精工自动化-视觉算法岗49345

优缺点分析

角色解读

• 可在工业视觉方向深耕，成长为缺陷检测算法专家或技术负责人
• 积累成像+算法+部署的全链路经验后，可转向智能制造解决方案架构或AI平台方向
• 工业质检是AI落地最成熟的场景之一，相关经验在消费电子、半导体、新能源等行业通用性强
• 负责工业视觉质检产品中缺陷检测、异物检测等算法的开发、测试与验证
• 参与从需求沟通、方案设计、技术路线制定到模型选型、部署上线的全流程开发
• 围绕漏检率、误检率、推理效率、内存占用等产线关键指标持续调优
• 与团队协作参与成像方案设计，提升算法在真实生产环境下的鲁棒性
• 扎实的深度学习功底，精通目标检测（有监督/无监督）、语义分割、分类中的一种或多种
• 具备工业场景缺陷检测/异物检测的实际项目落地经验，理解产线数据特点
• 掌握模型优化与加速手段，能在精度、速度与内存之间做工程权衡
• 对成像原理有基本理解，能与光学、硬件、产线团队有效协作

申请策略

• 提前了解长城汽车精工板块的业务范围与整车制造质检场景，面试时能对应到具体环节
• 准备一份可量化复盘的项目案例，重点讲清在真实工业数据上如何控制误检与漏检
• 重点突出目标检测、语义分割或分类的具体项目，写明数据集规模、任务定义与最终指标
• 量化缺陷检测/异物检测项目成果，如漏检率、误检率、推理耗时的改善幅度
• 展示模型部署与加速经验，如 TensorRT、ONNX、边缘设备或产线工控机部署
• 如有与光学/成像方案团队协作的经历，务必单独列出
• 补充模型量化、剪枝与推理加速工具链（TensorRT / ONNX Runtime）的实操经验
• 学习工业异常检测常用方法（如 PatchCore、PaDiM）以应对小样本与无监督场景

面试指南

• 用 STAR 结构讲项目：场景背景—技术方案—量化指标—复盘反思，避免只讲模型结构
• 遇到指标类问题，先讲清指标定义与评测方法，再讲优化手段与可量化收益
• 技术选型问题强调权衡逻辑：精度、速度、成本与可维护性如何取舍
• 介绍一个你主导的工业缺陷检测项目：数据如何采集和标注，最终指标如何？
• 面对小样本、类别不平衡的缺陷数据，你会采用哪些处理策略？
• 如何降低漏检率？漏检与误检之间你如何做权衡？
• 你做过哪些推理加速与内存优化工作？带来了多少实际收益？
• 当成像质量不达标时，你会如何与光学团队协作改进？