Basit öğe kaydını göster

dc.contributor.advisorYılmaz, Atila
dc.contributor.authorEryılmaz, Mustafa
dc.date.accessioned2024-10-14T12:34:36Z
dc.date.issued2024
dc.date.submitted2024-04-24
dc.identifier.citationEryılmaz, M., Otomatik Optik İnceleme Cihazlarının Tasarımı Ve Baskı Devre Kart Kusurlarının Sınıflandırılması, Hacettepe Üniversitesi, 2024 (yayımlanmamış Yüksek Lisans Tezi).tr_TR
dc.identifier.urihttps://hdl.handle.net/11655/35920
dc.description.abstractDetection of card errors that may occur in Printed Circuit Board (OCB) production lines becomes more difficult day by day due to the increasing complexity of the board, the increase in the number of circuit elements used and the decrease or change in size, and it cannot occur at the desired speed. At this point, fast and reliable error detection and a successful detection rate with the correct use of signal processing methods are the requirements expected from such devices and software. In this thesis, it is primarily planned to develop a device that can be used in the field and is as reliable and accurate as portable and fixed Automatic Optical Inspection (AOI) devices. In commercial and scientific terms, such a portable device is not available in the sources and in the market. However, in artificial intelligence-based systems, this success depends on the breadth and quality of the database. Within the scope of the thesis study, image sets were collected and a data bank was established for four PCB errors (missing solder, slipped circuit element, short circuit and lifted circuit element). Obtaining qualified data containing new errors is far from always achievable. For this reason, even if the initial success rate is low, a system has been designed that increases the success rate in the total data process and continues to update and learn its information in case of missing or incorrect detections. In the system defined as a user in the loop, user information is included in the system as feedback and a continuous training infrastructure is designed to increase the error detection success rate of the learning process. In this thesis, an interface for analyzing and tracking images was also designed, and a model training and error detection infrastructure was developed with deep learning-based algorithms. The success of error detection is increased by combining the information known by the system and the information gained through user feedback in a loop. Training cycles were used in compound and discrete networks for the models, and with a constant comparison between them, the most successful network was instantly selected for error detection. With an example cycle, the composite model showed superior success compared to the discrete model in short circuit error and achieved a success rate of 97.64 percent. In case of missing solder error, the discrete model showed a more successful result with 77.77 percent and was preferred in the decision-making unit. In the designed system, the trained network is more successful in the errors it has learned and adapts to new errors by using the user requests in the new errors it has learned over time and maintains the speed element that is important in the production line with the YOLO algorithm that provides fast error detection.tr_TR
dc.language.isoturtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectBDK analizitr_TR
dc.subjectOOItr_TR
dc.subjectSinir ağlarıtr_TR
dc.subjectDerin öğrenmetr_TR
dc.subject.lcshElektrik-Elektronik mühendisliğitr_TR
dc.titleOtomatik Optik İnceleme Cihazlarının Tasarımı ve Baskı Devre Kart Kusurlarının Sınıflandırılmasıtr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetBaskı Devre Kartı (BDK) üretim hatlarında ortaya çıkabilecek kart hatalarının tespiti gün geçtikçe kartın karmaşıklığının artması, kullanılan devre elemanı sayısı artışı ve boyutunun küçülmesi veya değişmesi sebebiyle zorlaşmakta ve istenen hızda olamamaktadır. Bu noktada hata tespitinin hızlı ve güvenilir olması, sinyal işleme yöntemlerinin doğru kullanılması ile başarılı bir tespit oranı yakalanması bu tür cihaz ve yazılımlarından beklenen isterlerdir. Bu tezde öncelikle sahada kullanılabilecek, taşınabilir ve sabit Otomatik Optik İnceleme (OOİ) cihazları kadar güvenilir ve doğruluk oranı yüksek bir cihaz geliştirilmesi planlanmıştır. Ticari ve bilimsel anlamda bu tür taşınabilir bir cihaz kaynaklarda ve markette bulunmamaktadır. Bununla birlikte yapay zeka tabanlı sistemlerde bu başarı veritabanının genişliğine ve niteliğine bağlıdır. Tez çalışması kapsamında görüntü setleri toplanmış ve dört BDK hatası (eksik lehim, kaymış devre elamanı, kısa devre ve kalkmış devre elamanı) için veri bankası kurulmuştur. Nitelikli ve yeni hataları içeren veri elde etmek her zaman sağlanabilecek bir özellik olmaktan uzaktır. Bu nedenle başlangıç başarı oranı düşük olsa bile veri toplam süreç içinde başarı oranını yükselten, eksik veya yanlış tespitlerde bilgisini güncelleyip öğrenmeye devam eden bir sistem tasarlanmıştır. Çevrimde kullanıcı olarak tanımlanan sistemde kullanıcı bilgisi sisteme geri dönüt olarak dahil edilmiş ve öğrenme süreci hata tespit başarı oranını yükseltebilmek için sürekli eğitim altyapısı tasarlanmıştır. Bu tezde ayrıca görüntülerin çözümleme ve takibi için arayüz tasarlanmış, derin öğrenme tabanlı algoritmalar ile model eğitim ve hata tespit altyapısı geliştirilmiştir. Sistemin bildiği bilgiler ve kullanıcı dönütü ile kazandığı bilgiler birlikte bir döngü içinde birleştirilerek hata tespitlerinin başarısı artırılmıştır. Modeller için bileşik ve ayrık ağlarda eğitim çevrimi kullanılmış ve aralarında sürekli bir karşılaştırma ile anlık olarak en başarılı ağ hata tespiti amaçlı tercih edilmiştir. Örnek bir çevrim ile bileşik model kısa devre hatasında ayrık modele göre daha üstün başarı gösterip yüzde 97.64 başarı oranı yakalamıştır. Eksik lehim hatasında da ayrık modele daha yüzde 77.77 ile başarılı bir sonuç gösterip karar biriminde tercih edilmiştir. Tasarlanan sistemde eğitilmiş ağ öğrendiği hatalarda daha başarılı ve zamanla öğrendiği yeni hatalarda kullanıcı isterlerini de kullanarak yeni hatalara uyum sağlamakta ve hızlı hata tespiti sağlayan YOLO algoritması ile üretim hattında önemli olan hız unsurunu da korumaktadır.tr_TR
dc.contributor.departmentElektrik –Elektronik Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2024-10-14T12:34:36Z
dc.fundingYoktr_TR


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster