A comparative study of augmentation techniques for defect detection in PCB manufacturing: Identifying the best approaches for limited datasets
Baskı devre kartı (PCB) üretiminde hata tespiti için veri arttırma tekniklerinin karşılaştırmalı bir çalışması: Sınırlı veri setleri için en iyi yaklaşımların belirlenmesi
- Tez No: 936698
- Danışmanlar: DR. ÖĞR. ÜYESİ ARDA SEZEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektronik üretim sektörünün hızla genişlemesiyle birlikte, baskılı devre kartlarında (PCB'ler) hata tespiti, kalite güvencesinin kritik bir unsuru haline gelmiştir. Evrişimli sinir ağları (CNN'ler) ve YOLOv8 gibi derin öğrenme modelleri, otomatik hata tespitinde önemli ilerlemeler kaydetmiş olsa da, bu modellerin başarısı genellikle büyük ve yüksek kaliteli veri kümelerinin sınırlı olmasıyla engellenmektedir. Bu çalışma, veri kümelerinin sınırlı olduğu durumlarda, özellikle küçük nesne tespitine odaklanarak, farklı veri artırma tekniklerinin PCB'lerde hata tespit doğruluğunu nasıl etkilediğini incelemektedir. Bir dizi kontrollü deney yoluyla, görüntü tabanlı ve sınırlayıcı kutu (bounding box) tabanlı veri artırma stratejilerini sistematik olarak karşılaştırdık. Sonuçlar, orta düzeyde gürültü ekleme, hafif döndürmeler ve ince renk ayarları gibi dengeli artırma yöntemlerinin tespit performansını önemli ölçüde artırdığını göstermektedir. Buna karşılık, büyük döndürmeler ve ters çevirme gibi daha agresif artırma tekniklerinin doğruluğu olumsuz etkilediği bulunmuştur. Bu bulgular, dengeli artırma tekniklerinin küçük veri kümelerinin getirdiği sınırlamaları aşmaya yardımcı olabileceğini ve PCB üreticilerine, geniş veri setlerine ihtiyaç duymadan, hata tespit doğruluğunu artırmak için etkili bir yol sunduğunu göstermektedir. Sonuç olarak, çalışma, iyileştirilmiş artırma tekniklerinin, kesinlik, duyarlılık, mAP50 ve F1 skoru gibi temel performans metriklerinde maksimum %11'lik önemli bir artış sağladığını ve tespit doğruluğunu %88'den olağanüstü bir şekilde %99'a çıkardığını göstermektedir.
Özet (Çeviri)
In the rapidly expanding field of electronics manufacturing, the detection of defects in printed circuit boards (PCBs) has emerged as a crucial aspect of quality assurance. Although convolutional neural networks (CNNs) and advanced deep learning models like YOLOv8 have significantly improved automated defect detection, their effectiveness is often constrained by the limited availability of large, high-quality datasets. This study examines the influence of various data augmentation techniques on enhancing the accuracy of defect detection in PCBs, with a particular focus on small object detection in scenarios where datasets are restricted in size. Through a series of controlled experiments, we systematically compared image-based and bounding box-based augmentation strategies. The results reveal that moderate augmentations, such as the addition of noise, slight rotations, and subtle color adjustments, considerably enhance detection performance. In contrast, more aggressive augmentations, including large rotations and flips, were found to negatively impact accuracy. These findings indicate that adopting well-balanced augmentation techniques can help overcome the limitations posed by small datasets, providing PCB manufacturers with a viable approach to improving defect detection accuracy without relying on extensive data. Ultimately, the study demonstrates that optimizing augmentation techniques leads to a significant improvement of a maximum 11% across key performance metrics, including precision, recall, mAP50, and F1 score, elevating detection accuracy from 88% to an exceptional 99%.
Benzer Tezler
- Deri kumaş yüzeylerindeki anomalilerin derin öğrenme mimarileri ile tespit edilmesi ve sınıflandırılması
Detection and classification of anomalies on leather surfaces using deep learning architectures
SEPIDEH KHOSHNOOD AFSHARI
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiNiğde Ömer Halisdemir ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN AKTAŞ
- Elektrik dağıtım sistemlerinde görüntü işleme tabanlı anomali tespiti: SAM ve derin öğrenme uygulaması
Image processing-based anomaly detection in electricity distribution systems: An application of SAM and deep learning
EYYÜP KARAHAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
DOÇ. DR. EMİNE ELİF TÜLAY
- Termal kamera görüntüleri ile nesne ve insan tespiti sistemi
Object and human detection system with termal camera images
AZAT ORUÇ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DOÇ. DR. MURAT CANAYAZ
- Comparative analysis of deep learning models for real-time detection of anomalies on road pavements
Yol kaplamalarında gerçek zamanlı anormallik tespiti için derin öğrenme modellerinin karşılaştırmalı analizi
TAHA YASİN ER
Yüksek Lisans
İngilizce
2023
İnşaat MühendisliğiÇankaya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA SELÇUK
- Yabani hayvanların derin öğrenme algoritmalarıyla tespit edilmesi ve uzaklaştırılması
Detection and deterrence of wild animals using deep learning algorithms
İBRAHİM AKBAŞ
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KÖKLÜ