{
    "basic_info": {
        "name": "朱浩祥",
        "gender": "男",
        "phone": "15637971307",
        "email": "2456522955@qq.com",
        "age": "",
        "birth_date": "",
        "location": "",
        "work_years": "2.1"
    },
    "education": [
        {
            "school": "",
            "major": "",
            "degree": "本科",
            "graduation_year": ""
        }
    ],
    "job_intention": {
        "expected_position": "机器视觉工程师",
        "expected_salary": "面议",
        "expected_city": "",
        "availability": ""
    },
    "skills": [
        "C#语言",
        "Winform窗口搭建",
        "VisionPro",
        "Halcon",
        "VisionMaster",
        "VA与C#联合编程",
        "INI\/TXT\/CSV文件读写与数据管理",
        "TCP通讯",
        "串口通讯",
        "PLC通讯",
        "图像处理",
        "模板匹配",
        "区域统计",
        "缺陷检测",
        "边缘检测",
        "形状匹配特征处理",
        "形态学调整",
        "深度学习算法（分类和缺陷检测）",
        "相机\/光源\/镜头选型",
        "机器视觉项目方案设计",
        "定位、测量、识别、检测功能实现"
    ],
    "work_experience": [
        {
            "company": "之视科技（上海）有限公司",
            "position": "机器视觉工程师",
            "duration": "2024\/08-2026\/09",
            "description": "独立负责通用型工业智能相机及2D\/3D视觉系统在客户现场的交付闭环：完成相机\/镜头\/光源选型与打光调试、深度学习模型训练搭建、检测流程搭建与现场调试、C#\/WinForm上位机适配及PLC信号交互，累计交付30套视觉设备，覆盖汽车零部件\/新能源\/3C等场景，一次性验收通过。\n负责存量视觉项目的优化改造与客户技术支持：针对误检漂移、光照衰减、来料批次波动等问题，通过参数自适应、灰度校验与流程重构恢复设备稳定性，累计完成10+个项目升级，减少因视觉原因停线2次\/月，售后问题一次解决。"
        }
    ],
    "project_experience": [
        {
            "name": "3C精密结构件尺寸测量与定位引导系统",
            "role": "机器视觉工程师",
            "duration": "",
            "description": "背景：客户3C精密结构件（如手机\/平板中框）在装配前，需要在多个工位完成关键尺寸测量，并将抓取坐标发送给机械手进行高精度贴合。现场来料姿态不稳定，存在高达±15°的角度偏差；且3C件尺寸微小、公差极严，传统人工或纯机械定位无法满足贴合良率要求。\n行动：硬件与光学方案：独立完成相机与光学选型，为保证微米级测量精度，选用高分辨率全局快门相机+双远心镜头，彻底消除透视畸变误差；针对金属精密件反光特性，采用同轴光+高角度环形光组合方案，凸显边缘轮廓与Mark点特征，确保图像边缘锐利、对比度稳定。算法与测量逻辑：基于VisionPro搭建检测流程。由于来料存在大角度偏差，采用高鲁棒性的模板匹配（PatMax）进行动态寻边与姿态纠偏；纠偏后，利用Caliper工具提取亚像素边缘，完成多工位尺寸的几何测量；引入特征筛选机制，剔除因表面毛刺或切削液残留造成的测量异常点，保证尺寸数据真实。标定转换与通信：完成九点标定，建立像素坐标到机械手物理坐标系的精准映射；通过C#上位机结合TCPSocket，将计算出的目标X、Y坐标及旋转角度（U）实时发送给机械手，并利用多线程处理视觉计算与Socket收发，确保通信低延迟，满足产线节拍。长期稳定性保障：针对现场环境光和LED光源自然衰减，设计定期灰度校验与参数自适应机制，上位机定时监控基准Mark点的灰度均值，动态调整曝光或图像预处理参数，防止因光源衰减导致的定位漂移。\n结果：累计交付5套视觉定位引导系统，其中4套一次验收通过，1套整改后通过。成功克服来料大角度偏差，测量重复精度稳定在±0.02mm以内。机械手抓取贴合良率提升至98.9%，单件检测及通信节拍控制在1.8秒。设备连续运行3个月，未因视觉漂移或通信延迟导致产线停机，顺利通过客户终验。"
        },
        {
            "name": "锂电池顶盖焊缝与极柱AI缺陷检测系统",
            "role": "机器视觉工程师",
            "duration": "",
            "description": "背景：客户在电芯顶盖封焊后，需要对焊缝的微小气孔、爆点以及极柱表面的划伤进行全检。由于金属表面反光极其复杂，传统视觉的阈值分割和边缘提取根本无法稳定提取缺陷特征，导致误判（过杀）频发，产线无法自动运行，严重依赖人工复判。\n行动：硬件与光学方案：独立完成相机与光学选型。针对顶盖金属反光，采用高角度环形光+偏振片组合，压制极柱表面的强反光；针对焊缝，采用条形光源低角度打光，凸显气孔和爆点的三维凹凸纹理，为AI模型提供高对比度的清晰图像。VM深度学习模型训练与应用：基于VisionMaster的深度学习模块构建检测流程。采集数百张NG样本与OK样本，使用VM的标注工具进行像素级标注（缺陷分割或目标检测）；针对缺陷尺寸极小的问题，在VM训练模块中调整输入图像分辨率和增广策略，训练出高召回率的模型；在VM流程中，将AI模块与传统Blob模块结合，利用AI做初筛，传统算法复核面积和长宽比，双重机制压制过杀。上位机开发与二次集成：使用C#WinForm开发视觉软件，通过调用VM的C#运行库(SDK)将视觉流程无缝嵌入到上位机中；采用多线程架构，主线程负责UI渲染和配方管理，后台线程独立执行VM流程与模型推理，防止界面卡顿。通信联调与现场验收：完成与PLC的ModbusTCP通信，将NG信号与缺陷坐标实时回传，联动剔除机构；针对现场环境光变化，在C#中实现相机曝光自适应逻辑；对客户进行操作培训，输出完整的模型迭代与维护手册。\n结果：累计交付3套AI检测系统，一次验收通过。成功替代人工复判，顶盖微小气孔与划伤的漏检率降至0.1%以下。综合误判率（过杀率）从传统视觉的7.5%降至1.5%，大幅减少了客户因良品被误剔造成的物料浪费整体检测节拍（包含VM流程与模型推理）控制在1.4秒\/件，设备连续运行3个月，模型未出现明显的性能衰减。"
        },
        {
            "name": "锂电池模组3D高度与平面度检测系统",
            "role": "机器视觉工程师",
            "duration": "",
            "description": "背景：客户锂电池模组在装配前，必须检测极柱高度差、极柱共面度以及壳体表面的平面度，以防后续焊接虚焊或装配干涉。原人工卡尺抽检效率低且无法全检，2D视觉又无法获取Z轴高度信息，必须引入3D线激光检测。\n行动：硬件与成像方案：独立选型3D线激光轮廓传感器，针对电池表面蓝膜和金属极柱的高反光差异，调整传感器安装倾角与曝光参数，通过多帧平均与滤波算法抑制点云噪点；利用PLC发送编码器脉冲实现动态匀速扫描，保证Z轴轮廓数据的真实还原。算法与标定逻辑：完成3D传感器外参标定，将传感器坐标系与运动机构坐标系对齐；基于VM将3D轮廓数据转换为高度图，利用最小二乘法进行基准面拟合（剔除产线夹具倾斜带来的误差），再通过高度阈值分割和形态学处理，精确提取极柱高度差与平面度极值。上位机与通信：使用C#开发上位机，利用多线程（生产者-消费者模型）接收传感器高频轮廓数据，实时渲染3D点云与高度色阶图；完成OK\/NG判定及高度数据存储，通过ModbusTCP将结果及NG坐标实时发送给PLC，联动剔除机构。\n结果：累计交付4套3D检测系统，其中3套一次验收通过，1套整改后通过。极柱高度测量重复精度稳定在±0.015mm以内，平面度测量精度达±0.02mm。检测节拍控制在2.2秒\/件，连续运行4个月，无漏检，完美替代人工抽检。"
        },
        {
            "name": "新能源电池模组外观缺陷检测系统（量产落地）",
            "role": "机器视觉工程师",
            "duration": "",
            "description": "背景：客户产线原本依赖人工目检电池模组表面的划痕、凹坑和异物。随着产能扩张，人工检测的节拍过高已无法满足要求，且人员疲劳导致漏检率和过杀率居高不下，必须引入全自动视觉检测并联动PLC进行分选。\n行动：硬件与光学方案：独立完成相机与光源选型，针对电池金属外壳高反光、蓝膜吸光等复杂成像问题，采用偏振片+低角度暗场组合方案抑制表面反光，高角度环形光凸显划痕与凹坑的三维立体特征，确保细微缺陷在图像中对比度最大化。算法与检测逻辑：基于Halcon搭建检测流程。利用动态阈值Blob分析快速定位异物与凹坑区域，结合亚像素边缘提取（Caliper）精确测算划痕长度；同时引入几何特征筛选（如面积、圆度、长短轴比），剔除因灰尘或夹具阴影造成的伪缺陷，有效降低过杀率。上位机与通信：使用C#WinForm开发视觉上位机，采用多线程架构实现图像采集、算法处理与界面刷新的分离，防止高频采图导致界面卡死；完成与产线PLC的ModbusTCP通信联调，实现硬触发拍照、结果判定及NG信号实时回传，联动剔除机构完成全自动分选。\n结果：累计交付5套外观检测系统，一次验收通过。检测节拍降至1.8s\/件，匹配产线高速运转需求。连续大批量生产统计，缺陷误检率（过杀率）降至0.6%，漏检率控制在0.1%以内。设备连续运行3个月实现无漏检。"
        }
    ],
    "certifications": [],
    "self_evaluation": "较强的抗压能力和学习能力，沟通协作能力较强，可接受出差，能适应项目节奏和现场调试压力。善于解决问题，具有良好的心理素质，对待工作认真负责，有很强团队荣誉感，有责任心，注重工作效率有上进心，有强烈的执行力，对新技术和新东西有强烈的求知精神。"
}

{
    "events": [
        {
            "eventName": "ObjectCreated:PutObject",
            "eventSource": "acs:oss",
            "eventTime": "2026-10-30T10:40:12.000Z",
            "eventVersion": "1.0",
            "oss": {
                "bucket": {
                    "arn": "acs:oss:cn-hangzhou:1748673497100614:langbowei-static",
                    "name": "langbowei-static",
                    "ownerIdentity": "1748673497100614",
                    "virtualBucket": ""
                },
                "object": {
                    "deltaSize": 454773,
                    "eTag": "65E8A6A2750403BFDD1CF2317E5B9BDA",
                    "key": "resumes\/1-6ae4740c-15ac78-b7d7f3149d95__widget_1704704635359_0.pdf",
                    "objectMeta": {
                        "mimeType": "application\/pdf"
                    },
                    "size": 454773
                },
                "ossSchemaVersion": "1.0",
                "ruleId": "6ace21aabfd5f4f41034504922b3ff7128aa76bb"
            },
            "region": "cn-hangzhou",
            "requestParameters": {
                "sourceIPAddress": "172.16.0.125"
            },
            "responseElements": {
                "requestId": "6AE4740C4FB0443335C3B2BB"
            },
            "userIdentity": {
                "principalId": "300034963247836315"
            }
        }
    ]
}