技术能力

1.设计实现联想Wall-E自动化测试系统
2.实现WatchDog计算机视觉检测方案
3.实现Battclues电池用户场景续航测试工具
4.熟练掌握编程语言Python,C#
5.熟练掌握Web框架Django
6.熟练掌握前端技术Html,CSS,JQuery,Bootsrrap
7.熟练使用MySql数据库
7.熟悉计算机视觉框架OpenCV
8.熟悉机器学习框架Keras
9.熟悉linux
11.熟悉树莓派开发板

项目经验

1.自动化测试系统
本套系统是一套集测试任务分发，数据回收，大数据分析，结果展示为一体的自动化测试系统，主要用于完成笔记本stress和performance测试。目前已经实现35个测试项，并交付给6个质量实验室和5家代工厂使用。
在这个项目中本人主要负责系统架构和带领其余小组成员完成代码实现。
实现部分
● 后台Django
● 前端Html,CSS,JavaScript,JQuery,Bootstrap
● 脚本Python,C#
● 机械手UARM
● 视觉OpenCV,Keras
● 控制机Raspberry Pi

2.视觉检测解决方案
本套方案是基于用户场景统计时间维度的数据来测试笔记本的性能。通过结合摄像头和机械手代替人而不是传统的用脚本模拟人来完成自动化测试。目前已在performance实验室使用，并推广到一家工厂，接下来会向其他工厂做进一步的推广。本人负责需求的收集，产品的定义，带领小组成员开发实现，委派小组成员测试以及工具的维护。
实现部分：
使用Keras训练深度神经网络实现目标检测并统计时间
● 使用VGG网络结构实现开机场景的检测
● 使用SSD网络结构实现如Word打开速度等17个用户常用场景的检测

3.Intelligent Data Engine大数据分析解决方案
项目背景为产线成批组装机器缺乏一致性，比如散热模组某个螺丝没有锁紧，人工很难检测出来，产品流入市场后产生质量问题。本方案通过大数据分析，训练AI模型，
在产线上执行工具，通过AI预测笔记本是否存在特定的质量问题。目前已经在产线运行接近两年，特别是在游戏本上能够实际检测出部分问题，保证了产品的质量。
实现部分：
● 原始数据收集，收集了6种机型，正常和异常各10台，共120台原始数据，每笔数据收集900个维度的和机型状态相关的数据
● 数据清理，通过逻辑回归，找出权重比较大的数据维度，做为模型训练数据
● 再次通过逻辑回归根据清理后的数据训练得到预测模型
● 模型和训练机型的配置信息绑定，根据配置文件筛选对应模型，通过对应模型做预测

团队情况