岗位职责
1、主导动力电池产线全流程视觉质检算法研发，深耕极片针孔/裂纹、焊缝缺陷及模组装配错配等检测场景，完成模型训练、调优与迭代，落地高精度、高实时性的产线质检方案，满足量产检测效率与良率要求；
2、负责电池多类型缺陷分类、微小缺陷识别场景的微调与部署，联动产线质检数据优化模型泛化能力，辅助提升质检覆盖率与准确率；
3、优化质检模型推理性能，解决产线边缘检测设备算力受限问题，确保模型适配产线节拍，实现检测延迟达标与稳定运行；
4、处理产线质检全量数据，包括缺陷样本标注管理、场景化数据增强、微小/模糊缺陷等难例挖掘，构建贴合量产工况的高质量质检数据集，支撑模型持续优化；
5、实现质检模型的服务化部署与产线自动化迭代，保障模型快速落地并适配产线工艺调整；
6、设计分布式训练架构提升质检模型训练效率，完成质检算法与产线CCD相机、分拣设备、MES系统的工程化集成，实现检测、判定、反馈全链路闭环；
7、跟踪动力电池产线视觉质检前沿技术，预研3D视觉检测、在线实时复检等方案，沉淀质检算法研发与产线落地经验文档，推进团队质检技术能力迭代。
工作要求
1、计算机视觉基础：精通OpenCV、图像处理、目标检测、语义/实例分割；
2、深度学习框架：熟练使用PyTorch/TensorFlow进行模型训练、调优与评估；
3、大模型应用：熟悉大模型，具备部署、微调、大模型应用开发经验；
4、模型部署优化：掌握ONNX、TensorRT、OpenVINO等推理加速框架；了解边缘设备部署；
5、数据处理：熟练使用Python进行数据清洗、标注管理、数据增强及难例挖掘；
6、MLOps实践：熟悉Git、Docker、CI/CD流水线，具备模型版本管理与自动化部署经验；
7、系统架构：有设计分布式训练、模型服务化（Triton/TensorFlow Serving）经验；
8、工程能力：精通Python/C++，熟悉Linux环境及Shell脚本。