算法工程师

精通 C++：这是工业界落地的核心。必须熟悉 C++11/14/17 标准，具备优秀的内存管理、多线程编程能力，能使用 CMake 进行跨平台构建。
熟练 Python：用于算法原型验证、模型训练（PyTorch/TensorFlow）及数据处理脚本编写。
主流库框架：
传统视觉：精通 OpenCV (底层原理及优化)、Halcon (加分项，很多工厂仍在使用)、VisionPro。
深度学习：熟悉 PyTorch, TensorFlow, TensorRT (模型加速部署), ONNX Runtime。
B. 传统机器视觉算法 (Traditional CV)
预处理：精通各种滤波、形态学操作、直方图均衡化、频域变换（FFT）。
特征与匹配：熟练掌握边缘提取、亚像素定位、模板匹配（灰度/几何）、特征点匹配。
测量与定位：精通标定技术（手眼标定、畸变校正）、高精度尺寸测量算法。
读码专项：深入理解各类码制编码原理，有处理模糊、变形、反光、遮挡等复杂工况的算法定制经验。
C. AI 深度学习算法 (Deep Learning)
模型架构：熟悉主流检测网络（YOLO系列 v8/v9/v10, Faster R-CNN）、分割网络（U-Net, Mask R-CNN, SegFormer）及分类网络（ResNet, EfficientNet）。
小样本与异常检测：针对工业缺陷样本少的问题，掌握Few-shot Learning、Unsupervised Anomaly Detection (如PaDiM, PatchCore, SPADE) 等技术。
数据策略：具备合成数据（Synthetic Data）、数据增强（Augmentation）及主动学习（Active Learning）的实战经验。
D. 领域特定经验 (优先项)
字符/条码：有复杂的OCR项目经验（如曲面字符、点阵字符、激光打标字符识别）。
包装检测：有瓶盖（扭矩、有无、歪斜）、液位（透明容器内液面检测）、标签（褶皱、气泡、位置）检测的成功落地案例。
光学配合：懂光源选型（同轴光、条形光、穹顶光等）和镜头选型，能通过光学方案辅助算法解决难点。