Baskılı devre kartlarındaki (PCB) üretim hatalarının YOLOv8 tabanlı bir nesne tespiti modeliyle otomatik olarak tespit edildiği bir Otomatik Optik İnceleme (AOI) sistemi prototipi.
Elektronik üretim hatlarında kalite kontrol sürecini otomatikleştirmek amacıyla, PCB görüntüleri üzerinde 6 farklı hata tipini tespit edebilen bir yapay zeka modeli geliştirilmiştir.
Tespit Edilebilen Hata Tipleri:
- Eksik Delik (Missing Hole)
- Fare Isırığı (Mouse Bite)
- Açık Devre (Open Circuit)
- Kısa Devre (Short)
- Çıkıntı / İğne Ucu (Spur)
- İstenmeyen Bakır Artığı (Spurious Copper)
| Metrik | Değer |
|---|---|
| mAP50 | %86.1 |
| Precision | %88.3 |
| Recall | %81.8 |
| İşlem Hızı (GPU) | ~20 FPS |
- Model: YOLOv8n (Ultralytics) — Transfer Learning
- Veri Seti: Kaggle PCB Defects Dataset
- Eğitim Ortamı: Google Colab (Tesla T4 GPU)
- Demo Arayüzü: Gradio
TraceGuard.ipynb— Veri analizi, model eğitimi, değerlendirme ve Gradio arayüz kodlarının tamamıbest.pt— Eğitilmiş model ağırlıkları
Notebook'u Google Colab'da açıp GPU ortamıyla çalıştırarak modeli yeniden eğitebilir veya doğrudan best.pt dosyasını kullanarak çıkarım (inference) yapabilirsiniz.
from ultralytics import YOLO
model = YOLO("best.pt")
results = model("pcb_görsel.jpg")Emin Ülgüç — Manisa Celal Bayar Üniversitesi, Bilgisayar Mühendisliği