社招 易思维算法测试一面面经
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 你上一份工作离职的原因是什么?
- 说一下你在这家公司的工作内容?
- 你对激光相机是怎么测试的?简历里写的深度验证、轮廓对齐与高度倾斜校正等 3D 核心采图逻辑,能解释一下什么是轮廓对齐和高度倾斜校正吗?
- 这几个测试有测出异常的情况吗?
- 你在简历里写「全面保障复杂工件点云的高精度还原」,我的理解是信号传感器对工件恢复三维轮廓,你是怎么验证它的精度的?
- 简历上写「准确定位并协助修复 12 个缺陷」,这 12 个缺陷能举几个例子吗?
- 解释一下什么是暗场校正、坏点校正,还有响应线性等图像指标?
- 坏点是在什么情况下产生的?它的测试环境是什么样的,怎么去验证坏点?
- 响应线性是什么意思?是指根据亮度和曝光生成的线性图吗?相机除了这些指标还有哪些需要测?
- 你在这家公司两个多月了,有遇到什么困难吗?
- A、B 相是由两个传感器还是多个传感器协同工作的?
- 这两种触发模式(编码器 A 相在前(位置)与编码器 A 相在前(方向))有什么本质区别?
- 你是想从事图像质量测试的工作吗?我们这边是做算法测试的,你对算法测试岗的理解能说说吗?
- 详细介绍一下你在海康的工作项目。
- 你在海康做的报警测试有准确率、误报率和重复率,准确率和误报率加起来是不等于 1 的是吗?
- 假如 10 次报警里面报对了 8 次,这个准确率是 80% 吗?
- 准确率是怎么计算的,能说清楚点吗?你这个准确率是不是类似检出率?
- 在海康实习写的「执行 500 余项多维度的场景用例」,这个用例是你写的吗?能说一下吗?
- 「评估算法在复杂环境下的各项指标及系统稳定性」这个系统稳定性是怎么评估的?
- 你在测试这个报警的时候,有遇到你觉得是问题但是开发不觉得是的情况吗?
- 对于上面这种情况你是怎么去处理的?后来怎么样,最后算 bug 吗?
- 你在迈瑞也做了一些图像质量测试,这个是做的什么图像质量测试?
- 迈瑞的实习对你有什么成长?
- 你说的「法规」是什么意思?你是对什么进行测试,这个法规是作用在图像还是什么?
- 你在现在的这家公司工作内容变更后,有没有向现在这家公司争取一下?
- 反问环节。
《参考解析》
简历驱动的深挖:每一句措辞都要能被追问到底。 这类面试的提问几乎全部来自简历原文,「深度验证轮廓对齐与高度倾斜校正」「全面保障点云高精度还原」「协助修复 12 个缺陷」这种漂亮但抽象的表述,面试官一定会逐条要求落到定义、方法、数据和案例上。准备时把简历里每一个技术名词都过一遍三问:它是什么(一句话定义)、你怎么测的(设备、样本、判定阈值)、结果怎么量化(指标值、缺陷举例)。轮廓对齐通常指多次扫描或多传感器得到的轮廓在同一坐标系下的配准,验证的是配准后的偏差是否落在公差内;高度倾斜校正则是补偿传感器与工件表面不垂直带来的高度失真,验证方式是拿标准件或标定板比对已知几何量。答不出来就说明这条不该写在简历上,或者要如实说明自己负责的边界。
图像质量指标要按「怎么产生—怎么测—怎么判」讲。 暗场校正是无光照条件下采集本底噪声与暗电流偏置并把它减掉,评价看校正后残余的暗场均匀性;坏点校正针对响应恒定偏高或偏低的像素,验证方法一般是固定均匀光下多帧平均,用邻域统计找出偏离若干倍标准差的像素,同时确认校正后不会再出现固定亮斑或黑点;响应线性指同一辐照度下输出灰度与曝光时间(或亮度档位)是否成正比,做法是用均匀光源逐档曝光、拟合灰度与曝光量的曲线,看线性度误差和饱和拐点。除此之外相机还会测信噪比、动态范围、均匀性、快门与帧率稳定性、色彩还原(彩色相机)等。回答时先给定义再给测法,不要一上来就陷入细节。
精度验证是一个方法论问题,不是一句「测过了」。 被问到「怎么验证点云精度」时,标准思路是引入可溯源的参考:用高精度标准件(球、台阶块、量块、标定板)或三坐标测量机的结果作为真值,在同一工况下扫描后比较特征量(球心距、平面度、台阶高度、轮廓偏差),做多位置、多姿态、多温度条件的重复性测试,统计均值偏差、重复性与极差,并给出测量系统误差与工件变形、环境振动、反光材质等因素的分离方法。还可以做交叉验证:与另一台已校准的设备比对。关键是把「精度」拆成准确度(与真值的偏差)和重复性(多次测量的离散度)两个口径分别给数,这样才显得真做过。
报警类算法的指标口径一定要说清楚分子分母。 准确率、误报率、重复率、检出率各自的分母不同,所以「准确率和误报率加起来不等于 1」是正常的,因为还有漏报。面试官追问「10 次报警报对 8 次是不是 80%」时,就是要看你有没有意识到歧义:如果这 10 次是真实发生的报警事件,8/10 是检出率(召回率);如果这 10 次是算法给出的报警,8 次为真则是精确率(查准率)。通用定义上准确率是 (TP+TN)/总数,误报率是 FP/(FP+TN) 或 FP/总报警数,两者分母不同,不能相加。答的时候先把混淆矩阵四项摆出来,再说明你们项目实际采用的是哪种口径、为什么这么定,最后补充漏报(FN)在这类安防/检测业务里通常比误报更要命,因此阈值往往偏向高召回,靠人力去消化误报。
算法测试岗与图像质量测试岗不是一回事,要正面回答岗位理解。 图像质量测试偏相机与成像器件本身的客观指标(暗场、坏点、线性、信噪比),算法测试则偏模型输出的正确性与鲁棒性:数据集与场景覆盖、指标定义与评估脚本、边界与长尾 case、回归与版本对比、badcase 归因到数据还是模型。被问到理解时,建议给出「评估体系」的框架:测什么(功能/精度/性能/稳定性)、用什么数据(正常、边界、对抗、真实场景)、怎么判定(阈值与基线)、结果怎么用(定位问题、卡发布门)。同时可以说明自己从成像测试转算法的可迁移能力:对数据的敏感度、指标口径的严谨、以及复现问题的耐心。
结构化表达是这场的真正失分点。 面试官最后的反馈是「简历写的自己不熟、基本概念不理解、回答比较混乱」,并强调对复杂问题(比如海康的各项指标)要描述清楚、要考虑听者没有这方面背景。可执行的做法是:每个问题都按「一句话结论 → 定义/背景 → 我的具体做法 → 结果与数据 → 补充边界」的顺序回答,控制在 1 到 2 分钟;遇到对方明显不熟的领域(比如你在海康做的具体业务),先花一句交代场景再上术语;不确定的问题直接说「这块我了解的是……不确定的部分是……」,比含糊绕圈更安全。面试前一晚把简历上的项目按「背景—目标—我的动作—量化结果—难点」写成五句话一页的提词卡,能大幅减少临场混乱。