宁德时代
计算机视觉算法工程师
计算机视觉算法工程师
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公计算机视觉工程
计算机视觉工程
Opencv
Pytorch
Tensorflow
Tensorrt
图像分割
模型部署
深度学习
目标检测
缺陷检测
值不值得投
74综合评分
综合评分 74
增长行业中的工业视觉算法岗，技术成长性强，但工作地点与生活节奏可能与一线互联网有所不同。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2.7万
比计算机视觉工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1010 个在招 · 其中计算机视觉工程 16 个
市场机会
选择不多
宜宾 · 计算机视觉工程 · 2 个在招
职位详情
关于这个职位
该职位为宁德时代的计算机视觉算法工程师，主要负责研发与优化应用于新能源电池制造产线的视觉检测算法，包括目标检测、图像分割、缺陷检测等
需要将深度学习模型从实验室工程化落地到生产环境，以提升制造环节的智能化水平
最低要求
学历专业：硕士及以上学历，计算机、人工智能、软件工程、数学等相关专业
工作年限与年龄不限，以实际能力和项目成果为准
知识技能：
①精通Python编程，熟练使用PyTorch/TensorFlow等深度学习框架
②熟练掌握OpenCV等图像处理库，熟悉目标检测、语义分割、图像分类等核心算法
③掌握C/C++开发能力，熟悉模型推理优化（如TensorRT、ONNX等部署框架）
④熟悉Linux开发环境及Git版本管理
工作职责
负责计算机视觉算法的研发与优化，涵盖目标检测、图像分割、图像分类、缺陷检测等方向，支撑制造产线的视觉检测应用
主导深度学习模型的设计、训练、调优及部署落地，解决实际业务场景中的算法精度与性能问题
参与视觉检测系统的方案设计与技术选型，推动算法从实验室到产线的工程化落地
开展图像数据处理与标注规范制定，构建高质量数据集，持续提升模型泛化能力
跟进计算机视觉前沿技术进展，探索新技术在新能源电池制造场景中的应用可行性
AI 洞察
优缺点分析
优点
- 身处新能源电池这一高速增长行业，能接触到前沿的工业AI应用场景，技术价值直接与产线效率、产品质量挂钩
- 岗位职责覆盖算法研发到落地全链条，能快速积累从理论到工程实践的完整经验
- 宁德时代作为行业龙头，项目规模大、数据资源丰富，有利于技术深度和广度的提升
- 工作地点在非一线城市（宜宾），可能对部分求职者的生活便利性有影响
- 需要持续跟进技术前沿并快速应用于生产，对工程师的学习能力和业务理解能力要求高
- 适合对计算机视觉有浓厚兴趣，不仅满足于算法研究，更渴望将算法应用于解决实际制造业问题的工程师
- 能够接受在制造业一线环境中工作，追求技术落地成就感
缺点 / 挑战
- 工业场景对算法的鲁棒性、实时性和稳定性要求极高，算法落地可能面临复杂环境挑战，调试优化周期长
角色解读
- 技术专家路线：深入垂直领域（如新能源工业视觉），成为该领域的算法架构师或技术专家
- 技术管理路线：随着项目经验积累，可带领小团队负责更复杂的视觉系统或多个产线的技术方案
- 行业拓展路线：将工业视觉经验迁移至其他智能制造领域（如汽车、3C），或向计算机视觉的更前沿方向（如3D视觉、多模态）探索
- 针对电池制造产线，研发和优化目标检测、缺陷检测等计算机视觉算法
- 负责从模型设计、训练到在工业生产环境中部署的全流程，解决实际落地问题
- 构建和管理高质量的图像数据集，推动算法从实验室走向产线，实现工程化
- 扎实的计算机视觉算法基础，精通目标检测、图像分割等核心技术
- 熟练的深度学习框架（PyTorch/TensorFlow）和编程（Python、C++）能力
- 具备模型工程化部署和优化的能力，了解TensorRT/ONNX等工具链
申请策略
- 研究宁德时代及其电池制造流程，了解视觉检测可能应用的环节（如电芯表面检测、模组装配检查等），在面试中展现业务理解
- 面试中不仅要讲清楚算法原理，更要强调你在项目中如何解决实际工程问题（如数据不足、算力限制、实时性要求）
- 重点突出1-2个完整的计算机视觉项目经历，尤其是涉及模型训练、调优、部署全流程的实践
- 清晰列出掌握的技能，特别是Python、PyTorch、OpenCV、TensorRT等JD明确要求的技术栈
- 如有任何与工业视觉、缺陷检测、产线自动化相关的经历或论文，务必着重强调
- 可以尝试在公开数据集（如COCO、VOC）上复现经典检测/分割模型，并尝试使用TensorRT等工具进行模型转换与优化，熟悉部署流程
- 学习一些工业视觉的基础知识，了解常见缺陷类型、产线逻辑和图像采集设备
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化回答项目问题，突出个人贡献和解决难题的能力
- 回答技术问题时，先说明常规方法，再结合实际项目经验阐述为何选择某种方案，以及权衡了哪些因素
- 展示你对工业场景特殊性的思考，例如环境变化、噪声干扰、实时性要求等，而不仅仅是算法指标
- 请介绍一个你做过的最复杂的计算机视觉项目，从数据、模型到部署，遇到最大的挑战是什么？如何解决的？
- 在工业缺陷检测场景下，如何处理样本不均衡（缺陷样本稀少）的问题？
- 如何平衡模型的检测精度和推理速度？你在模型轻量化或加速方面有哪些经验？
- 你对模型在工业现场部署的稳定性和鲁棒性有什么理解？会考虑哪些因素？
- 复习经典检测模型（如YOLO系列）和分割模型（如U-Net）的原理与区别，思考其在工业场景的适用性
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
公司为已上市巨头，通常薪资体系与福利保障相对完善。但JD未披露具体薪资福利，需在面试中确认。
薪资信号未披露（AI估算：1.8千–3.5万/月）
成长发展
85较高
职位技术要求明确且前沿，涉及从算法到落地的完整链条，且行业处于技术快速应用期，有利于技能深度发展。
技术前沿主流现代技术
技术栈Python、PyTorch、TensorFlow、OpenCV、TensorRT、ONNX、C/C++
业务类型ambiguous
工作生活
60中等
工作地点在非一线城市（宜宾），生活成本可能较低，但娱乐生活丰富度可能受限。工作模式未提及，可能需现场办公。
工作模式未明确
办公地点工厂/生产基地
加班情况未提及（无法判断）
使命价值
70中等
所属新能源电池制造行业是明确的增长赛道，技术服务于提升制造效率和质量，但岗位本身的社会影响力偏中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs