面向工业视觉检测领域的计算机视觉算法工程师岗位，负责缺陷检测模型开发、数据标注管理、边缘推理优化与产线落地，适合有PyTorch、目标检测和TensorRT经验的社招求职者。
结合计算机视觉算法工程师（工业视觉检测方向），了解岗位定位、职责场景、专业技能、招聘要求和面试重点，再结合完整简历进行参考。
计算机视觉算法工程师在工业视觉检测中处于算法研发与产线落地的衔接位置，上游对接光学成像与数据采集，下游服务软件系统和质量管控。岗位核心不是单纯刷榜，而是在光照变化、节拍压力和算力受限条件下稳定识别缺陷。
适合有图像处理、深度学习基础，且愿意深入制造现场的人。有目标检测、分割、小样本学习或边缘部署经验者更容易切入，需要能接受与硬件、工艺和质量团队频繁协作的工作方式。
核心职责围绕数据与模型展开。需要制定图像采集规范，明确标注边界和难例标准，维护训练集版本和难例库，再基于PyTorch训练目标检测或分割模型，输出可解释的缺陷位置与置信度。
数据标注质量直接影响模型上限。常见做法包括组织跨部门数据复核、计算标注一致性指标、定期复盘误报样本，并把产线误报与漏检成本转化为可量化的评价指标。
工业现场通常要求算法在边缘设备上实时运行，因此模型部署和推理优化是岗位关键环节。工程师需要将训练好的模型导出为ONNX，再通过TensorRT等工具优化，在保持精度的同时降低单件推理时间。
部署不是一次性工作，需要与软件团队联调相机触发、推理延迟和人工复判流程，并准备阈值表、模型版本和回退方案，确保产线节拍稳定和异常可恢复。
金属表面缺陷检测是工业视觉的典型场景，常见缺陷包括划伤、凹坑、脏污和纹理干扰。项目通常从定义缺陷边界开始，构建不同光源、批次和材质的验证集，再比较检测模型与分割模型的漏检和误报成本。
现场验证阶段常采用影子运行和人工复判，逐步确认模型稳定性。工程师需要交付模型版本、阈值表和回退方案，并与光学、软件和质量团队协作推动上线。
岗位要求扎实的深度学习基础，熟悉目标检测、图像分割和传统几何规则结合的方法。PyTorch是常见训练框架，ONNX和TensorRT是边缘部署常用工具。
除算法外，还需要理解工业视觉系统的基本构成，包括相机、镜头、光源和触发方式，并能用统计指标评估标注一致性和模型表现。
招聘方通常关注候选人是否有工业视觉检测落地经验，尤其是缺陷检测、小样本学习和边缘部署经历。能说明如何定义标注标准、如何平衡误报漏检、如何与跨部门团队协作的候选人更具优势。
社招岗位还看重项目交付能力，包括模型版本管理、现场验证、回退方案和成本控制意识。有指导初级工程师或组织技术分享经验者，在团队协作维度会加分。
下面整理了计算机视觉算法工程师岗位求职中常见的搜索问题，方便快速了解职责、业务场景、技能要求和面试关注点。
小样本缺陷识别有哪些常用方法？
可从数据增强、迁移学习、异常检测和传统几何规则结合入手，重点说明如何在样本极少时保证召回率。
如何平衡误报率和漏检率？
先明确产线对漏检和误报的成本权重，再通过阈值调整、难例挖掘和模型迭代优化，必要时引入人工复判。
ONNX和TensorRT在部署中起什么作用？
ONNX用于模型格式转换和跨框架部署，TensorRT用于推理加速和精度校准，需关注算子支持和延迟表现。
如何制定数据标注规范？
明确缺陷边界、难例标准和复核流程，计算标注一致性指标，并定期组织跨部门评审。
面试通常围绕项目细节、技术选型和工程权衡展开。回答时建议结合具体场景说明约束条件、方案选择和最终效果，避免只谈模型结构。
工业视觉算法工程师可向资深算法专家、技术负责人或视觉产品经理方向发展。随着智能制造和边缘计算普及，岗位对模型轻量化、小样本学习和多模态融合的要求在提升。
保持对开源社区、技术会议和行业标准关注，有助于积累可迁移的方法论。具备产线落地经验的工程师在制造业数字化升级中需求稳定。
