• 系统学习了数字图像处理、模式识别等专业课程，为机器视觉技术打下理论基础。 • 在校期间积极参与电子设计竞赛等实践活动，锻炼了动手能力和团队协作能力。

• 负责公司机器视觉检测系统的算法开发与优化，针对产品外观缺陷检测，开发了基于深度学习的目标检测算法，使检测准确率从85%提升至95%，检测速度提高30%。 • 与硬件团队协作，完成相机选型、光源设计等工作，搭建了多套机器视觉检测硬件平台，成功应用于3条生产线，每年为公司节省人工检测成本约50万元。 • 参与公司机器视觉软件平台的架构设计，设计了可配置的算法模块和用户界面，提高了软件的通用性和易用性，该平台已服务10+客户项目。

• 主导了新能源汽车电池模组外观检测项目，带领团队设计了基于多相机视觉拼接的检测方案，实现了电池模组表面划痕、污渍等缺陷的100%检测，项目交付后客户满意度达98%。 • 优化了公司现有的光学字符识别（OCR）算法，针对工业场景下的复杂字体和低质量图像，引入了图像增强和字符分割技术，使OCR准确率从90%提升至97%，已应用于5个客户的产品追溯系统。 • 负责团队内部的技术培训，定期组织机器视觉算法、深度学习框架等技术分享，提升团队整体技术水平，培养了3名初级工程师独立承担项目任务。

• 项目背景：某3C产品生产企业需要对手机外壳进行高精度外观检测，传统人工检测效率低、误检率高。 • 项目内容：作为核心算法工程师，设计了基于卷积神经网络（CNN）的缺陷检测模型，通过数据增强、模型优化等手段，使模型在测试集上的准确率达到96%。同时，开发了实时检测软件，实现了检测速度500ms/件，满足生产线实时检测需求。 • 项目成果：该项目成功部署在客户3条生产线上，每年为客户减少次品损失约80万元，客户复购率100%。

• 项目背景：物流行业包裹分拣中心需要对包裹面单信息进行快速准确识别，以提高分拣效率。 • 项目内容：带领团队开发了基于改进YOLO算法的面单定位与识别系统，针对面单倾斜、模糊等复杂情况，引入了仿射变换和图像超分辨率技术，使面单定位准确率达99%，字符识别准确率达95%。系统部署后，分拣效率提升40%。 • 项目成果：该项目获得公司年度创新项目奖，相关技术申请了2项发明专利，已在5家物流企业推广应用。