1. 面试导论与岗位画像

很多候选人准备机器视觉工程师面试时，第一反应是刷算子、背网络结构、复习标定公式。这些当然重要，但真正决定面试走向的，往往不是“你会不会某个算子”，而是你有没有搞清楚：这个岗位到底在解决什么问题，面试官用什么维度判断你能否胜任。本章不讨论具体算法细节，而是先建立一张岗位地图，让你知道后面29章的内容分别对应面试中的哪类问题、哪类能力。

一、职责边界：机器视觉工程师不是“调参侠”，也不是“算法科学家”

机器视觉工程师的核心职责，是把光学、相机、光源、算法、软件、执行机构组合成一套能稳定输出判断结果的系统。它横跨三个层面：

• 成像层：决定“能不能拍到有用的图”。包括光源选型与打光方式、镜头焦距与工作距离计算、相机分辨率与帧率匹配、触发与同步方式。很多项目失败不是算法不行，而是图本身不具备可分性。
• 算法层：决定“能不能从图里算出稳定结果”。包括预处理、定位、分割、测量、检测、识别、标定与坐标转换。传统方法与深度学习方法各有适用边界，面试官常问“这个场景你为什么不用深度学习”或“为什么不用传统方法”。
• 工程层：决定“能不能在产线上7×24小时跑住”。包括节拍、精度、重复性、误检率、漏检率、通信接口、异常恢复、版本管理、现场标定与维护。

职责边界的关键在于：机器视觉工程师通常不负责机械结构设计、PLC主控逻辑、电气安全回路，但必须能与这些角色对接，明确接口与约束。面试中常见的问题是：“如果产线节拍是每分钟120件，你的方案怎么保证？”这不是单纯算法题，而是成像、算法、通信、执行的整体权衡。

二、技能矩阵：面试官真正会逐项验证的能力

把技能矩阵拆成“必须能独立完成”和“必须能说清楚”两档，更贴近面试实际。

注意最后一行的“取舍”。面试官非常喜欢问：“客户要求零漏检，你怎么回答？”标准答案不是“我们算法很强”，而是先定义漏检率与误检率的可接受范围，再说明通过打光、算法冗余、复检工位等手段把风险降到可接受水平。能说出这句话，说明你理解工程边界。

三、行业分布：不同行业的面试侧重点完全不同

机器视觉岗位集中在几条主赛道，面试官的知识背景和提问方式差异很大：

• 3C电子与半导体：高精度、小视野、高速。常问亚像素测量、远心镜头、缺陷检测（划痕、脏污、缺件）。对重复性和GR&R要求高。
• 新能源（锂电、光伏）：大幅面、高节拍、多工位。常问涂布/极片缺陷、焊接检测、尺寸测量。对误检率与停线成本敏感。
• 汽车与零部件：强调追溯、稳定性、与机器人/PLC集成。常问手眼标定、引导定位、装配防错。
• 物流与仓储：条码/二维码、体积测量、分拣引导。对速度、鲁棒性、成本敏感，深度学习应用多。
• 医疗与科研：小批量、高精度、可解释性。常问图像配准、测量不确定度、算法可复现性。

面试前务必确认目标公司的主赛道。同样是“缺陷检测”，3C问的是微米级划痕，锂电问的是涂布条纹，物流问的是包裹破损，回答的侧重点完全不同。

四、面试评估维度：面试官到底在打什么分

综合大量面试反馈，评估通常落在五个维度上，权重因岗位级别而异：

1. 基础扎实度：光学、图像处理、标定、深度学习的基本概念是否清晰，能否解释“为什么”。
2. 项目真实度：你能否讲清楚自己做了什么、遇到什么问题、怎么定位、最终指标是多少。面试官会追问细节来验证真实性。
3. 工程判断力：面对矛盾需求（精度vs节拍、漏检vs误检、成本vs性能），你如何权衡并给出方案。
4. 动手能力：现场调试、参数调整、异常排查的思路是否具体，而不是停留在“调参”“优化”。
5. 沟通与协作：能否把技术问题讲给非技术同事听，能否明确接口与责任边界。

五、一个可执行的面试准备动作：建立你的“项目卡片”

与其泛泛复习，不如先为每个做过的项目写一张卡片。下面给出一个可直接填写的示例结构，字段都是面试中真正会被追问的：

项目名称：连接器端子外观检测
行业/场景：3C电子，产线末端全检
我的角色：视觉方案负责人（光学+算法+现场调试）

成像方案：
  相机：500万像素黑白，像元3.45μm
  镜头：远心镜头，放大倍率0.5X，工作距离110mm
  光源：同轴白光 + 低角度环形光（分时点亮）
  触发：PLC硬触发，曝光时间200μs

算法流程：
  定位：形状模板匹配，ROI跟随
  检测：Blob分析测缺件；边缘对测量端子宽度；深度学习分类划痕
  输出：OK/NG + 缺陷类型 + 坐标，通过TCP发送给PLC

关键指标（验收口径）：
  节拍：≤350ms/件
  漏检率：≤0.1%（以人工复判为基准）
  误检率：≤1%
  重复性：同一工件连续测10次，宽度极差≤0.02mm

遇到的坑与解决：
  坑1：反光导致划痕漏检 → 改为低角度光分时点亮，两图融合
  坑2：模板匹配在缺件时误定位 → 增加定位置信度阈值与失败重试
  坑3：节拍超时 → 将深度学习推理改为ONNX+TensorRT，耗时从180ms降到45ms

如果重做会改什么：
  在方案评审阶段就明确误检率口径，避免验收争议

这张卡片的价值在于：它把“我做过视觉项目”变成了可追问、可验证、可复现的具体事实。面试官问“精度怎么保证”，你能答出镜头、光源、算法、标定的完整链路；问“遇到什么困难”，你能给出定位过程和量化结果。这比背一百个算子更能建立信任。

六、本章与后续章节的关系

本章建立的是岗位地图和评估框架。后续章节会沿着这张地图逐项展开：光学与成像、传统算法、深度学习、标定与坐标转换、系统集成、项目与沟通。你在学习每一章时，都可以回到本章的技能矩阵，问自己两个问题：这项能力我能否独立完成？我能否用项目卡片中的真实细节支撑它？如果能，面试时你就不是在“答题”，而是在“陈述事实”。

最后给一个判断标准：如果你能在三分钟内，用上面的卡片结构讲清楚一个项目，并回答面试官关于成像、算法、指标、异常处理的连续追问，那么你已经具备了机器视觉工程师面试的基本盘。接下来的章节，就是把这个基本盘补得更厚、更准。