1. 岗位能力画像与简历优化模板
一、岗位能力画像
工业视觉工程师的核心能力可拆解为四个象限，每个象限包含多个关键技能，以下为高频考察点清单：
| 能力象限 | 技能点 | 面试高频关键词 |
|---|---|---|
| 图像算法 | 传统图像处理、深度学习目标检测、缺陷分类 | 形态学、YOLO、ResNet、特征提取 |
| 光学系统 | 光源选型、镜头焦距计算、相机接口 | 朗伯光源、远心镜头、GigE Vision |
| 编程工程 | C++/Python、Halcon/OpenCV、多线程 | 内存管理、接口封装、性能优化 |
| 项目交付 | 现场调试、客户沟通、文档撰写 | ROI指标、验收标准、SOP |
二、简历优化模板
“通过[方法]，将[指标]从[A]提升至[B]，耗时缩短[X]%。”
例：“采用图像金字塔 + 边缘检测，将缺陷漏检率从 2.3% 降至 0.5%，检测节拍提升 40%。”
以下为简历中建议使用的 关键词清单（分三类）：
- 算法类：模板匹配、Blob分析、光流、语义分割、NMS、数据增强
- 工具类：Halcon、VisionPro、OpenCV、ROS、Qt、Git
- 业务类：AOI、3D点云、高精度标定、缺陷分级、实时检测
三、面试问答卡片
📌 面试问题 1
问题：请介绍一下你简历中“基于深度学习的表面缺陷检测”项目。
考察点：项目真实性、技术深度、闭环能力（数据-训练-部署）。
回答框架：STAR 展开：Situation → Task → Action → Result。重点讲数据标注策略、模型优化、落地效果。
示例回答（80字）：“项目针对手机玻璃划痕检测。我负责从标注到部署，使用 YOLOv5 并改进 NMS，mAP 达 92%。通过 onnx 推理部署到工控机，节拍控制在 300ms/片，漏检率低于 1.5%。”
可能追问：① 为什么选择 YOLOv5 而不是分类网络？② 如何处理类别不平衡？③ 推理延迟如何进一步优化？
⚠ 避坑提醒：不要只说“用了深度学习”，必须给出具体指标和细节（如数据集大小、基线对比）。
📌 面试问题 2
问题：现场打光时，如果目标反光严重导致过曝，你会怎么处理？
考察点：光学基础知识、现场排查能力、实际问题解决。
回答框架：先分析原因（光源角度/偏振/亮度），再按优先级给出方案：调整光源 → 加偏振片 → 改为多角度采集 → 软件端高光抑制。
示例回答（90字）：“先尝试降低光源亮度并调整角度至 45°；若仍未解决，在镜头前加偏振片。现场需快速验证，我通常准备不同波长光源。软件端还可通过图像处理去除高光区域，但优先硬件解决。”
可能追问：① 偏振片方向如何选择？② 高光干扰下如何保证缺陷检测精度？③ 你会用哪种算法进行高光修复？
⚠ 避坑提醒：不要仅说“调亮度”，要体现系统性排查思路；现场经验是加分项。
📌 面试问题 3
问题：在产线上，视觉程序运行速度不达标，你怎么做性能分析？
考察点：工程优化意识、工具链使用、瓶颈定位能力。
回答框架：分层诊断：① 算法耗时（profiling 大算子）；② 图像采集/传输耗时（异步 Grab）；③ 硬件瓶颈（CPU/GPU 占用）。
示例回答（95字）：“先用 clock() 或 Halcon 的 count_seconds 粗测各模块；再针对慢模块分析：图像预处理使用多线程加速；深度学习推理改用 TensorRT，从 200ms 降至 50ms。最后检查相机采集是否阻塞，改用双缓冲机制。”
可能追问：① 你用过哪些 profiling 工具？② 如果内存不足如何优化？③ 异步采集实现细节？
⚠ 避坑提醒：不要只说“优化代码”，要具体到工具和改前改后数据对比。强调平衡速度与精度。