在校期间，系统学习了计算机视觉、机器学习等专业课程，GPA 3.8（满分4.0）。参与了导师的科研项目，负责图像特征提取算法的研究与优化，发表了一篇EI检索论文。积极参加学校组织的学术交流活动，与国内外高校学者进行技术探讨，拓宽了学术视野。

• 负责公司智能检测设备的机器视觉算法开发，基于深度学习框架（如TensorFlow、PyTorch）设计并优化缺陷检测模型。
• 针对不同产品（如电子元件、汽车零部件）的检测需求，进行图像采集方案设计与参数调试，确保图像质量满足算法要求。
• 优化算法运行效率，通过模型压缩、量化等技术，使算法在嵌入式设备上的推理时间降低30%，准确率提升至99%以上。
• 与硬件工程师、软件工程师协作，完成设备的整体集成与测试，成功交付多个项目，为公司创造了500万元以上的销售额。

• 参与公司工业机器人视觉引导系统的研发，设计了基于视觉特征匹配的机器人抓取算法。
• 构建了工业场景下的数据集，包含10万+张不同光照、角度、遮挡条件下的工件图像，通过数据增强等技术提升模型泛化能力。
• 实现了算法与机器人控制系统的实时通信，使机器人抓取精度达到±0.1mm，抓取效率提高40%，该系统已在3家汽车制造企业的生产线中应用。
• 定期对算法性能进行评估与优化，根据现场反馈不断改进算法，降低了系统的误报率和漏报率。

• 项目背景：针对3C产品外观缺陷检测难题，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YOLOv5的缺陷检测模型，针对3C产品小目标、复杂背景等特点进行改进。构建了包含5万张缺陷图像的数据集，通过数据标注、清洗等流程保证数据质量。优化模型训练策略，采用多尺度训练、焦点损失函数等技术，提高模型对小缺陷的检测能力。
• 项目成果：算法在实际产线上部署，检测速度达到30fps，缺陷检测准确率98%，相比人工检测效率提升8倍，每年为企业节省人工成本200万元以上。

• 项目背景：为实现物流仓储的自动化分拣，需要准确识别包裹上的条码和文字信息。
• 项目内容：负责文字识别算法模块，采用CRNN+CTC的架构，针对物流场景下包裹条码和文字的多样性（如不同字体、大小、倾斜角度）进行优化。收集并标注了2万张物流包裹图像数据，训练出高精度的文字识别模型。与团队协作完成系统集成，实现了包裹的自动扫码、信息提取与分拣。
• 项目成果：系统上线后，包裹分拣准确率99.5%，处理速度提升50%，降低了物流仓储的人力成本和分拣错误率，为企业提升了物流运营效率。