徐
AI工程师
- 公司信息：
- 上海纳峰科技有限公司
- 工作经验：
- 2年
- 兼职日薪：
- 500元/8小时
- 兼职时间：
- 下班后
- 周六
- 周日
- 可工作日远程
- 所在区域：
- 武汉
- 全区
技术能力
熟练掌握面向对象编程、序列化/反序列化、切片操作及高性能数据处理。熟悉Linux/QNX系统环境，能熟练使用Shell脚本和CMake进行项目构建与自动化部署。在通信协议方面，深入理解CAN总线开发（包括信号编解码、CANoe工具链标定）及进程间通信机制（如Zmq、Socket）。具备传统图像处理经验（阈值化、形态学操作、滤波算法），并熟悉PyTorch框架的模型部署与优化。此外，对分布式系统设计、ELK状态机及高并发服务开发有实践经验，能结合算法能力解决后端场景中的复杂问题（如实时数据处理、协议适配等）
项目经验
1.工业检测与智能驾驶系统开发
主导工业产品瑕疵检测算法开发，通过传统图像处理（阈值化、形态学操作）结合深度学习模型（YOLOv5），实现颜色检测（99.4%准确率）、斑点识别（97.5%）及字符漏错检测（95.7%），优化预处理流程使黑点过滤效率提升30%。
2.负责高精地图与NOP功能集成：
信号链路开发：基于腾讯SDK设计信号解析与映射模块，支持多源异构数据转换，通过CAN总线协议优化传输效率20%，关键指标（无帧率<1%）达车规级标准；
嵌入式系统集成：利用Shell脚本实现CAN通信模块自动化部署至高通SOC平台，支持多节点并行处理，系统性能提升5%；
全周期测试：通过CANoe工具链完成信号标定与故障诊断，设计台架测试方案解决时序延迟问题，输出标准化测试报告推动迭代效率。
3.实时目标检测系统（Yolov3）
独立完成YOLOv3模型推理优化，实现30FPS实时检测，平均精度（mAP）提升12%，适配复杂工业场景需求。
案例展示
-
基于语义分割的复杂场景行人检测系统
本案例为学术与工业结合的创新项目，针对街道、商圈等高密度复杂场景，开发了一套基于语义分割和数据增强的行人检测系统。我作为核心开发者，主导了算法设计、训练优化及性能提升全流程工作，具体贡献如下： 算法设计 主干网络：采用ResNet50+FPN结构，通过多尺度特征金字塔融合
-
工业产品智能瑕疵检测系统
作品介绍： 主要用于自动化识别产品表面的颜色偏差、污渍斑点及印刷字符缺陷。负责以下工作： 算法开发：使用传统图像处理（高斯滤波、形态学操作）优化预处理流程，显著减少噪声干扰，使黑点过滤效率提升30%。 多光源适配：针对不同产线光源条件，设计动态阈值调整模块，确保颜色检测
