wyh_Kroos
软件算法工程师
高通 · 4年经验
日薪：
￥700/8h
地点：
上海 浦东
时间：
下班后周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
核心算法与数学基础
数据结构与算法
线性代数、概率统计（图像/AI 的底层语言）
优化理论（梯度下降、凸优化）
图像处理方向
OpenCV 经典算法（特征提取、目标检测、图像分割）
深度学习视觉模型：CNN、ViT、YOLO、SAM
图像生成：Diffusion Model（SD、FLUX）
AI Agent 方向
LLM 原理与使用（Prompt Engineering、RAG、Fine-tuning）
Agent 框架：LangChain、LlamaIndex、AutoGen、MCP
工具调用（Function Calling）、多 Agent 协作
向量数据库：Faiss、Chroma、Milvus
自动化工程能力
爬虫与反爬：Selenium、Playwright、requests + 逆向
任务调度：Celery、APScheduler、Airflow
RPA 工具集成能力
工程化能力（算法工程师的短板区）
Python 高性能编程 算法落地的效率瓶颈
API 设计（FastAPI） 把算法包装成服务
Docker + CI/CD 模型/服务可复现部署
分布式任务处理 大规模自动化的基础
数据库设计 工程项目必须
差异化竞争力（建议重点投入）
GUI 自动化 Agent：用视觉模型理解屏幕，替代传统 RPA
多模态 Agent：图文理解 + 工具调用，处理复杂业务流
工业视觉 + 自动化流水线：检测结果直接驱动后续动作
数据结构与算法
线性代数、概率统计（图像/AI 的底层语言）
优化理论（梯度下降、凸优化）
图像处理方向
OpenCV 经典算法（特征提取、目标检测、图像分割）
深度学习视觉模型：CNN、ViT、YOLO、SAM
图像生成：Diffusion Model（SD、FLUX）
AI Agent 方向
LLM 原理与使用（Prompt Engineering、RAG、Fine-tuning）
Agent 框架：LangChain、LlamaIndex、AutoGen、MCP
工具调用（Function Calling）、多 Agent 协作
向量数据库：Faiss、Chroma、Milvus
自动化工程能力
爬虫与反爬：Selenium、Playwright、requests + 逆向
任务调度：Celery、APScheduler、Airflow
RPA 工具集成能力
工程化能力（算法工程师的短板区）
Python 高性能编程 算法落地的效率瓶颈
API 设计（FastAPI） 把算法包装成服务
Docker + CI/CD 模型/服务可复现部署
分布式任务处理 大规模自动化的基础
数据库设计 工程项目必须
差异化竞争力（建议重点投入）
GUI 自动化 Agent：用视觉模型理解屏幕，替代传统 RPA
多模态 Agent：图文理解 + 工具调用，处理复杂业务流
工业视觉 + 自动化流水线：检测结果直接驱动后续动作
项目经验
智能图像质量评估与参数自动调试系统
项目背景
在工业生产、医疗影像、卫星遥感、半导体检测等高精度场景中，图像采集设备（工业相机、显微镜、X光机、扫描仪等）的成像质量直接决定下游检测、分析任务的准确性。
传统流程中，设备参数调试（曝光、增益、焦距、光源强度、帧率等）高度依赖人工经验，存在以下痛点：
参数空间维度高（单台设备可达数十个参数），人工调试耗时数小时乃至数天
不同批次物料、环境光变化导致参数频繁漂移，需反复人工干预
多设备协同场景下，参数组合爆炸，经验难以迁移
图像质量评估标准不统一，主观判断引入误差
本项目旨在构建一套端到端的 AI 智能体系统，实现图像采集设备的自动化控制、图像质量的工业级客观评估，以及基于知识库的参数智能决策，将调试周期从小时级压缩到分钟级。
项目作用
受益方 价值
设备调试工程师 从重复性手工调参中解放，专注于异常处理和规则沉淀
生产线 换线切换时间大幅降低，良品率提升
质检体系 图像质量有客观量化指标，可追溯、可审计
知识管理 历史调参经验结构化沉淀，形成企业知识资产
系统功能
1. 设备自动化控制层
统一抽象接口，适配异构设备（GigE、USB3 Vision、Camera Link、MIPI 等协议）
基于 GenICam / SDK 的参数读写自动化
多设备并发控制与同步触发
设备状态监控与异常自动恢复
2. 工业级图像质量评估引擎
无参考质量评估（NR-IQA）：不依赖标准图，直接输出质量分
多维度指标计算：
清晰度（Laplacian 方差、Tenengrad、MTF）
噪声水平（SNR、PSNR、暗电流噪声）
曝光合理性（直方图分析、过曝/欠曝检测）
色彩/灰度均匀性
畸变与几何误差
目标场景相关质量（针对具体检测对象的自定义指标）
综合评分模型（可训练的加权融合或深度 IQA 模型）
质量报告自动生成
3. RAG 知识库
收录历史调参记录（设备型号 × 场景 × 参数组合 × 质量结果）
收录设备手册、应用笔记、厂商最佳实践文档
向量化存储，支持语义检索
持续学习：每次调试结果自动回写知识库
4. LLM 决策 Agent
接收当前质量评估结果 + 设备状态作为上下文
检索 RAG 知识库获取相似历史案例
生成参数调整方案（Chain-of-Thought 推理过程可解释）
多轮闭环调整（评估 → 决策 → 执行 → 再评估）
支持人工介入确认关键决策节点
5. 管理与监控后台
调参过程可视化（参数轨迹、质量曲线）
多设备任务管理
知识库管理（查询、编辑、版本控制）
历史任务回放与分析
技术难点
难点一：无参考图像质量评估的工业级可靠性
问题本质：通用 IQA 指标（如 BRISQUE）在自然图像上表现尚可，但在工业场景（PCB、晶圆、金属表面）上与人工专家评分相关性极差。
挑战：
工业图像纹理单一，通用特征失效
不同缺陷类型对"质量好坏"的定义不同（螺纹件的锐度权重与色差件不同）
标注数据稀缺，难以训练大规模有监督模型
应对方向：
基于场景的指标自适应加权（元学习）
结合小样本学习构建场景特定评估模型
引入 CLIP 等多模态模型做零样本质量判断
难点二：高维参数空间的高效探索
问题本质：单台设备参数维度可达 20~50，参数间存在强耦合（曝光↑则噪声↑但清晰度↑），构成非凸、非线性的优化问题。
挑战：
穷举不可行，随机搜索收敛慢
每次参数变更需等待设备响应 + 图像采集 + 质量评估，单步耗时秒级
质量函数无法求导
应对方向：
贝叶斯优化（BO）作为探索策略，减少评估次数
RAG 检索历史相似场景，用作 BO 的先验初始化（热启动）
LLM 做高层次参数分组决策，BO 在组内做精细搜索（分层优化）
难点三：RAG 在专业领域的检索精度
问题本质：调参知识高度结构化（数值型参数 + 设备型号 + 场景描述），纯向量语义检索在数值条件匹配上效果差。
挑战：
"曝光 500μs 下的调参记录" 与 "曝光 50μs 下的记录" 语义相近但参数差异大
设备型号、固件版本的细微差异影响参数迁移可行性
知识库随时间积累体量增大，检索延迟上升
应对方向：
混合检索：向量检索（语义）+ 结构化过滤（数值范围、设备型号精确匹配）
知识条目设计为结构化 + 文本混合格式
构建设备谱系图谱，辅助跨型号知识迁移的可信度评估
难点四：LLM 决策的可靠性与可解释性
问题本质：LLM 幻觉在工业场景代价极高，输出错误参数可能损坏设备或产生大
项目背景
在工业生产、医疗影像、卫星遥感、半导体检测等高精度场景中，图像采集设备（工业相机、显微镜、X光机、扫描仪等）的成像质量直接决定下游检测、分析任务的准确性。
传统流程中，设备参数调试（曝光、增益、焦距、光源强度、帧率等）高度依赖人工经验，存在以下痛点：
参数空间维度高（单台设备可达数十个参数），人工调试耗时数小时乃至数天
不同批次物料、环境光变化导致参数频繁漂移，需反复人工干预
多设备协同场景下，参数组合爆炸，经验难以迁移
图像质量评估标准不统一，主观判断引入误差
本项目旨在构建一套端到端的 AI 智能体系统，实现图像采集设备的自动化控制、图像质量的工业级客观评估，以及基于知识库的参数智能决策，将调试周期从小时级压缩到分钟级。
项目作用
受益方 价值
设备调试工程师 从重复性手工调参中解放，专注于异常处理和规则沉淀
生产线 换线切换时间大幅降低，良品率提升
质检体系 图像质量有客观量化指标，可追溯、可审计
知识管理 历史调参经验结构化沉淀，形成企业知识资产
系统功能
1. 设备自动化控制层
统一抽象接口，适配异构设备（GigE、USB3 Vision、Camera Link、MIPI 等协议）
基于 GenICam / SDK 的参数读写自动化
多设备并发控制与同步触发
设备状态监控与异常自动恢复
2. 工业级图像质量评估引擎
无参考质量评估（NR-IQA）：不依赖标准图，直接输出质量分
多维度指标计算：
清晰度（Laplacian 方差、Tenengrad、MTF）
噪声水平（SNR、PSNR、暗电流噪声）
曝光合理性（直方图分析、过曝/欠曝检测）
色彩/灰度均匀性
畸变与几何误差
目标场景相关质量（针对具体检测对象的自定义指标）
综合评分模型（可训练的加权融合或深度 IQA 模型）
质量报告自动生成
3. RAG 知识库
收录历史调参记录（设备型号 × 场景 × 参数组合 × 质量结果）
收录设备手册、应用笔记、厂商最佳实践文档
向量化存储，支持语义检索
持续学习：每次调试结果自动回写知识库
4. LLM 决策 Agent
接收当前质量评估结果 + 设备状态作为上下文
检索 RAG 知识库获取相似历史案例
生成参数调整方案（Chain-of-Thought 推理过程可解释）
多轮闭环调整（评估 → 决策 → 执行 → 再评估）
支持人工介入确认关键决策节点
5. 管理与监控后台
调参过程可视化（参数轨迹、质量曲线）
多设备任务管理
知识库管理（查询、编辑、版本控制）
历史任务回放与分析
技术难点
难点一：无参考图像质量评估的工业级可靠性
问题本质：通用 IQA 指标（如 BRISQUE）在自然图像上表现尚可，但在工业场景（PCB、晶圆、金属表面）上与人工专家评分相关性极差。
挑战：
工业图像纹理单一，通用特征失效
不同缺陷类型对"质量好坏"的定义不同（螺纹件的锐度权重与色差件不同）
标注数据稀缺，难以训练大规模有监督模型
应对方向：
基于场景的指标自适应加权（元学习）
结合小样本学习构建场景特定评估模型
引入 CLIP 等多模态模型做零样本质量判断
难点二：高维参数空间的高效探索
问题本质：单台设备参数维度可达 20~50，参数间存在强耦合（曝光↑则噪声↑但清晰度↑），构成非凸、非线性的优化问题。
挑战：
穷举不可行，随机搜索收敛慢
每次参数变更需等待设备响应 + 图像采集 + 质量评估，单步耗时秒级
质量函数无法求导
应对方向：
贝叶斯优化（BO）作为探索策略，减少评估次数
RAG 检索历史相似场景，用作 BO 的先验初始化（热启动）
LLM 做高层次参数分组决策，BO 在组内做精细搜索（分层优化）
难点三：RAG 在专业领域的检索精度
问题本质：调参知识高度结构化（数值型参数 + 设备型号 + 场景描述），纯向量语义检索在数值条件匹配上效果差。
挑战：
"曝光 500μs 下的调参记录" 与 "曝光 50μs 下的记录" 语义相近但参数差异大
设备型号、固件版本的细微差异影响参数迁移可行性
知识库随时间积累体量增大，检索延迟上升
应对方向：
混合检索：向量检索（语义）+ 结构化过滤（数值范围、设备型号精确匹配）
知识条目设计为结构化 + 文本混合格式
构建设备谱系图谱，辅助跨型号知识迁移的可信度评估
难点四：LLM 决策的可靠性与可解释性
问题本质：LLM 幻觉在工业场景代价极高，输出错误参数可能损坏设备或产生大
wyh_Kroos
软件算法工程师 · 4年经验 · 高通
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
核心算法与数学基础
数据结构与算法
线性代数、概率统计（图像/AI 的底层语言）
优化理论（梯度下降、凸优化）
图像处理方向
OpenCV 经典算法（特征提取、目标检测、图像分割）
深度学习视觉模型：CNN、ViT、YOLO、SAM
图像生成：Diffusion Model（SD、FLUX）
AI Agent 方向
LLM 原理与使用（Prompt Engineering、RAG、Fine-tuning）
Agent 框架：LangChain、LlamaIndex、AutoGen、MCP
工具调用（Function Calling）、多 Agent 协作
向量数据库：Faiss、Chroma、Milvus
自动化工程能力
爬虫与反爬：Selenium、Playwright、requests + 逆向
任务调度：Celery、APScheduler、Airflow
RPA 工具集成能力
工程化能力（算法工程师的短板区）
Python 高性能编程 算法落地的效率瓶颈
API 设计（FastAPI） 把算法包装成服务
Docker + CI/CD 模型/服务可复现部署
分布式任务处理 大规模自动化的基础
数据库设计 工程项目必须
差异化竞争力（建议重点投入）
GUI 自动化 Agent：用视觉模型理解屏幕，替代传统 RPA
多模态 Agent：图文理解 + 工具调用，处理复杂业务流
工业视觉 + 自动化流水线：检测结果直接驱动后续动作
数据结构与算法
线性代数、概率统计（图像/AI 的底层语言）
优化理论（梯度下降、凸优化）
图像处理方向
OpenCV 经典算法（特征提取、目标检测、图像分割）
深度学习视觉模型：CNN、ViT、YOLO、SAM
图像生成：Diffusion Model（SD、FLUX）
AI Agent 方向
LLM 原理与使用（Prompt Engineering、RAG、Fine-tuning）
Agent 框架：LangChain、LlamaIndex、AutoGen、MCP
工具调用（Function Calling）、多 Agent 协作
向量数据库：Faiss、Chroma、Milvus
自动化工程能力
爬虫与反爬：Selenium、Playwright、requests + 逆向
任务调度：Celery、APScheduler、Airflow
RPA 工具集成能力
工程化能力（算法工程师的短板区）
Python 高性能编程 算法落地的效率瓶颈
API 设计（FastAPI） 把算法包装成服务
Docker + CI/CD 模型/服务可复现部署
分布式任务处理 大规模自动化的基础
数据库设计 工程项目必须
差异化竞争力（建议重点投入）
GUI 自动化 Agent：用视觉模型理解屏幕，替代传统 RPA
多模态 Agent：图文理解 + 工具调用，处理复杂业务流
工业视觉 + 自动化流水线：检测结果直接驱动后续动作
项目经验
智能图像质量评估与参数自动调试系统
项目背景
在工业生产、医疗影像、卫星遥感、半导体检测等高精度场景中，图像采集设备（工业相机、显微镜、X光机、扫描仪等）的成像质量直接决定下游检测、分析任务的准确性。
传统流程中，设备参数调试（曝光、增益、焦距、光源强度、帧率等）高度依赖人工经验，存在以下痛点：
参数空间维度高（单台设备可达数十个参数），人工调试耗时数小时乃至数天
不同批次物料、环境光变化导致参数频繁漂移，需反复人工干预
多设备协同场景下，参数组合爆炸，经验难以迁移
图像质量评估标准不统一，主观判断引入误差
本项目旨在构建一套端到端的 AI 智能体系统，实现图像采集设备的自动化控制、图像质量的工业级客观评估，以及基于知识库的参数智能决策，将调试周期从小时级压缩到分钟级。
项目作用
受益方 价值
设备调试工程师 从重复性手工调参中解放，专注于异常处理和规则沉淀
生产线 换线切换时间大幅降低，良品率提升
质检体系 图像质量有客观量化指标，可追溯、可审计
知识管理 历史调参经验结构化沉淀，形成企业知识资产
系统功能
1. 设备自动化控制层
统一抽象接口，适配异构设备（GigE、USB3 Vision、Camera Link、MIPI 等协议）
基于 GenICam / SDK 的参数读写自动化
多设备并发控制与同步触发
设备状态监控与异常自动恢复
2. 工业级图像质量评估引擎
无参考质量评估（NR-IQA）：不依赖标准图，直接输出质量分
多维度指标计算：
清晰度（Laplacian 方差、Tenengrad、MTF）
噪声水平（SNR、PSNR、暗电流噪声）
曝光合理性（直方图分析、过曝/欠曝检测）
色彩/灰度均匀性
畸变与几何误差
目标场景相关质量（针对具体检测对象的自定义指标）
综合评分模型（可训练的加权融合或深度 IQA 模型）
质量报告自动生成
3. RAG 知识库
收录历史调参记录（设备型号 × 场景 × 参数组合 × 质量结果）
收录设备手册、应用笔记、厂商最佳实践文档
向量化存储，支持语义检索
持续学习：每次调试结果自动回写知识库
4. LLM 决策 Agent
接收当前质量评估结果 + 设备状态作为上下文
检索 RAG 知识库获取相似历史案例
生成参数调整方案（Chain-of-Thought 推理过程可解释）
多轮闭环调整（评估 → 决策 → 执行 → 再评估）
支持人工介入确认关键决策节点
5. 管理与监控后台
调参过程可视化（参数轨迹、质量曲线）
多设备任务管理
知识库管理（查询、编辑、版本控制）
历史任务回放与分析
技术难点
难点一：无参考图像质量评估的工业级可靠性
问题本质：通用 IQA 指标（如 BRISQUE）在自然图像上表现尚可，但在工业场景（PCB、晶圆、金属表面）上与人工专家评分相关性极差。
挑战：
工业图像纹理单一，通用特征失效
不同缺陷类型对"质量好坏"的定义不同（螺纹件的锐度权重与色差件不同）
标注数据稀缺，难以训练大规模有监督模型
应对方向：
基于场景的指标自适应加权（元学习）
结合小样本学习构建场景特定评估模型
引入 CLIP 等多模态模型做零样本质量判断
难点二：高维参数空间的高效探索
问题本质：单台设备参数维度可达 20~50，参数间存在强耦合（曝光↑则噪声↑但清晰度↑），构成非凸、非线性的优化问题。
挑战：
穷举不可行，随机搜索收敛慢
每次参数变更需等待设备响应 + 图像采集 + 质量评估，单步耗时秒级
质量函数无法求导
应对方向：
贝叶斯优化（BO）作为探索策略，减少评估次数
RAG 检索历史相似场景，用作 BO 的先验初始化（热启动）
LLM 做高层次参数分组决策，BO 在组内做精细搜索（分层优化）
难点三：RAG 在专业领域的检索精度
问题本质：调参知识高度结构化（数值型参数 + 设备型号 + 场景描述），纯向量语义检索在数值条件匹配上效果差。
挑战：
"曝光 500μs 下的调参记录" 与 "曝光 50μs 下的记录" 语义相近但参数差异大
设备型号、固件版本的细微差异影响参数迁移可行性
知识库随时间积累体量增大，检索延迟上升
应对方向：
混合检索：向量检索（语义）+ 结构化过滤（数值范围、设备型号精确匹配）
知识条目设计为结构化 + 文本混合格式
构建设备谱系图谱，辅助跨型号知识迁移的可信度评估
难点四：LLM 决策的可靠性与可解释性
问题本质：LLM 幻觉在工业场景代价极高，输出错误参数可能损坏设备或产生大
项目背景
在工业生产、医疗影像、卫星遥感、半导体检测等高精度场景中，图像采集设备（工业相机、显微镜、X光机、扫描仪等）的成像质量直接决定下游检测、分析任务的准确性。
传统流程中，设备参数调试（曝光、增益、焦距、光源强度、帧率等）高度依赖人工经验，存在以下痛点：
参数空间维度高（单台设备可达数十个参数），人工调试耗时数小时乃至数天
不同批次物料、环境光变化导致参数频繁漂移，需反复人工干预
多设备协同场景下，参数组合爆炸，经验难以迁移
图像质量评估标准不统一，主观判断引入误差
本项目旨在构建一套端到端的 AI 智能体系统，实现图像采集设备的自动化控制、图像质量的工业级客观评估，以及基于知识库的参数智能决策，将调试周期从小时级压缩到分钟级。
项目作用
受益方 价值
设备调试工程师 从重复性手工调参中解放，专注于异常处理和规则沉淀
生产线 换线切换时间大幅降低，良品率提升
质检体系 图像质量有客观量化指标，可追溯、可审计
知识管理 历史调参经验结构化沉淀，形成企业知识资产
系统功能
1. 设备自动化控制层
统一抽象接口，适配异构设备（GigE、USB3 Vision、Camera Link、MIPI 等协议）
基于 GenICam / SDK 的参数读写自动化
多设备并发控制与同步触发
设备状态监控与异常自动恢复
2. 工业级图像质量评估引擎
无参考质量评估（NR-IQA）：不依赖标准图，直接输出质量分
多维度指标计算：
清晰度（Laplacian 方差、Tenengrad、MTF）
噪声水平（SNR、PSNR、暗电流噪声）
曝光合理性（直方图分析、过曝/欠曝检测）
色彩/灰度均匀性
畸变与几何误差
目标场景相关质量（针对具体检测对象的自定义指标）
综合评分模型（可训练的加权融合或深度 IQA 模型）
质量报告自动生成
3. RAG 知识库
收录历史调参记录（设备型号 × 场景 × 参数组合 × 质量结果）
收录设备手册、应用笔记、厂商最佳实践文档
向量化存储，支持语义检索
持续学习：每次调试结果自动回写知识库
4. LLM 决策 Agent
接收当前质量评估结果 + 设备状态作为上下文
检索 RAG 知识库获取相似历史案例
生成参数调整方案（Chain-of-Thought 推理过程可解释）
多轮闭环调整（评估 → 决策 → 执行 → 再评估）
支持人工介入确认关键决策节点
5. 管理与监控后台
调参过程可视化（参数轨迹、质量曲线）
多设备任务管理
知识库管理（查询、编辑、版本控制）
历史任务回放与分析
技术难点
难点一：无参考图像质量评估的工业级可靠性
问题本质：通用 IQA 指标（如 BRISQUE）在自然图像上表现尚可，但在工业场景（PCB、晶圆、金属表面）上与人工专家评分相关性极差。
挑战：
工业图像纹理单一，通用特征失效
不同缺陷类型对"质量好坏"的定义不同（螺纹件的锐度权重与色差件不同）
标注数据稀缺，难以训练大规模有监督模型
应对方向：
基于场景的指标自适应加权（元学习）
结合小样本学习构建场景特定评估模型
引入 CLIP 等多模态模型做零样本质量判断
难点二：高维参数空间的高效探索
问题本质：单台设备参数维度可达 20~50，参数间存在强耦合（曝光↑则噪声↑但清晰度↑），构成非凸、非线性的优化问题。
挑战：
穷举不可行，随机搜索收敛慢
每次参数变更需等待设备响应 + 图像采集 + 质量评估，单步耗时秒级
质量函数无法求导
应对方向：
贝叶斯优化（BO）作为探索策略，减少评估次数
RAG 检索历史相似场景，用作 BO 的先验初始化（热启动）
LLM 做高层次参数分组决策，BO 在组内做精细搜索（分层优化）
难点三：RAG 在专业领域的检索精度
问题本质：调参知识高度结构化（数值型参数 + 设备型号 + 场景描述），纯向量语义检索在数值条件匹配上效果差。
挑战：
"曝光 500μs 下的调参记录" 与 "曝光 50μs 下的记录" 语义相近但参数差异大
设备型号、固件版本的细微差异影响参数迁移可行性
知识库随时间积累体量增大，检索延迟上升
应对方向：
混合检索：向量检索（语义）+ 结构化过滤（数值范围、设备型号精确匹配）
知识条目设计为结构化 + 文本混合格式
构建设备谱系图谱，辅助跨型号知识迁移的可信度评估
难点四：LLM 决策的可靠性与可解释性
问题本质：LLM 幻觉在工业场景代价极高，输出错误参数可能损坏设备或产生大
立即沟通
