Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik - Elektronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: İZEMNUR BUDAK
Asıl Danışman (Eş Danışmanlı Tezler İçin): Hayriye Korkmaz
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