Görüntü işleme yöntemleri ile elektronik baskı devrelerde kısa devre arızalarının tespiti
Detection of faults in electronic printed circuits with image processing methods
- Tez No: 921205
- Danışmanlar: DR. ÖĞR. ÜYESİ ÇAĞATAY BERKE ERDAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 88
Özet
Elektronik baskı devrelerde arızaların tespiti, özellikle kısa devrelerin belirlenmesi, endüstriyel uygulamalar için oldukça önemlidir. Kısa devreler, devredeki iletkenlerin işlevselliğinin dışında temas etmesi veya izole edilmemesi sonucu meydana gelen arızalardır. Bu durum, devredeki akımın normal akış yolundan sapmasına ve genellikle aşırı ısınma, kullanılan devre elemanlarının hasar görmesi veya devrenin tamamen işlevsiz hale gelmesi gibi olumsuz sonuçlara yol açabilir. Elektronik devrelerin karmaşıklığı arttıkça, kısa devrelerin manuel olarak tespiti ve doğru bir şekilde yerinin belirlenmesi zorlaşmaktadır. Kısa devrelerin oluşum nedenleri arasında yanlış montaj, hatalı lehim işlemleri, malzeme kalitesi eksiklikleri ve fiziksel hasarlar gibi faktörler bulunmaktadır. Bu faktörlerin anlaşılması ve doğru bir şekilde yönetilmesi, elektronik devrelerin güvenilirliğini artırmak ve kısa devrelerin önlenmesi veya erken tespit edilmesi açısından kritik öneme sahiptir. Bu bağlamda, bahsi geçen bu probleme bilgisayar destekli çözümler üretilebilir. Görüntü işleme yöntemleri, özellikle derin öğrenme teknikleri kullanılarak, kısa devrelerin tespiti için etkin bir yaklaşım sunmaktadır. Bu çalışma ile görüntü işleme yöntemleri kullanılarak derin öğrenme modelleri olan DenseNet, VGGNet, ResNet, AlexNet, GoogleNet, ResNext ve YOLOV8'in kısa devre tespitindeki potansiyeli değerlendirilmiştir. Bahsi geçen derin öğrenme modelleri kullanılarak, çeşitli senaryolar altında elektronik baskı devrelerde arıza tespiti gerçekleştirilmiştir. Bu çalışma, derin öğrenme modellerinin endüstriyel uygulamalarda kullanılabilirliğini ve güvenilirliğini, sağladıkları yüksek doğruluk ve hassasiyet oranları, hızlı tespit süreleri ve düşük hata oranları ile desteklemektedir. Modeller, kısa devreleri tespit ederken manuel kontrol ihtiyacını azaltmakta, böylece insan hatalarını minimize etmektedir.
Özet (Çeviri)
Detection of faults in electronic printed circuits, especially short circuits, is very important for industrial applications. Short circuits are faults that occur when the conductors in the circuit are contacted or isolated outside their functionality. This can cause the current in the circuit to deviate from its normal flow path and often lead to negative consequences such as overheating, damage to the circuit elements used, or complete dysfunction of the circuit. As the complexity of electronic circuits increases, manual detection and accurate localization of short circuits becomes more difficult. The causes of short circuits include factors such as improper assembly, faulty soldering processes, material quality deficiencies and physical damage. Understanding and properly managing these factors is critical for improving the reliability of electronic circuits and preventing or early detection of short circuits. In this context, computer-aided solutions to this problem can be produced. Image processing methods, especially using deep learning techniques, offer an effective approach for the detection of short circuits. In this study, the potential of deep learning models DenseNet, VGGNet, ResNet, AlexNet, GoogleNet, ResNext and YOLOV8 in short circuit detection is evaluated using image processing methods. Using the aforementioned deep learning models, fault detection in electronic printed circuits has been performed under various scenarios. This study supports the usability and reliability of deep learning models in industrial applications with their high accuracy and precision rates, fast detection times and low error rates. The models reduce the need for manual control when detecting short circuits, thus minimizing human error.
Benzer Tezler
- Çok düzeyli statik bellek gözesi ve kohonen türü yapay sinir ağına uygulanması
Multiple valued static storage cell and its application to kohonen type neural network
NURETTİN YAMAN ÖZELÇİ
Doktora
Türkçe
1999
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. UĞUR ÇİLİNGİROĞLU
- Sahada programlanabilir kapı dizileri kullanılarak sayısal tasarım kartı gerçeklenmesi
Implementation of a digital design board by using field programmable gate arrays
İSMAİL HAKKI TOPÇU
Yüksek Lisans
Türkçe
2002
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ECE OLCAY GÜNEŞ
- Quantitative holographic microwave imaging with a simulated calibration measurement
Simülasyon ile elde edilen kalibrasyon ölçümleri üzerinden nicel mikrodalga holografi yöntemi
AHMET CANER GÜL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Yapay sinir ağları ile gömülü sistem tabanlı hatalı baskı devre kartı tespiti
Embedded system based with artificial neural networks faulty printed circuit board detection
ŞENNUR TEKİN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL BÜYÜKBIÇAKCI
- BGA malzemelerin x-ışını görüntülerindeki lehim hatalarının derin sinir ağı kullanarak tespiti
Detection of BGA solder defects from x-ray images using deep neural network
CEREN TÜRER AKDENİZ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ