技术能力

1. 底层框架掌控力
PyTorch/TensorFlow：具备模型从研发到部署全流程能力（前向传播设计→梯度计算优化→ONNX导出）
PaddlePaddle：熟悉国产框架适配策略（如麒麟OS+昇腾NPU部署）

2. 计算机视觉专精领域
YOLO系列的v3-v8部署调优，比如安防摄像头实时检测
OCR技术栈，PaddleOCR二次开发，医疗票据结构化
模型轻量化，知识蒸馏/量化感知训练，边缘设备部署

项目经验

项目一：汽车零部件缺陷检测系统开发
河北某变速箱制造商因人工质检漏检率高达12%，年返修成本超￥200万，需部署自动化检测方案。
开发基于深度学习的齿轮表面缺陷检测系统
指标要求：漏检率＜0.5%，单件检测耗时≤300ms
数据工程：
设计多光源成像方案（频闪LED+偏振光），采集5类缺陷样本12万张
开发标注自动化工具（OpenCV+LabelImg批量预处理），效率提升8倍
模型优化：
改进YOLOv7-tiny结构，增加小目标检测层 。
部署落地：
基于TensorRT开发推理引擎，实现270ms/件
结果：
系统上线后漏检率降至0.3%

项目二：电网机房人脸识别项目
核心技术方案
多模态验证架构
人脸识别：采用改进的ArcFace-ResNet100模型（测试集F1=0.983）
活体检测：融合3D结构光+微表情分析（防伪攻击成功率＜0.2%）
硬件集成
红外双目摄像头，850nm波长+动态补光
实施成果
安全指标：非法闯入事件可以及时发现
效率提升：平均认证时间至1.2s

团队情况