Derin öğrenme ile elektronik bileşen tespiti

Elektronik bileşenlerin tanınması, endüstriyel otomasyon, kalite kontrol ve atık yönetimi gibi çeşitli alanlarda büyük önem taşımaktadır. Üretim süreçlerini optimize etmek, ürün kalitesini artırmak ve bakım prosedürlerini iyileştirmek için elektronik bileşenlerin doğru ve verimli bir şekilde tanımlanması gerekmektedir. Bu araştırma, elektronik bileşen tanıma için yeni nesne algılama modellerinin etkinliğini değerlendirmektir. YOLO algoritmasının YOLOv5 ve YOLOv8 gibi farklı sürümleri de dahil olmak üzere çeşitli modeller üzerinde kapsamlı bir karşılaştırmalı analiz gerçekleştirilmiştir. Nesne tanıma modellerini değerlendirmek için, farklı boyutlarda, türlerde ve yönlerde elektronik bileşenler içeren büyük bir veri kümesi üzerinde her model için titiz bir eğitim ve ayarlama gerçekleştirilmiştir. Araştırma sonuçları, elektronik bileşen tanıma alanında her bir modelin avantaj ve dezavantajlarını kapsamlı bir şekilde ortaya koymaktadır. Bu çalışma, belirli uygulamalar için en uygun modeli arayan elektronik endüstrisi profesyonelleri için değerli bir araç sağlayarak nesne tanıma tekniklerinin anlaşılmasını geliştirmektedir. Yapılan çalışma sonucunda YOLOv8x modeli ile 0.948 kesinlik, 0.917 mAP50, 0.828 mAP50-95 ve 0.878 F1 skoru elde edilmiştir. Ayrıca, YOLOv8m modeli kullanılarak 0.843 duyarlılık değeri elde edilmiştir. Bu başarılar, önerilen modellerin elektronik bileşen tanıma görevinde etkili olduğunu göstermektedir.