工业质检 AI 模型训练师岗位招聘考试试卷及答案

工业质检AI模型训练师岗位招聘考试试卷及答案一、填空题（每题1分，共10分）1.工业质检常用的异常检测数据集是______。2.AI模型训练的第一步通常是______。3.图像预处理中，将像素值缩放到固定范围的操作是______。4.工业缺陷常见类型包括裂纹、______、凹陷等。5.常用的图像分类基础模型是______系列。6.工业质检中，缺陷定位常用______任务。7.半监督学习的核心优势是减少______。8.模型评估中，衡量漏检率的指标是______。9.边缘部署常用的推理框架是______。10.工业质检数据标注常用工具是______。二、单项选择题（每题2分，共20分）1.下列属于无监督异常检测模型的是（）A.ResNet50B.IsolationForestC.YOLOv8D.BERT2.缺陷样本极少时，优先选用（）学习A.监督B.半监督C.强化D.自监督3.图像resize的核心作用是（）A.去噪B.统一输入尺寸C.增强对比度D.标注缺陷4.目标检测的关键指标是（）A.MAEB.mAPC.R²D.准确率5.生产线实时质检优先考虑模型的（）A.准确率B.推理速度C.训练时间D.模型大小6.MVTecAD数据集属于（）类型A.分类B.异常检测C.语义分割D.目标检测7.半监督学习中，未标注数据的作用是（）A.直接训练B.提升泛化能力C.减少参数D.加快训练8.图像去噪常用（）方法A.高斯滤波B.归一化C.旋转D.标注9.小样本缺陷检测适用（）模型A.Few-ShotB.ResNet152C.BERTD.LSTM10.缺陷定位+分类的任务是（）A.分类B.异常检测C.目标检测D.回归三、多项选择题（每题2分，共20分）1.工业质检模型训练步骤包括（）A.数据采集B.标注C.预处理D.训练E.部署2.常用图像预处理操作有（）A.归一化B.resizeC.去噪D.标注E.裁剪3.工业缺陷类型包括（）A.裂纹B.划痕C.凹陷D.变形E.颜色偏差4.无监督异常检测模型有（）A.AutoEncoderB.One-ClassSVMC.IsolationForestD.YOLOE.ResNet5.模型评估核心指标有（）A.准确率B.召回率C.精确率D.F1值E.mAP6.数据标注要求（）A.准确B.统一C.完整D.快速E.模糊7.边缘部署框架有（）A.TensorRTB.OpenVINOC.PyTorchD.TensorFlowE.ONNXRuntime8.半监督学习适用场景（）A.标注少B.未标注多C.泛化要求高D.实时性强E.样本均衡9.模型优化方向（）A.推理速度B.准确率C.模型大小D.功耗E.训练时间10.目标检测任务包括（）A.缺陷定位B.缺陷分类C.缺陷计数D.缺陷分割E.缺陷描述四、判断题（每题2分，共20分）1.工业质检模型只需关注准确率，无需考虑推理速度。（）2.MVTecAD包含常见工业缺陷图像。（）3.半监督学习需要大量标注数据。（）4.归一化可将像素值缩放到0-1。（）5.IsolationForest是监督模型。（）6.目标检测可同时定位和分类缺陷。（）7.缺陷样本越多，模型效果一定越好。（）8.边缘部署模型比云端模型小。（）9.AutoEncoder可用于异常检测。（）10.模型训练无需考虑数据分布。（）五、简答题（每题5分，共20分）1.简述工业质检模型训练的核心步骤。2.缺陷样本极少时，如何解决训练难题？3.召回率与精确率的区别及应用场景？4.边缘部署与云端部署的核心差异？六、讨论题（每题5分，共10分）1.若某产品缺陷类型多、样本不均衡，如何设计质检方案？2.如何平衡模型准确率与推理速度？---答案部分一、填空题1.MVTecAD2.数据采集3.归一化4.划痕（或凹陷、变形等合理答案）5.ResNet6.目标检测7.标注量8.召回率9.TensorRT（或OpenVINO等合理答案）10.Labelme二、单项选择题1.B2.B3.B4.B5.B6.B7.B8.A9.A10.C三、多项选择题1.ABCDE2.ABCE3.ABCDE4.ABC5.ABCDE6.ABCD7.ABE8.ABC9.ABCD10.ABC四、判断题1.×2.√3.×4.√5.×6.√7.×8.√9.√10.×五、简答题1.核心步骤：①数据采集（正常+缺陷图像）；②标注（boundingbox/分割）；③预处理（resize、归一化、去噪）；④模型选择（分类/检测/异常检测对应模型）；⑤训练验证（调超参数、评估指标）；⑥部署（边缘/云端）。2.解决方法：①半监督/无监督学习（用大量正常样本）；②小样本学习（Few-Shot）；③数据增强（旋转、翻转等）；④迁移学习（预训练模型微调）；⑤加权损失（给少数样本高权重）。3.区别：召回率（TP/(TP+FN)）关注漏检；精确率（TP/(TP+FP)）关注误检。场景：漏检危害大（如航空零件）优先召回率；误检成本高（如批量复核）优先精确率，F1值平衡两者。4.差异：边缘部署（本地设备）→低延迟、无网、隐私好，算力有限；云端部署（服务器）→算力强、易更新，依赖网络、延迟高。生产线实时选边缘，批量分析选云端。六、讨论题1.设计方案：①数据层：用SMOTE过采样少数缺陷，小样本学习+迁移学习；②模型层：半监督异常检测（AutoEncoder）补充未知缺陷，YOLOv8多类检测；③部署层：边缘优化（TensorRT压缩）保证实时，低置信度样本人工复核；④迭代：定期收集新缺陷更新