FPGA tabanlı PCB hata tespitinde derin öğrenme uygulaması
FPGA based deep learning implementation for PCB fault detection
- Tez No: 901599
- Danışmanlar: PROF. DR. HAYRİYE KORKMAZ, DR. ÖĞR. ÜYESİ SEZEN BAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
Elektronik devre elemanlarının, devre yollarının ve kart boyutlarının oldukça küçülmesi, tümleşik devre elemanlarının bacak yapılarının ve montaj yöntemlerinin değişmesi; diğer taraftan birden fazla katmana sahip plakaların varlığı baskılı devre tasarımlarında oldukça karmaşık yapılar oluşturmaktadır. Bu karmaşıklıklar, PCB üretim sürecinde devre yollarının oluşturulmasından montaj aşamasına kadar her adımda çeşitli hatalara yol açabilmektedir. PCB hataları, Plaka Üretimi Hataları ve Montaj Hataları olmak üzere iki ana kategoriye ayrılmaktadır. Geleneksel yöntemde, uzman operatörler plaka ve montaj hatalarını çıplak gözle veya mikroskop kullanarak kontrol ederler. Ancak bu yöntem (görsel inceleme), zaman alıcıdır, hatalara açıktır ve hız açısından seri üretime uygun değildir. Bu hataların tespit edilememesi cihaz arızalarına, performans sorunlarına ve ürün güvenilirliğinde düşüşlere yol açabilmektedir. Bu nedenle, daha etkili ve hızlı hata tespit sistemleri kullanmak çok önemlidir. Bu soruna çözüm olarak, PCB montaj hattının sonuna yüksek çözünürlüklü kameralar ile gelişmiş görüntü işleme ve derin öğrenme modellerinin entegre edilmesi önerilebilir. Bu önerilen sistem, hataları otomatik olarak tespit eder, insan hatalarını en aza indirir ve süreci hızlandırır. Bu tez çalışmasında, PCB üretimi sürecinde karşılaşılan olası kusurları otomatik olarak tespit etmek için görüntü işleme tekniklerini ve makine öğrenme algoritmalarını kullanan bir yöntem önerilmektedir. Çalışmanın temelini oluşturan açık kaynaklı DeepPCB veri seti, çeşitli kusur türlerini barındıran 1194 PCB görüntüsünü içermektedir ve bu kusurlu görüntülerin üzerinde etiketlenmiş 7.899 kusurdan 6.385'i eğitim ve 1.514'ü test için kullanılmıştır (%80'i eğitim, %20'si test için). YOLOv4 ve YOLOv8 modelleri kullanılmış ve sonuçlar karşılaştırılmıştır. YOLOv8, Kria KV260 kartında yüksek doğrulukla üstün performans göstermiştir. Özellikle, delik hattı sınıfında %78,0 mAP@50 (IoU eşiğinde ortalama hassasiyet 0,50) ortalama hassasiyet gösteren YOLOv4 modeliyle karşılaştırıldığında, %98,99'luk etkileyici bir mAP değerine ulaşmıştır. Ayrıca, deneyler sonucunda YOLOv8 modelinin genel doğruluğunun %98,21 seviyesinde korunduğu belirlenmiştir
Özet (Çeviri)
The significant reduction in electronic circuit elements, circuit paths and card sizes, the change in the pin structures of integrated circuit elements and their assembly methods; on the other hand, the existence of plates with more than one layer create quite complex structures in printed circuit designs. These complexities can lead to various errors at every step from the creation of circuit paths to the assembly stage in the PCB production process. PCB defects are divided into two main categories: Plate Production Defects and Assembly Defects: In the traditional method, expert operators check the plate and assembly defects using the naked eye or microscope. However, this method (visual inspection) is time-consuming, prone to errors, and not suitable for mass production in terms of speed. Failure to detect these errors can lead to device failures, performance problems, and product reliability reductions. Therefore, it is very important to use more effective and faster defect detection systems. As a solution to this problem, it can be suggested to integrate high-resolution cameras, advanced image processing technics and deep learning models at the end of the PCB assembly line. This proposed system automatically detects errors, minimizes human errors, and speeds up the process. In this thesis, a method that uses image processing techniques and machine learning algorithms to automatically detect possible defects encountered in the PCB manufacturing process is proposed. The open-source DeepPCB dataset that forms the basis of the study includes 1194 PCB images containing various defect types, and 6385 of 7899 defects labeled on these defective images were used for training and 1514 for testing (80% for training, 20% for testing). YOLOv4 and YOLOv8 models were used and results were compared. YOLOv8 showed superior performance with high accuracy on the Kria KV260 board. In particular, it achieved an impressive mAP value of 98.99% in the hole line class when compared with YOLOv4 model showing %78,0 mAP@50 (mean Average Precision at IoU threshold 0.50) average precision. In addition, as a result of the experiments, it was determined that the overall accuracy of the model was maintained at 98.21%.
Benzer Tezler
- FPGA tabanlı gerçek zamanlı görüntü işleme ile baskı devre kartı hatalarının tespit edilmesi
Detection of printed circuit board faults with FPGA based real time image processing
MERVE AYDIN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR
- FPGA tabanlı şifreli kablosuz haberleşme sistemi
FPGA based encrypted wireless communication system
ILGAZ AZ
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDisiplinlerarası Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNALHAN
- Design of a microprocessor-based embedded fault diagnostic system and an FPGA-based improvement proposal
Mikroişlemci tabanlı bir gömülü tanı sistemi tasarımı ve FPGA tabanlı bir optimizasyon önerisi
ONUR BEKAR
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- FPGA tabanlı programlanabilir devre kartı tasarımı
FPGA based programmable circuit design
ADEM KESKİN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL KOYUNCU
- Fpga based reprogrammable motherboard & daughter board circuits design and applications
Fpga tabanlı tekrar programlanabilir ana & yardımcı devre kart tasarımı ve uygulamaları
MUHAMMET FURKAN İLASLAN
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAHİR ÇETİN AKINCI