岗位职责（核心工作）
工业视觉质检：运用 YOLO 系列目标检测算法以及 U-Net、DeepLabV3 等语义分割模型，致力于开发并持续优化门窗五金产品（像锁具、滑轮、铰链等）的自动化视觉检测系统。该系统将精准检测产品的表面缺陷（如划痕、变形、污渍等）、尺寸精度以及装配完整性，大幅提升质检效率与准确性。
生产数据分析与预测：借助线性回归、逻辑回归、聚类分析等算法，结合 Numpy、Pandas、Sklearn 等工具处理海量生产数据，包括设备传感器数据、质检结果、生产参数等。通过深入分析，实现设备的预测性维护，提前规避设备故障；进行工艺参数优化，提高生产效率与产品质量；开展质量根因分析，从源头解决质量问题。
智能文档处理：将 Transformer/BERT 等预训练模型应用于图纸、工艺文件、质检报告等各类文档的处理中，实现文本分类、关键信息抽取（命名实体识别）等功能，显著提升文档管理的效率与准确性。
基础模型应用探索：深入理解 Stable Diffusion、RAG（检索增强生成）等前沿技术，并积极探索其在产品设计辅助、智能客服（售后问题解答）、内部知识库问答等场景的应用潜力，为企业发展注入新动力。
任职资格（核心要求）
必须掌握
核心算法：熟练应用 YOLO 系列目标检测算法和 U-Net/DeepLabV3 等语义分割模型，以解决视觉质检的关键需求；掌握线性回归、逻辑回归、聚类分析等经典机器学习算法，满足生产数据分析的需求；理解 Transformer/BERT 的基本原理与应用，应对文本处理工作。
深度学习框架：熟练掌握 PyTorch 或 TensorFlow 任一主流框架，能够独立实现、训练、调优上述视觉和文本模型，确保算法的有效运行。
数据处理：熟练使用 Python 编程语言，精通 Numpy、Pandas 进行数据清洗、处理和分析，为算法应用提供高质量的数据支持。
工程落地意识：深刻理解制造业场景需求，能将算法灵活应用于解决实际生产问题，如缺陷检测、参数优化等，并且具备将模型部署到实际环境的基本认知，确保技术真正服务于生产。
学历：本科及以上学历，计算机、自动化、机械电子（偏软件 / 算法方向）等相关专业，具备扎实的专业基础知识。
优先考虑（加分项）
工业视觉项目经验：有制造业产品视觉检测（尤其是金属制品、复杂小零件）实际项目经验者优先，这类经验能帮助快速适应岗位需求。
PyTorch 熟练度：精通 PyTorch 者优先，因其在当前工业界应用更为主流，能更好地融入工作。
多模态 / RAG 应用经验：有 Stable Diffusion 图像生成或 RAG 技术在知识管理、问答系统中应用经验者优先，可为企业技术创新提供助力。
行业背景：有门窗五金、家具、家电、汽车零部件等制造业背景或相关项目经验者优先，熟悉行业特点能更快开展工作。
基础技能：了解 OpenCV 等图像处理库，会用 Matplotlib 做基础可视化，能提升工作的便捷性与效率。