光迅科技测试开发一面:图像识别项目与光模块测试
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 请简单做个自我介绍。
- 你对光迅科技有哪些了解?
- 讲讲你的项目一,你的主要工作是什么?
- 这个项目的识别功能,实现主要靠颜色还是图像识别?
- 项目里的模型训练相关工作是怎么做的?
- 项目识别准确度大概是什么水平?
- 图像识别过程中遇到过哪些 bug?
- 这个项目整体实现耗时多久,阶段怎么划分?
- 你觉得这个项目做得最好的一块是什么?
- 项目中遇到团队成员拖延、不配合工作,你怎么处理?
- 有源光模块测试包含哪些内容?
- 光模块测试会用到哪些测试软件?
- 测试开发会用到哪些编程语言与开发工具?
- 光电转换的技术栈和原理是什么?
《参考解析》
颜色阈值与图像识别的取舍:这题考的是对两类方法边界的判断,而不是哪种更先进。颜色阈值法通常在 HSV 空间做区间分割,因为 HSV 把色调与亮度分开,比 RGB 更耐受曝光变化;配形态学开闭运算去噪、连通域分析取轮廓。它的优点是算力极小、结果可解释、参数直观,缺点是强依赖光照与白平衡,换工位或换一批物料就要重新调阈值,背景中一旦出现同色物体就会误检。图像识别则靠学习到的纹理与形状特征,传统路线是 HOG、LBP 加分类器,深度路线是检测或分割网络,对光照与背景更鲁棒,代价是需要标注数据、需要训练、推理要占算力。工程判断可以这样给:目标颜色稳定、背景可控、节拍要求高,用颜色阈值加几何约束就够;目标外观多变、背景杂乱、需要分类或同时定位多个目标,才上模型。实际项目更常见的是混合方案,先用颜色或轮廓做粗定位得到 ROI,再在小图上跑分类或检测,既省算力又稳。作答时要落到自己项目的具体约束上——帧率、算力、光照条件、误检与漏检哪个代价更高。
模型训练与准确度评估:训练流程要讲完整:数据采集与清洗、标注规范与标注一致性、按场景切分训练集与验证集(随机切分容易让同一场景同时出现在两侧,指标会虚高)、数据增强(亮度、对比度、模糊、遮挡、噪声,增强方式要贴近现场退化)、选择骨干网络与输入分辨率、损失函数与优化器、训练中观察学习率与过拟合、最后在独立测试集上评估。指标不能只报一个准确率:类别不均衡时准确率会被多数类掩盖,应给出精确率、召回率、F1 与混淆矩阵;检测任务给出 IoU 阈值下的 mAP。工业场景还要区分误检(把良品判成不良)与漏检(把不良放过去)的代价,两者对应的判定阈值方向相反,阈值要按业务代价选而不是按准确率选。上线之后的工作同样重要:持续采样与样本回流,把现场误判样本补进训练集,并监控数据漂移,否则模型会随物料与光照变化缓慢失效。
图像识别项目里的常见 bug:按数据、代码、部署三层梳理。数据层是标注错误与漏标、训练集与现场分布不一致(光照、角度、批次差异)、类别不均衡导致模型偏向多数类。代码层最容易出的是图像通道顺序弄反(BGR 与 RGB 混用,精度会莫名下降)、归一化参数与训练时不一致、resize 的插值方式与长宽比处理不一致(直接拉伸会让目标形变)、坐标变换错误(letterbox 的 padding 与还原偏移算错,框整体偏移几个像素)、ROI 越界。部署层包括训练用 float32 而部署用 INT8 量化后精度掉落、不同推理框架的算子实现差异、多线程共享推理上下文没有加锁、内存池复用导致上一帧数据残留、相机曝光与白平衡处于自动模式导致画面跳变。定位方法很直接:把同一张图在训练侧与部署侧各跑一遍,逐层比对预处理输出与中间张量的数值,一旦出现分歧就能定位到具体的预处理步骤或算子。
有源光模块测试包含哪些内容:有源光模块内部有激光器、探测器与驱动、限幅放大电路,测试分发射端、接收端、数字诊断与可靠性四块。发射端看平均光功率、中心波长与边模抑制比、消光比、眼图与模板余量、抖动;接收端看接收灵敏度(给定误码率下的最小输入光功率)、饱和光功率、过载点与告警门限;系统级看误码率与链路余量,用误码仪配合可调光衰减器扫功率点,画出误码率随接收光功率变化的曲线。数字诊断(DDM/DOM)要校验温度、电压、偏置电流、发射与接收光功率的读数精度及告警阈值是否符合 MSA 约定。可靠性与环境项包括高低温循环、高温老化、湿热、振动,以及插拔寿命与 ESD。测试设计上还要区分「测模块本身」与「测模块在板卡或系统里的表现」:前者用标准仪表与夹具,后者必须连同主机侧 SerDes 配置与链路协议一起看,否则模块指标合格但链路仍然不通的情况会被漏掉。
光模块测试软件与测试开发工具链:仪表侧常用光功率计、光谱分析仪、数字通信分析仪(配时钟恢复做眼图与模板测试)、误码仪、可调光衰减器、可编程电源与温箱;软件侧是各仪表厂商的上位机与自动化平台。工程上多用 Python 通过 VISA(PyVISA)或厂商 SDK 控制仪器,用 pytest 组织用例并生成报告,产线 ATE 里也常见 LabVIEW。测试开发真正要会的是三件事:把测试步骤抽象成可复用的仪器操作与判定逻辑;把结果落成结构化数据便于追溯(序列号、工位、温度、仪表校准有效期);把整套流程接入 CI 或产线 MES。语言与工具上,Python 用于脚本与数据处理,C 与 C++ 用于嵌入式侧的固件测试与协议解析,Shell 用于环境准备与批量任务;工具链是 Git、Jenkins 或 GitLab CI、容器化环境,以及日志与数据看板。回答时可以补一句自己的实践,例如把重复的手工测量改成参数化脚本后,单次回归耗时下降多少。
光电转换的原理与技术栈:电光转换在发射端完成:激光器在驱动电路作用下把电信号变成光强调制信号,DFB 激光器用于中长距、VCSEL 用于短距多模、EML 把激光器与电吸收调制器集成以获得更好的 chirp 特性;调制格式从 NRZ 走向 PAM4 以提高单通道速率;光信号经 TOSA 耦合进光纤。光电转换在接收端:PIN 光电二极管把光功率转成光电流,APD 通过雪崩倍增提高灵敏度但需要高压偏置与温度补偿,跨阻放大器把电流转成电压,再由限幅放大器与 CDR 恢复时钟与数据,封装为 ROSA。要能串起几个关键概念:消光比是「1」与「0」的光功率之比,偏低会让眼图张开度不足、接收端判决余量变小;灵敏度由探测器响应度与噪声决定,恶化会直接表现为长距链路误码升高;色散与光纤非线性限制传输距离;功耗与散热约束模块的封装密度。测试岗位不必会设计光路,但要把「发射端哪个参数不好会导致系统侧什么现象」讲通,这决定了你能否从测试数据反推问题环节。