RESUME / VISUAL RECOGNITION
唐磊磊
求职意向 · 视觉识别工程师
10 年 C++ 开发与架构经验 300 亿+ Token 深度 AI 使用经验 制造业软件交付
10 年 C++ 开发与架构经验，熟练 Python，具备性能优化与制造业软件交付经验。深度使用 AI 辅助软件工程，累计消耗 300 亿+ Token 用于项目重构与优化。近期完成 OpenCV / PyTorch 二维分割学习原型，实际走通数据生成、训练、调参、评估与本地部署链路；希望将高并发系统与 AI 协作能力迁移到视觉识别工程实践。
核心能力
C++ 与系统开发精通 C/C++，熟悉多线程、内存池、TCP/IP、MySQL 性能调优及 Redis 缓存。
深度 AI 工程使用累计消耗 300 亿+ Token，持续用于既有项目的代码理解、架构梳理、重构实施、性能优化与质量检查。
二维视觉入门实践AI 辅助实践 OpenCV 灰度化、缩放、连通域处理及 PyTorch 二值分割。
训练与本地部署在合成数据上完成学习率对比、验证集选模、阈值调整与本地 CPU 推理。
工程交付具备方案设计、系统集成和现场实施经验；主导 CI/CD、自动化测试与发布回滚。
工作经历
自由职业 / 项目合作 · 项目负责人2022.08 — 至今
负责制造业 ERP 及 AI 应用项目，承担需求调研、开发集成、性能优化与现场实施。
广州光娱信息科技有限公司 · 项目负责人 / 技术负责人2015.07 — 2022.07
主导服务端架构与性能优化，推进研发自动化；统筹 20+ 人团队协作及项目交付。
广州菲音信息科技有限公司 · C++ 服务端开发工程师2012.02 — 2015.07
负责大型多人在线游戏服务端开发，积累 C++ 网络通信、高并发与分布式系统经验。
与视觉识别岗位相关的项目成果
深度 AI 辅助项目重构与优化持续实践
累计 300 亿+ Token · 软件工程与复杂项目协作
- 长期将 AI 用于既有项目的代码检索与理解、模块边界梳理、重构方案分析、实现辅助和回归检查，累计消耗 300 亿+ Token。
- 结合 C++ / Python 等工程经验审查 AI 产出，以构建、测试和运行结果验证修改，不将模型输出直接视为正确结论。
- 该经验体现复杂软件项目中的 AI 协作与交付能力，不等同于独立训练基础模型或既有工业视觉经验。
二维图像分割与区域定位学习原型2026.09
个人学习项目 · AI 辅助开发
- 使用 OpenCV 生成带像素标注的 64×64 几何图形，构建 768 张训练、128 张验证及 128 张测试样本；使用 PyTorch 实现小型 U-Net 二值分割。
- 对比两组学习率，各训练 6 轮；按验证集选择模型及分割阈值，保留合成测试集平均前景 IoU 为 94.82%，并与 OpenCV Otsu 阈值法对照。
- 保存并加载模型，提供本机 CPU HTTP 推理与图片上传页面；使用 OpenCV 连通域生成区域框，验证数据隔离、模型复现与接口行为。
高并发实时交互系统架构重构2017.08 — 2022.07
技术负责人 · 可迁移的实时与性能能力
- 主导服务端设计与重构，支撑峰值 QPS 50,000+；采用内存池、环形缓冲区与对象池改善长时间运行的内存碎片问题。
- 设计网络通信框架，单机支持 10,000+ 并发连接，CPU 使用率降低 25%。
陶瓷行业 ERP 开发与计算优化2022.08 — 至今
项目负责人 · 制造业场景与软件交付
- 使用 C++ 优化 BOM 计算，将订单交付评估耗时从 10 分钟降至 10 秒以内。
- 打通销售、库存与生产数据，负责现场需求对接、用户培训及上线切换。
教育背景
沈阳理工大学 信息与计算科学 本科 2007.09 — 2011.07
经验边界：300 亿+ Token 为项目重构与优化中的 AI 使用量，不代表基础模型训练量；目前二维视觉内容为 AI 辅助个人学习项目，数据为合成数据，推理为本地 CPU 验证；尚未形成真实工业图像、相机标定、3D 点云或生产线验收经验。以下实验室用于公开展示当前可运行的学习成果。
01 / IDENTIFY
来料识别与实例分割
关联场景：拆包投料、包装前物料计数。D2S 是日用品与食品实例分割数据，不是实际产线物料数据。
图像输入阈值与形态学分水岭轮廓 / 框 / 计数
可运行场景示例
以下均为物料处理场景化合成数据，不是官方或生产数据；选择后立即运行当前算法。
检测结果
运行后显示实例轮廓
尚未执行，选择案例或上传素材后会显示中文结论。
查看 JSON 数据
尚未执行。mAP 必须使用标注集批量计算，不能由一张图片得到。
02 / INSPECT
外观异常检测
关联场景：筛分除杂后的可见质量复核。当前算法是对齐图像的 RGB 高斯统计基线，不是 PatchCore，也不是内部异物检测设备。
正常参考图像逐像素均值 / 标准差差异得分异常热力图
可运行场景示例
以下均为包装与筛分场景化合成数据，不是官方或生产数据；选择后立即建立参考并检测。
异常定位
运行后显示叠加热力图
尚未执行，选择案例或上传素材后会显示中文结论。
查看 JSON 数据
尚未执行。固定热图显示范围不等于异常判定阈值。
03 / ALIGN
3D 点云配准
关联能力：刚性目标定位、深度数据处理。公开数据使用 T-LESS；刚性零件的定位能力不能直接等同于软袋拆垛能力。
米制点云可选 FPFH + RANSACICP 精配准源 → 目标变换
可运行场景示例
以下均为输送与装配场景化合成刚体点云，不是实际设备扫描；选择后立即执行 ICP。
上传自有点云素材
未选择点云。单组上限 300,000 点；网页预览会进一步下采样。
T_source_to_target 将源点变到目标坐标系。若使用真实标注掩码裁剪 ROI，必须标记为 oracle ROI，而非端到端检测。
配准后点云 · 拖动旋转
青色：目标点云；橙色：变换后的源点云。显示为软件投影，不包含机器人动作。
尚未执行，选择案例或上传素材后会显示中文结论。
查看 JSON 数据
尚未执行。低 RMSE 不能排除对称物体配错或仅少量点重合。
04 / MEASURE
料面重建与体积估计
关联场景：储仓余料与料位估计。公开验证素材可使用 GIMUN 料堆点云；露天砂石料堆与密闭粉体料仓有明显差异。
已裁剪料面已知底面高度网格覆盖率检查体积积分
可运行场景示例
以下均为仓储与配料场景化合成点云，不是实际料仓扫描；选择后立即重建并计算。
上传自有点云素材
Z 轴向上；底面满足 z = a·x + b·y + c。底面必须有独立依据。
存在缺失网格时，总体积返回 null，而非自动补零或外推。这里不估计重量；重量还需要独立测量的堆积密度。
高度网格预览 · 拖动旋转
尚未执行，选择案例或上传素材后会显示中文结论。
查看 JSON 数据
尚未执行。observed_volume_m3 只代表已观测网格的积分。
EVIDENCE / REPRODUCIBILITY
素材下载与评测依据
网站内置的 12 个场景化合成案例无需下载任何文件。若要上传公开素材或训练模型，请从下面的官方入口获取，并把公开数据、合成自测、离线实验与真实产线验收分开。
公开素材下载入口
| 实验室 | 从哪里下载 | 本项目需要什么 |
|---|
| 实例分割 | MVTec D2S 官方下载页 ↗ | 仅上传查看：下载 D2S 图片（约 6 GB）。训练/评测再下载标注（约 40 MB）。当前不需要 D2S Amodal。CC BY-NC-SA 4.0，禁止商业用途。 |
| 异常检测 | MVTec AD 官方下载页 ↗ | 下载正常训练图、测试图和像素标注；页面需要填写表单。CC BY-NC-SA 4.0，禁止商业用途。 |
| 点云配准 | BOP / T-LESS 官方下载说明 ↗ | 选 T-LESS 的基础数据、模型与所需 RGB-D 测试片段，再按项目脚本转成米制点云 JSON。不要把真值 ROI 当成端到端定位结果。 |
| 体积估算 | GIMUN Figshare 数据仓库 ↗ | 选择料堆点云或对应影像，转换为 points / bounds / base / cell_m JSON；露天料堆不能直接代表密闭粉体料仓。 |
本工程不打包第三方图像、模型权重或完整数据。下载、训练、公开展示前必须再次核对来源页面的最新许可与数据划分。
实验报告应该包括
{
"status": "not_run",
"dataset_and_split_hash": null,
"algorithm_and_commit": null,
"checkpoint_hash": null,
"hardware_and_software": null,
"accuracy_metrics": null,
"latency_p50_p95_p99": null,
"timing_scope": "需写明：纯推理 / 预处理+推理 / HTTP端到端",
"failure_cases": []
}本地合成自测报告在 reports/ 下。公开数据上的 AUROC、mAP、配准成功率、体积误差，必须实际运行相应评测后再填写。