模式識別、圖像處理等相關專業。
2. 工作經驗：
- 3年以上機器視覺算法開發經驗，有檢測項目（如3C電子、汽車零部件、半導體、鋰電等行業）全流程落地經驗，熟悉生產場景的算法適配難點。
- 主導過“傳統算法+深度學習”混合方案落地（如復雜背景下先用傳統算法定位ROI，再用深度學習細分類）。
- 解決過高速流水線（≥50件/分鐘）或高精度（≤0.01mm）檢測場景的算法瓶頸。
3. 技術能力：
- 算法基礎：精通傳統機器視覺算法（OpenCV/Halcon庫熟練應用，如邊緣檢測、模板匹配、Blob分析）；掌握深度學習框架（TensorFlow/PyTorch），能獨立搭建、訓練檢測模型（如YOLO、Faster R-CNN）與分類模型（如ResNet、EfficientNet）。
- 工程化能力：熟悉C++/Python編程語言，能將算法封裝為可調用的模塊（如動態鏈接庫）；了解模型部署工具（如ONNX Runtime、TensorRT），有嵌入式平臺（如Jetson TX2/NX）部署經驗者優先。
- 場景理解：理解工業檢測的核心指標（漏檢率、誤檢率、處理速度），能基于生產數據量化算法效果（如將誤檢率從3%降至0.5%）；熟悉至少一種行業檢測標準（如汽車行業IATF 16949中的視覺檢測要求）。
4. 軟技能 ：
- 具備強問題拆解能力：能從生產反饋（如“某批次工件頻繁誤判”）中定位算法根因（如樣本分布偏移、特征提取失效）并快速驗證解決方案。
- 優秀的跨部門溝通能力：能將算法技術細節轉化為業務語言（如“算法優化后可減少30%人工復核工作量”），推動各團隊協同解決問題。
- 結果導向：以“提升生產質量/效率”為目標，而非單純追求算法復雜度，能平衡算法性能與工程落地成本。
5. 熟悉IATF16949、ISO14001、ISO27001、TISAX和ISO45001 等體系相關知識。