jinbay無料で相談する

職務経歴書の記入例

画像認識エンジニアの職務経歴書 記入例

工場の外観検査や物体検出の経験は、フィジカルAIのスタートアップでも高く評価されます。ただし「深層学習で検査を自動化」とだけ書くと、どの条件で、どこまでの精度を出したのかが伝わりません。電子部品メーカーで外観検査を担当してきた人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:電子部品メーカーの生産技術部で、外観検査装置の画像処理を10年。ルールベースの検査を深層学習に置き換え、量産ラインでの運用まで担当。34歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 鈴木 健太

■ 職務要約

大学院で画像処理を学んだあと、株式会社〇〇(電子部品メーカー)の生産技術部で、外観検査装置の画像処理を10年担当しています。前半はルールベースの検査装置の立ち上げ、2021年からは深層学習による検査への置き換えと、量産ラインでの運用を担当しました。チップ部品の外観検査では、見逃し率0.05%以下を保ったまま過検出率を8.2%から1.4%に下げ、2工場14ラインに展開しています。2024年からは、部品トレイの物体検出を使ったロボットのピッキングの試作も担当しました。

■ 活かせる経験・知識・技術

  • 外観検査の撮像設計(照明・レンズ・カメラ配置の選定)と、ルールベースの画像処理
  • 異常検知・物体検出・セグメンテーションのモデル開発と、見逃し・過検出を分けた評価
  • TensorRT による推論の高速化と、産業用PCでのリアルタイム処理
  • 量産ラインでのモデルの運用(不良画像の収集、再学習、変更時の確認手順づくり)
  • 品質保証・製造部門と判定の基準を決める調整

■ テクニカルスキル

言語C++(7年9か月)、Python(5年8か月)、C#(5年)
フレームワーク・ライブラリOpenCV(7年9か月)、PyTorch(5年8か月)、TensorRT(5年8か月)、HALCON(5年)、ONNX Runtime(2年)、ROS 2(9か月)
機械学習・生成AIMLflow(3年8か月)、Label Studio(3年8か月)、異常検知(2年)、セマンティックセグメンテーション(2年)、物体検出(9か月)、インスタンスセグメンテーション(9か月)
データベースPostgreSQL(3年8か月)
OS・クラウド・インフラWindows(7年)、Docker(3年8か月)、オンプレミスのGPUサーバ(3年8か月)、産業用PC(GPU搭載)(2年)、GigE Vision カメラ(2年)、Ubuntu(9か月)、Jetson(9か月)
ツールPLC(5年)、深度カメラ(9か月)、Git、GitLab CI

■ 職務経歴

株式会社〇〇(2016年4月〜現在)

事業内容:積層セラミックコンデンサなどの電子部品の製造 従業員数:約3,000名 雇用形態:正社員

所属・役職:生産技術部 画像検査グループ 主任(2022年4月〜)

2021年4月〜2023年3月

チップ部品の外観検査の深層学習化

チップ部品の欠け・割れ・異物付着を判定する外観検査を、ルールベースから深層学習に置き換えた。1ラインあたり毎分約2,000個を検査する。

【役割】開発リーダー 【規模】チーム4名/全体12名(品質保証・製造を含む)

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、結合テスト、総合テスト、データ整備、モデル開発・評価、実機検証

【取り組み】

  • 品質保証部門と「見逃しは現行以下、過検出を下げる」と目標を決め、過去3年分の不良サンプルから判定基準の境界になる画像300枚を選んで評価データを作成
  • 不良の画像が少ないため、良品だけで学習する異常検知で一次判定し、検出箇所をセグメンテーションで不良の種類に分ける2段の構成にした
  • 照明を同軸落射から低角度のリング照明に変え、欠けの縁のコントラストを上げてから学習した
  • 1個30ミリ秒のタクトに収めるため、モデルを TensorRT で FP16 にし、前処理を C++ に移した
  • 新旧の検査を3か月並行して動かし、判定が分かれた画像を全数目視で確かめてから切り替えた

【成果】

  • 見逃し率0.05%以下を保ったまま、過検出率を8.2%から1.4%に削減
  • 推論時間を1個あたり48ミリ秒から11ミリ秒に短縮
  • 過検出品の目視再検査の担当を、1ラインあたり3名から1名に削減

【使用技術】Python、C++、PyTorch、OpenCV、ONNX Runtime、TensorRT、異常検知、セマンティックセグメンテーション、Windows、産業用PC(GPU搭載)、GigE Vision カメラ

2023年4月〜現在

検査モデルの量産展開と運用のしくみづくり

深層学習の検査を2工場14ラインに展開し、品種追加や新しい不良に合わせてモデルを更新し続けるしくみを作った。

【役割】リーダー 【規模】チーム5名

【担当工程】要件定義、基本設計、実装・単体テスト、総合テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • ラインで判定が分かれた画像と再検査の結果を自動で集め、週1回まとめてアノテーションする流れを作った
  • モデルの更新前に、固定の評価データと「過去に見逃しが起きた画像」の両方で判定を確かめる手順を決め、品質保証部門の承認を経て展開するようにした
  • ラインごとの過検出率を毎日集計し、照明の劣化やレンズの汚れで率が上がったときに通知するようにした

【成果】

  • 14ラインで約2年、見逃しによる顧客への流出ゼロ
  • 新品種の追加にかかる期間を、平均6週間から2週間に短縮
  • 照明の劣化による過検出の増加を、平均3日早く見つけられるようになった

【使用技術】Python、PyTorch、TensorRT、MLflow、Label Studio、PostgreSQL、Docker、オンプレミスのGPUサーバ

2024年10月〜2025年6月

部品トレイの物体検出によるロボットピッキングの試作

部品トレイに並んだ部品を物体検出で見つけ、協働ロボットで取り出す工程の自動化を試作した。

【役割】画像処理の担当 【規模】チーム3名(ロボット担当1名を含む)

【担当工程】基本設計、実装・単体テスト、結合テスト、データ整備、モデル開発・評価、実機検証

【取り組み】

  • カメラとロボットの座標を合わせるハンドアイキャリブレーションを行い、検出位置を把持位置に変換する処理を作った
  • 部品の向きを推定するため、インスタンスセグメンテーションのマスクから主軸の角度を求めた
  • 把持に失敗した画像を集めて原因を分類し、反射の強い部品は偏光フィルタで写り込みを抑えた

【成果】

  • 3品種で把持成功率97.8%(各500回の試行)
  • 検出から把持位置の出力まで1回あたり120ミリ秒

【使用技術】Python、C++、PyTorch、OpenCV、ROS 2、物体検出、インスタンスセグメンテーション、Ubuntu、Jetson、深度カメラ

2016年4月〜2021年3月

ルールベースの外観検査装置の立ち上げ

新しい製造ラインの外観検査装置の画像処理を担当。撮像系の選定から、判定のしきい値の調整、PLC との連携まで行った。

【役割】メンバー(2018年から担当ラインのリーダー) 【規模】チーム6名

【担当工程】基本設計、詳細設計、実装・単体テスト、結合テスト、総合テスト、保守・運用、実機検証

【取り組み】

  • 検査対象ごとに照明とレンズを選定し、試作の撮像台で傷の見え方を比較
  • 判定結果を PLC に渡して不良品を排出する通信処理を実装

【成果】

  • 新ライン6本の検査装置を立ち上げ
  • 1個あたりの処理時間を0.3秒以内に収めた

【使用技術】C++、C#、HALCON、OpenCV、Windows、PLC

■ 資格

  • 2017年12月 画像処理エンジニア検定 エキスパート
  • 2021年8月 E資格

■ 社外での活動

  • 社内の技術発表会で「外観検査の過検出を減らす評価データの作り方」を発表(2023年)

■ URL

  • GitHub:https://github.com/example

■ 自己PR

検査の基準を、現場の人と一緒に数字で決めることを大切にしてきました。深層学習への置き換えでは、品質保証部門と「見逃しは今より増やさない」と最初に約束し、新旧の検査を3か月並行して動かして、判定が分かれた画像を一緒に確かめました。納得したうえで切り替えたので、その後の展開も現場から求められる形で進みました。

今後は、検査で培った撮像とモデル運用の経験を活かし、ロボットが実際の現場で物を見て扱う仕事に取り組みたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

画像認識エンジニアの職務経歴書で、見られる点

  1. 01

    見逃しと過検出を分けて書いているか

    検査の精度は「正解率」1つでは伝わりません。不良を見逃す率と、良品を不良と判定する過検出の率は、片方を下げるともう片方が上がる関係にあります。どちらをどこまで下げたか、どちらを優先したかを分けて書くと、検査の実務を分かっている人だと伝わります。

  2. 02

    撮像の条件から考えた経験があるか

    画像認識の精度は、モデルより先に照明・レンズ・カメラの位置で決まることがよくあります。照明を変えて傷のコントラストを上げた、といった撮像側の工夫は、実機で画像を扱うフィジカルAIの会社で特に評価されます。

  3. 03

    量産ラインで動かし続けた経験があるか

    検証の段階で精度が出ても、ラインでは品種の切り替え、照明の劣化、新しい不良の出現で精度が落ちていきます。何ライン・何か月運用したか、モデルを更新するときにどんな確認をしたかまで書くと、PoC だけの人との違いがはっきりします。

  4. 04

    タクトと推論環境の制約を書いているか

    1個あたり何ミリ秒で判定する必要があったか、どの計算機で動かしたかは、エッジで推論するロボットの仕事に直結します。TensorRT での高速化や、産業用PCへの載せ替えなど、速度のために工夫したことを書きます。

欄ごとの書き方

職務要約
「外観検査の画像処理10年」「うち深層学習5年」のように年数を分けて書き、量産ラインに何本展開したかを一番の成果として入れます。ルールベースの経験も省かずに書くと、画像処理の基礎がある人だと伝わります。
職務経歴
検査の対象(何の、どんな不良か)、撮像の条件、タクト、判定の基準を書いてから、取り組みと成果に進みます。社内の製品名や不良の名前はそのまま書かず、「積層セラミックコンデンサの欠け・割れ」程度の一般的な言葉に直します。
活かせる経験・知識・技術
撮像(照明・光学)、モデルの開発(異常検知・物体検出・セグメンテーション)、運用(データ収集と再学習、変更管理)の3つに分けると、検査の仕事を一通り任せられる人だと伝わります。
自己PR
現場の品質保証や製造の担当者とどう判定の基準を決めたかを書きます。基準を決める調整は、顧客の現場に入るスタートアップの仕事でもそのまま求められます。

よくある書き方を、こう直す

よくある書き方

深層学習を用いた外観検査システムを開発し、検査精度を向上。

直した書き方

チップ部品の欠け・割れの外観検査を深層学習に置き換え、見逃し率0.05%以下を保ったまま、過検出率を8.2%から1.4%に下げた。

検査では、見逃しを守りながら過検出をどこまで下げたかが本題です。何の検査で、どの数字を動かしたかを書きます。

よくある書き方

OpenCV、PyTorch、TensorRT を使用。

直した書き方

1個あたり30ミリ秒のタクトに収めるため、セグメンテーションのモデルを TensorRT で FP16 にして、推論を48ミリ秒から11ミリ秒に短縮した。

道具の名前より、どんな制約の中でその道具を使ったかのほうが、実力が伝わります。

よくある書き方

不良画像が少ないため、データ拡張で対応した。

直した書き方

不良の画像が月に数十枚しか集まらないため、良品だけで学習する異常検知で一次判定し、検出した箇所をセグメンテーションで不良の種類に分ける2段の構成にした。

データが足りないときにどう構成を考えたかは、面接でも必ず聞かれる点です。

あわせて読みたい