Інженер з комп'ютерного зору

UA·Kyiv | Київmid

Other

0 views0 saves0 applied

Apply Now

Quick Summary

Overview

Ми — агентство Everstar. Наше завдання — допомагати приватним компаніям оборонної сфери знаходити талановитих людей та наближати нашу перемогу.

Technical Tools

Other

Ми — агентство Everstar.

Наше завдання — допомагати приватним компаніям оборонної сфери знаходити талановитих людей та наближати нашу перемогу.

Один з наших ключових клієнтів спеціалізується на розробці та виробництві безпілотної техніки і супутнього устаткування.

Компанія налагодила та масштабувала власне виробництво двох типів БпЛА.

Зараз вони шукають у команду Інженера з комп'ютерного зору.

Базові знання Computer Vision та ML: Розуміння базових архітектур згорткових нейромереж (CNN) для задач детекції/класифікації та методів класичної цифрової обробки зображень.
Володіння Python та/або C++ та ML-стеком: Впевнені навички роботи з Python та/або C++, бібліотеками OpenCV, PyTorch (або TensorFlow), NumPy для побудови пайплайнів обробки та інференсу.
Розуміння фізики світла та оптики: Базове уявлення про оптичні схеми (фокусна відстань, глибина різкості, кути підсвічування), щоб розуміти принцип: «якість вхідного кадру визначає точність нейромережі».

Підбір апаратної бази під ML-задачі: Розрахунок та вибір камер, оптики (об'єктиви, світлофільтри), спеціалізованого освітлення та обчислювальних платформ (Edge IPC, платформи з GPU / NVIDIA Jetson).
Збір, структурування та розмітка даних: Організація збору зображень безпосередньо на ділянці виробництва, первинна фільтрація, розмітка дефектів/об'єктів та формування якісних датасетів.
Розробка гібридних алгоритмів (CV + ML): Поєднання методів класичної комп'ютерної обробки (OpenCV: виділення ROI, бінаризація, фільтрація шумів) із моделями машинного/глибинного навчання (детекція, сегментація, класифікація).
Навчання та оптимізація моделей: Fine-tuning та донавчання легкозважених архітектур (сімейство YOLO, класифікатори, моделі Anomaly Detection) та їх оптимізація для інференсу в реальному часі (TensorRT, ONNX Runtime, OpenVINO).
Інтеграція в промислову систему керування: Налаштування зв'язку моделі з ПЛК / керуючим комп'ютером (передача сигналів Pass/Fail, координат для маніпулятора, типів виявленого браку через цифрові сигнали або протоколи).
Робота з крайовими випадками та валідація: Тестування моделі на варіативних партіях деталей, мінімізація хибних спрацьовувань (False Positives) при суттєвому дисбалансі класів (коли дефектів у вибірці значно менше, ніж норми).
Підтримка життєвого циклу моделі (MLOps на мінімалках): Ведення версійності моделей і датасетів, написання зрозумілих інструкцій для технологів щодо калібрування системи та процедури донавчання на нові вироби.