روش هوشمند عیبیابی چندگانه بردهای مدار چاپی با استفاده از شبکههای عصبی کانولوشنی
نام نخستين پديدآور
مصطفی داوری قره کوشن
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
برق و کامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۲
مشخصات ظاهری
نام خاص و کميت اثر
۷۴ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
رشته مهندسی کامپیوتر
زمان اعطا مدرک
۱۴۰۲/۰۶/۱۹
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
عیبیابی بردهای مدار چاپی یکی از مهمترین مراحل کنترل کیفیت این دسته از بردها است و این کار از اهمیت بالایی برخوردار است چراکه بردهای مدار چاپی یکی از اصلیترین قسمتهای محصولات الکترونیکی هستند و کیفیت و عملکرد برد تاثیر مستقیم بر کیفیت محصول الکترونیکی دارد. عمل عیبیابی میتواند در چندین مرحله قبل و بعد از نصب قطعات الکترونیکی صورت بگیرد. در صورتی که عیبیابی قبل از نصب قطعات صورت بگیرد، فرصت خارج کردن برد معیوب از خط تولید به وجود میآید و این عمل باعث کاهش هزینه و عواقب ناشی از نصب قطعات بر روی برد معیوب میشود. عیبیابی این بردها با استفاده از کامپیوتر به صورت خودکار با استفاده از تصاویر بردهای مدار چاپی در چندین سال اخیر رایج شده است. عملکرد سیستمهایی که از تصاویر برای عیبیابی استفاده میکنند تا حد زیادی به کیفیت تصویر و اندازه عیب نسبت به کل تصویر بستگی دارد که این اندازه در این بردها بسیار کوچک است چراکه معایب موجود معمولا کوچک هستند و این یکی از چالشهای موجود در عمل عیبیابی است. در چندین سال اخیر محققان روشهایی مختلفی را پیشنهاد دادهاند تا معایب موجود در بردهای مدار چاپی را پیدا کنند و بعضی از این پژوهشهای صورت گرفته توانستهاند به دقتها خوبی در عیبیابی برسند، مخصوصا روشهای مبتنی بر یادگیری که در بیشتر موارد دارای دقت و سرعت بالاتری هستند. هدف این پژوهش نیز ارائه الگوریتمی برای عیبیابی در بردهای مدار چاپی است که قطعات الکترونیکی نصب نشدهاند. در این پایاننامه دو الگوریتم مبتنی بر مقایسهی ویژگیها با استفاده از شبکههای عصبی عمیق کانولوشنی پیشنهاد داده شده است که توانایی یافتن شش نوع از معایب متداول در بردهای مدار چاپی را قبل از نصب قطعات الکترونیکی دارند. الگوریتمهای پیشنهادی به ترتیب در هنگام آزمون با استفاده از مجموعهی آزمون مجموعه دادهای که آموزش داده شده است، دقت mAP 98.131 و 98.836 درصد و برای f1-score 97.478 و 98.556 درصد را بدست میآورند که این نشان دهندهی میزان کارایی و عملکرد روشهای پیشنهادی است. یکی از روشهای پیشنهادی این پژوهش توانسته است به بهترین عدد برای پوشش و f1-score در مقایسه با روشهای پیشنهادی درمقالات دیگر که از همان مجموعه داده استفاده میکنند، برسد. روشهای ارائه شده در این پژوهش را میتوان به عنوان قسمتی از روند عیبیابی بردهای مدار چاپی قبل از نصب قطعات الکترونیکی بر روی بردها در خطوط تولید استفاده کرد.
متن يادداشت
Abstract: PCB defect detection is one of the most crucial steps in quality control of PCBs, since these boards are one of the most essential parts of the electronic products and their quality and performance can affect the quality of the end product. Defect detection can be performed before or after the assembly of the electronic components. When performed before assembly of the components, it create the opportunity to remove the defective board from the production line before installing any component, resulting in reduction of costs and prevention of consequences caused by a defective board. In recent years automatic defect detection of these boards using images has been popular. Performance of these systems which use images for defect detection rely heavily on the quality of the image and the size of the defects. In bare PCBs defects are usually tiny. This is one of the existing challenges in defect detection. In recent years researchers have proposed different methods for PCB defect detection and some of the proposed methods achieve great results in terms of accuracy and speed, especially methods based on learning. In this thesis, two feature comparison based deep convolutional neural networks have been proposed which can detect six common types of defects found on bare PCBs. Proposed algorithms achieve mAP score of 98.131 and 98.836 and f1-score of 97.478 and 98.556 respectively. One of the proposed methods achieves the highest f1-score amongst the mentioned methods in related works. Proposed methods can be used as part of a bare PCB defect detection system in a production line.
عنوانهای گونه گون دیگر
عنوان گونه گون
Intelligent Printed Circuit Board Multi Defect Detection Using Convolutional Neural Networks
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )