1．针对零部件表面缺陷，主导算法软件的需求评估，与算法供应商合作设计及优化视觉算法。
2．提升检测准确率，降低漏检率和误检率。加快处理速度。兼顾鲁棒性 Robustness 和泛化性 Generalization。
3．检测场景的数据采集、标注与清洗，结合数据增强技术提升模型泛化能力。基于生产反馈数据持续迭代算法模型，解决新出现的缺陷类型。
4．与硬件（光学、电气）团队协同，将算法适配至实际检测设备，解决“算法理论效果”与“设备实际表现”的偏差；负责算法的工程化部署：将模型部署至工业控制器、嵌入式平台或PC端检测系统，配合软件团队完成算法与设备控制逻辑的集成。
5．理解检测标准，将业务规则转化为算法逻辑。为测试、运维团队提供算法技术支持，编写算法使用手册、制定异常处理预案，参与设备调试与现场问题排查。
6．跟踪行业前沿算法，评估其在应用可行性，推动技术预研与落地。协助成熟视觉检测技术在各产线推广使用。
7．完成每周工作报告总结撰写，积极合理的向领导汇报工作进度与问题点；完成上级临时安排的其它任务。

职位要求：
1. 学历与专业：本科及以上学历，计算机科学、自动化、模式识别、图像处理等相关专业。
2. 工作经验：
- 3年以上机器视觉算法开发经验，有检测项目（如3C电子、汽车零部件、半导体、锂电等行业）全流程落地经验，熟悉生产场景的算法适配难点。
- 主导过“传统算法+深度学习”混合方案落地（如复杂背景下先用传统算法定位ROI，再用深度学习细分类）。
- 解决过高速流水线（≥50件/分钟）或高精度（≤0.01mm）检测场景的算法瓶颈。
3. 技术能力：
- 算法基础：精通传统机器视觉算法（OpenCV/Halcon库熟练应用，如边缘检测、模板匹配、Blob分析）；掌握深度学习框架（TensorFlow/PyTorch），能独立搭建、训练检测模型（如YOLO、Faster R-CNN）与分类模型（如ResNet、EfficientNet）。
- 工程化能力：熟悉C++/Python编程语言，能将算法封装为可调用的模块（如动态链接库）；了解模型部署工具（如ONNX Runtime、TensorRT），有嵌入式平台（如Jetson TX2/NX）部署经验者优先。
- 场景理解：理解工业检测的核心指标（漏检率、误检率、处理速度），能基于生产数据量化算法效果（如将误检率从3%降至0.5%）；熟悉至少一种行业检测标准（如汽车行业IATF 16949中的视觉检测要求）。
4. 软技能 ：
- 具备强问题拆解能力：能从生产反馈（如“某批次工件频繁误判”）中定位算法根因（如样本分布偏移、特征提取失效）并快速验证解决方案。
- 优秀的跨部门沟通能力：能将算法技术细节转化为业务语言（如“算法优化后可减少30%人工复核工作量”），推动各团队协同解决问题。
- 结果导向：以“提升生产质量/效率”为目标，而非单纯追求算法复杂度，能平衡算法性能与工程落地成本。
5. 熟悉IATF16949、ISO14001、ISO27001、TISAX和ISO45001 等体系相关知识。