面灵AI→

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》

  1. 请简单做个自我介绍。
  2. 你对光迅科技有哪些了解?
  3. 讲讲你的项目一,你的主要工作是什么?
  4. 这个项目的识别功能,实现主要靠颜色还是图像识别?
  5. 项目里的模型训练相关工作是怎么做的?
  6. 项目识别准确度大概是什么水平?
  7. 图像识别过程中遇到过哪些 bug?
  8. 这个项目整体实现耗时多久,阶段怎么划分?
  9. 你觉得这个项目做得最好的一块是什么?
  10. 项目中遇到团队成员拖延、不配合工作,你怎么处理?
  11. 有源光模块测试包含哪些内容?
  12. 光模块测试会用到哪些测试软件?
  13. 测试开发会用到哪些编程语言与开发工具?
  14. 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。