苹果手表内框检测,在项目试运行阶段，曾出现内框边角细微裂纹漏检的问题，导致部分不合格产品流入下一道工序。针对这一情况，我主导分析了漏检原因，发现是由于边角光线反射不均匀，使得裂纹特征不明显。随后，通过优化光源布局，采用多角度环形补光方案，增强裂纹区域与周围表面的对比度；同时，改进深度学习模型的训练样本，增加边角裂纹的样本数量，并调整模型的卷积核参数，提高对细微特征的提取能力。经过优化后，该类裂纹的检出率从原来的 82% 提升至 99.7%，彻底解决了漏检问题，得到了生产部门的高度认可。
苹果电脑检测项目 ,在项目实施过程中，遇到了苹果电脑外壳新材质表面反光特性与以往不同，导致常规瑕疵检测算法失效的难题。我带领技术团队深入研究新材质光学特性，创新性地提出了偏振光与漫反射光组合照明方案，有效消除反光干扰；同时，对深度学习模型的网络结构进行优化，增加注意力机制模块，强化模型对新材质表面细微瑕疵特征的捕捉能力。经过一系列优化后，新材质外壳瑕疵检测准确率从最初的 75% 迅速提升至 99.5%，成功解决了这一关键问题