Elektronik kartların derin öğrenme ile hata sınıflandırması

Bu tez kapsamında, baskılı devre kartlarındaki üretim hatalarının derin öğrenme ile tespitine yönelik olarak bir çalışma gerçekleştirilmiştir. Literatürde bu konudaki çalışmalar genellikle eksik bileşen ve lehim kusurlarına bağlı hatalara yoğunlaşmıştır. Bu tezde, Vestel Beyaz Eşya Sanayi örneği üzerinden yola çıkarak bir durum değerlendirmesi yapılmış ve eksik bileşen ve lehim hatalarına ek olarak literatürde göreceli olarak az çalışılmış¸ ters polarite ve yanlış¸ hizalama hatalarının tespitine yönelik olarak da çalışılmıştır. Bu bağlamda, Vestel'e ait çeşitli üretim bantlarından elde edilmiş¸ hatalı ve hatasız PCB'lere ait toplamda 783 görüntü elde edilmiştir. Bu görüntülerin sayısı çeşitli veri artırımı teknikleriyle 1407'ye çıkarılmıştır. Daha sonrasında, derin öğrenmeyle nesne tespiti için bir YOLOv5 modeli oluşturulmuştur. Model başarımı kesinlik, duyarlılık, ortalama kesinlik değerlerinin ortalaması ve birleşim üzerinde kesişim metrikleri üzerinden değerlendirilmiş¸ ve kesinlik için 0,694-0,912 arası, duyarlılık için 0,857-0,877 arası, mAP için 0,865-0,931 arası, IoU için 0,735-0,786 arası başarım performanslarına ulaşılmıştır.