Computer Vision Engineer — ввод в эксплуатацию на производстве (CV / MV Engineer)

О компании и проекте

ООО «ЦИМУС» - производители удобрений. В 2026 году мы запускаем собственную систему контроля качества на базе машинного зрения на действующих линиях.

Задача системы - автоматически выявлять брак (перекос крышки, кривая этикетка, сколы и царапины, недолив, дефект шва упаковки) и останавливать линию до того, как дефектная продукция дойдёт до клиента.

Мы ищем инженера, который доведёт эту систему от концепции до стабильной промышленной эксплуатации. Старт - прототип на действующем производстве; далее - масштабирование на другие линии и площадки.

Суть роли

Вам ставят проблему, а не пошаговое задание: «нужно ловить брак и останавливать линию». Дальше вы сами определяете решение - какие камеры и освещение использовать, где их разместить, какую модель обучить, как завести сигнал остановки на линию.

Программную часть вы реализуете самостоятельно, а монтаж выполняют специалисты на производстве, по вашим требованиям.

Это роль для самостоятельного инженера, который сам формирует техническое решение, а не ждёт детального ТЗ на каждый шаг.

Зона ответственности

• Разработка программной части системы машинного зрения: обучение нейросетевых моделей детекции дефектов и реализация классических (rule-based) алгоритмов - измерение крышки, геометрия шва, метрология в кадре.

• Построение рабочего пайплайна: захват кадра по датчику или энкодеру, предобработка изображения, инференс, принятие решения «годен / брак».

• Интеграция с линией: передача сигнала на ПЛК для остановки линии и управления отбраковкой (дискретные сигналы, реле, «сухой контакт»), привязка весового контроля и сигнализации постов.

• Выбор технического решения: подбор камер, оптики и схемы освещения, проектирование схемы размещения и постановка задач монтажной бригаде.

• Ввод системы в эксплуатацию: запуск, отладка (борьба с ложными срабатываниями, бликами, задержкой останова), доведение до стабильной работы по целевым показателям.

• Сбор и разметка датасета непосредственно на производстве, дообучение модели по мере накопления данных.

Требования (обязательно)

• Реальный опыт ввода систем машинного зрения в эксплуатацию на производстве - не лабораторное обучение моделей, а доведение системы до устойчивой работы на действующей линии.

• Уверенный Python и OpenCV; обучение нейросетей (PyTorch / Ultralytics, семейство YOLO или аналоги). Умение работать как с нейросетевым, так и с классическим зрением.

• Опыт интеграции зрения с ПЛК и линией: дискретные сигналы, реле, сигнал на привод или отбраковыватель.

• Работа с промышленными камерами (GigE Vision и аналоги), подбор оптики и освещения под конкретную задачу.

• Самостоятельность: способность вывести техническое решение из постановки проблемы без пошагового ТЗ.

Будет преимуществом

• C++ для ускорения инференса на контроллере.

• Опыт с контроллерами машинного зрения (например, Hikrobot).

• Понимание промышленных протоколов (Modbus / OPC UA, цифровой I/O).

• Чтение компоновочных схем, базовые навыки CAD.

• Опыт в розливной, упаковочной, пищевой или химической промышленности.

Это не ваша роль, если

• Вы чистый ML-исследователь: обучаете модели, но ПЛК, линию и пусконаладку никогда не трогали.

• Вы инженер АСУ ТП без опыта в машинном зрении.

• Вам нужно детальное ТЗ на каждый шаг - здесь вы сами ставите задачи.

Условия

• Формат - удалённая работа.

• Выезды на производственную площадку (Москва / Пенза) - разовые, по необходимости: познакомиться с процессом, помочь с установкой и запуском, разобрать проблему на месте. Постоянного присутствия в этих городах не требуется.

Как откликнуться

В отклике коротко ответьте на один вопрос: расскажите про систему машинного зрения, которую вы лично вводили в эксплуатацию - от выбора камеры и освещения до сигнала на линию. Что пошло не так и как вы это исправили?

Развёрнутый ответ на этот вопрос для нас важнее формального резюме.