A comparative study of augmentation techniques for defect detection in PCB manufacturing: Identifying the best approaches for limited datasets
Baskı devre kartı (PCB) üretiminde hata tespiti için veri arttırma tekniklerinin karşılaştırmalı bir çalışması: Sınırlı veri setleri için en iyi yaklaşımların belirlenmesi
- Tez No: 936698
- Danışmanlar: DR. ÖĞR. ÜYESİ ARDA SEZEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 59
Özet
Elektronik üretim sektörünün hızla genişlemesiyle birlikte, baskılı devre kartlarında (PCB'ler) hata tespiti, kalite güvencesinin kritik bir unsuru haline gelmiştir. Evrişimli sinir ağları (CNN'ler) ve YOLOv8 gibi derin öğrenme modelleri, otomatik hata tespitinde önemli ilerlemeler kaydetmiş olsa da, bu modellerin başarısı genellikle büyük ve yüksek kaliteli veri kümelerinin sınırlı olmasıyla engellenmektedir. Bu çalışma, veri kümelerinin sınırlı olduğu durumlarda, özellikle küçük nesne tespitine odaklanarak, farklı veri artırma tekniklerinin PCB'lerde hata tespit doğruluğunu nasıl etkilediğini incelemektedir. Bir dizi kontrollü deney yoluyla, görüntü tabanlı ve sınırlayıcı kutu (bounding box) tabanlı veri artırma stratejilerini sistematik olarak karşılaştırdık. Sonuçlar, orta düzeyde gürültü ekleme, hafif döndürmeler ve ince renk ayarları gibi dengeli artırma yöntemlerinin tespit performansını önemli ölçüde artırdığını göstermektedir. Buna karşılık, büyük döndürmeler ve ters çevirme gibi daha agresif artırma tekniklerinin doğruluğu olumsuz etkilediği bulunmuştur. Bu bulgular, dengeli artırma tekniklerinin küçük veri kümelerinin getirdiği sınırlamaları aşmaya yardımcı olabileceğini ve PCB üreticilerine, geniş veri setlerine ihtiyaç duymadan, hata tespit doğruluğunu artırmak için etkili bir yol sunduğunu göstermektedir. Sonuç olarak, çalışma, iyileştirilmiş artırma tekniklerinin, kesinlik, duyarlılık, mAP50 ve F1 skoru gibi temel performans metriklerinde maksimum %11'lik önemli bir artış sağladığını ve tespit doğruluğunu %88'den olağanüstü bir şekilde %99'a çıkardığını göstermektedir.
Özet (Çeviri)
In the rapidly expanding field of electronics manufacturing, the detection of defects in printed circuit boards (PCBs) has emerged as a crucial aspect of quality assurance. Although convolutional neural networks (CNNs) and advanced deep learning models like YOLOv8 have significantly improved automated defect detection, their effectiveness is often constrained by the limited availability of large, high-quality datasets. This study examines the influence of various data augmentation techniques on enhancing the accuracy of defect detection in PCBs, with a particular focus on small object detection in scenarios where datasets are restricted in size. Through a series of controlled experiments, we systematically compared image-based and bounding box-based augmentation strategies. The results reveal that moderate augmentations, such as the addition of noise, slight rotations, and subtle color adjustments, considerably enhance detection performance. In contrast, more aggressive augmentations, including large rotations and flips, were found to negatively impact accuracy. These findings indicate that adopting well-balanced augmentation techniques can help overcome the limitations posed by small datasets, providing PCB manufacturers with a viable approach to improving defect detection accuracy without relying on extensive data. Ultimately, the study demonstrates that optimizing augmentation techniques leads to a significant improvement of a maximum 11% across key performance metrics, including precision, recall, mAP50, and F1 score, elevating detection accuracy from 88% to an exceptional 99%.
Benzer Tezler
- Elektrik dağıtım sistemlerinde görüntü işleme tabanlı anomali tespiti: SAM ve derin öğrenme uygulaması
Image processing-based anomaly detection in electricity distribution systems: An application of SAM and deep learning
EYYÜP KARAHAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
DOÇ. DR. EMİNE ELİF TÜLAY
- Yenidoğan yoğun bakım üniteleri için termal görüntü analizi
Thermal image analysis for neonatal intensive care units
DUYGU SAVAŞCI
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Sabit çıkış projeksiyon alanı ve lüle yüksekliğine sahip dairesel kesitli üç boyutlu hava yastıklarının mukayeseli etüdü
A Comparative study of three-dimensional air cushions with circular cross section, exit projection area and constant nozzle height
ARMAĞAN İNALHAN
- Deep learning for pneumonia diagnosis: A comparative study and decision support interface implementation
Zatürre tanısı için derin öğrenme: Karşılaştırmalı bir çalışma ve karar destek arayüzü uygulaması
SENA GÖKSU AĞACA
Yüksek Lisans
İngilizce
2024
Radyoloji ve Nükleer TıpYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÇİĞDEM KELEŞ
- A comparative study on deep learning-based handwritten text recognition techniques using a brand-new Turkish handwriting dataset
Yepyeni bir Türkçe el yazısı veri seti kullanılarak derin öğrenme tabanlı el yazısı metin tanıma teknikleri üzerine karşılaştırmalı bir çalışma
OSMAN FURKAN KARAKUŞ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ CAN KARACA
DOÇ. DR. AYLA GÜLCÜ