Görüntü işleme yöntemleri ile elektronik baskı devrelerde kısa devre arızalarının tespiti

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.