工业视觉算法简历范文（社招）

撰写工业视觉算法经历时，应强调从数据采集到模型上线的完整闭环。例如：负责产线玻璃缺陷检测算法开发，基于PyTorch实现YOLOv5并优化为轻量版本，通过TensorRT部署至Jetson Orin，使单张推理从50ms降至12ms，同时误检率维持在0.1%以下。

• 可套用句式：针对[某工业场景]的[某检测/测量任务]，使用[某框架]搭建[某模型]，通过[优化手段（如Mosaic增强、CIoU损失）]将[指标]从A提升至B，最终部署至[硬件平台]达到[速度]要求。
• 若经历较少，可将竞赛/课题项目按相同结构改写，补充数据规模（如2万张标注图片）和验证环境（CPU/GPU型号）。

以下句式可直接替换真实数据后使用，注意保持动词的主动性和结果的数值化。

• 负责液晶面板表面划痕检测算法，基于PyTorch搭建YOLOv5s模型，通过MixUp数据增强和SE注意力机制，使mAP@0.5从82.3%提升至91.7%，单张推理耗时由35ms优化至8ms（Jetson AGX Orin平台）。
• 针对电子元器件焊点缺陷误检率高的问题，设计基于Faster R-CNN+ResNet50的二级分类网络，引入Focal Loss平衡正负样本，最终误检率由15%降至2.8%，已上线3条产线。
• 主导相机标定与图像预处理模块开发，采用棋盘格标定+畸变校正，结合自适应阈值分割和形态学滤波，将定位精度控制在±0.02mm范围内，年维护成本减少20万元。

关键词需按类别组织并分散在技能、经历摘要和项目描述中。建议包含以下组别：

• 深度学习框架：PyTorch、TensorFlow、Keras、ONNX、TensorRT。
• 经典算法：YOLOv5/v8、SSD、Faster R-CNN、ResNet、MobileNet；传统方法：Canny、霍夫变换、Otsu、轮廓检测。
• 部署与优化：TensorRT、NVIDIA DeepStream、Docker、CUDA、模型剪枝、量化、知识蒸馏。
• 硬件与协议：GigE Vision、USB3 Vision、Modbus、PLC、Jetson、树莓派、工业相机、光源控制器。