在硕士期间，专注于图像处理与计算机视觉领域的研究，系统学习了《模式识别》《数字图像处理》等专业课程，GPA达3.8（满分4.0）。参与导师的科研项目，负责图像特征提取模块的算法设计与优化，发表EI检索论文1篇，具备扎实的理论基础与科研能力。

• 负责公司产品的机器视觉算法研发，主导工业零件缺陷检测系统的算法设计与优化。通过调研多种深度学习模型（如Faster R-CNN、YOLO系列），结合工业场景数据特点，优化模型结构与训练策略，使缺陷检测准确率从85%提升至95%，召回率从80%提升至92%。
• 与硬件团队紧密协作，完成算法在嵌入式平台（NVIDIA Jetson系列）的部署与优化。针对平台算力限制，采用模型剪枝、量化等技术，在保证检测精度损失小于3%的前提下，推理速度提升40%，满足产线实时检测需求。
• 带领2人算法小组，制定项目研发计划，协调资源解决技术难题。主导算法模块代码规范制定与代码评审，提升团队代码质量与开发效率。

• 负责公司新业务线（3C电子外观检测）的机器视觉算法架构设计。针对复杂外观缺陷（划痕、脏污、异色等），设计多模态融合检测方案（结合光学图像与结构光三维数据）。提出基于注意力机制的特征融合网络，使多模态数据互补性增强，复杂缺陷检测准确率达98%，较传统单模态方案提升15%。
• 构建算法研发平台，整合数据标注、模型训练、评估与部署全流程工具链。引入自动化数据增强技术（如MixUp、CutOut等），使标注数据利用率提升3倍，模型训练周期从2周缩短至3天。
• 与客户（知名手机厂商）紧密沟通，理解检测需求并转化为算法指标。主导算法方案技术宣讲与Demo演示，成功中标多个检测项目，为公司新增千万级业务收入。

• 项目背景：某汽车制造企业发动机缸体表面缺陷（砂眼、气孔、裂纹等）人工检测效率低、漏检率高，需开发自动化检测系统。
• 技术方案：采用工业相机采集缸体多角度图像，设计基于改进U-Net的语义分割网络。引入空洞卷积增大感受野，结合注意力模块聚焦缺陷区域。数据层面，构建包含20000张标注图像的数据集，采用迁移学习（预训练模型在ImageNet上的权重）加速收敛。
• 项目成果：系统检测速度达200ms/张，缺陷分割精度（IoU）达88%，较传统边缘检测算法漏检率降低60%。已在3条产线部署，每年为企业节省人工检测成本300万元。

• 项目背景：某物流企业包裹面单信息自动识别需求，传统OCR算法在复杂背景、模糊字体等场景下识别率低。
• 技术方案：提出基于Faster R-CNN + CRNN的端到端识别方案。Faster R-CNN完成面单区域定位与文本行检测，CRNN实现文本内容识别。针对模糊字体问题，引入数据合成技术（模拟不同模糊程度、光照条件的文本图像），扩充训练数据。优化损失函数（结合交叉熵与焦点损失），提升难例样本的训练效果。
• 项目成果：面单信息识别准确率达99.2%（包括汉字、数字、字母、特殊符号），单张识别速度150ms。系统已接入物流分拣线，替代人工扫码录入，效率提升5倍，错误率降低90%。