Gömülü Sistem Destekli Yapay Sinir Ağları ile Baskı Devre Kartlarındaki Hataların Otomatik Tespiti

Yıl 2024, Cilt: 10 Sayı: 2, 256 - 281, 31.12.2024

Şennur İbrahimoğlu , Erdal Büyükbıçakcı

https://doi.org/10.34186/klujes.1577727

Öz

Bu çalışmada, yapay sinir ağları ve görüntü işleme teknikleri kullanılarak baskı devre kartlarının (PCB) kalite testlerinde insan gözüyle yapılan denetimlerden oluşacak zaman, iş gücü kaybı ve maliyet risklerini ortadan kaldırarak otomatik hata ayıklamayı sağlayan bir gömülü sistemin geliştirilmesi amaçlanmıştır. Teknolojik gelişmeler neticesinde geleneksel kalite kontrol yöntemleri, insan gözetimine dayalı denetimler düşük doğrulama gibi önemli sorunlar oluşturmakta ve bu sorunlar sürecin üretim safhasında devamlılığının sağlanabilmesi adına hızlı otomasyon sistemlerinin kullanımı gerekliliğini doğurmaktadır. Yapay zekâ ve görüntü işleme teknikleri akıllı otomasyon sistemlerinde etkili bir şekilde tercih edilir hale gelmiştir. Çalışmanın yapısal niteliğine özgünlük katmak açısından tasarlanan sistemde mikrodenetleyici olarak Raspberry Pi, 5 MP çözünürlüğe sahip bir kamera modülü ayrıntıların düzenlenmesi ve sınıflandırılmasında temel işlemci olarak tercih edilmiş, böylece sistemin taşınabilirliği ve maliyet durumu geliştirilmiştir. Elde edilen görüntüler bir veri tabanı aracılığı ile depolanmaktadır. Sistemdeki görüntü işleme sürecinde sayısal hale dönüştürülen veriler filtreleme, histogram, threshold, gri tonlama ve eşleme gibi yöntemler içererek üzerinde geliştirmeler yapılmıştır. Bu tekniklerle işlenen görüntüler, dijital hale getirilip iyileştirilerek hatalı ve hatasız nesne görüntüleri özellik çıkarımı yöntemiyle oluşturulmuştur. Bu ayırt edici özellik değerleri, ileri beslemeli yapay sinir ağı modeli olan çok katmanlı algılayıcı ile eğitme işlemi gerçekleştirilmiştir. Eğitme işlemlerinin ardından bulunan ağırlık katsayıları gerçek zamanlı ileri beslemeli görme algoritmasında işlenerek hatalı, hatasız ürün kontrolü yapılarak sonuçlar bulunmuştur.

Anahtar Kelimeler

Hata Tanıma Sistemi, Raspberry Pi, Görüntü İşleme, Yapay Sinir Ağı

Kaynakça

• Abdulkadir Seker, B. D. (27 December 2017). Derin Öğrenme Yöntemleri Ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 47-64.
• Ahmet Çelik, E. T. (1 April 2020). Tekstil Baskı Kalite Kontrolünün Görüntü İşleme Teknikleri ile Gerçekleştirilmesi. Avrupa Bilim ve Teknoloji Dergisi, 268-276.
• AI Deport. (2024, 08 04). AI Deport: https://ai-depot.net adresinden alındı
• AKAR, E. O. (2006). arihi görüntülerin kalitesinin görüntü işleme teknikleri kullanılarak artırılması. Konya: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü.
• Ataseven, B. (1 February 2013). YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ MODELLEMESİ. Öneri Dergisi, 101-115.
• Demet Ever, E. D. (18 January 2022). YAPAY ZEKÂ TEKNOLOJİLERİNİN KALİTE MALİYETLERİ ÜZERİNE ETKİSİ. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 59-72.
• E. Gülteki̇n, H. Ç. (31 December 2019). Image Processing Applications on Yarn Characteristics and Fault Inspection. Journal of Textile Engineering, 340-345.
• Francis T. S. Yu, Y. L. (1990). Applications of moment invariants to neural computing for pattern recognition. Hybrid Image and Signal Processing II, (s. 1297-1307). Orlando.
• Gürcan Samtaş, M. G. (31 May 2012). Sayısal Görüntü İşleme ve Farklı Alanlardaki Uygulamaları. Electronic Journal of Vocational Colleges, 85-97.
• Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Pearson.
• HOROZOĞLU, E. (2013). Görüntü işleme ile yüzey pürüzlülüğü ölçümü ve analizi /. Konya: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü .
• İhsan Kaya, O. E. (11 February 2011). KALİTE İYİLEŞTİRME SÜRECİNDE YAPAY ZEKÂ TEKNİKLERİNİN KULLANIMI. Pamukkale University Journal of Engineering Sciences, 103-114.
• Mehmet Korkmaz, M. B. (5 October 2020). A Deep Learning-Based Quality Control Application. European Journal of Science and Technology, 332 - 336.
• Mehmet Korkmaz, M. B. (5 October 2020). A Deep Learning-Based Quality Control Application. Avrupa Bilim ve Teknoloji Dergisi, 332-336.
• Ömer Çetin. (2024, 08 04). Ömer Çetin: http://www.omercetin.com.tr adresinden alındı
• Öztemel, E. (2020). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
• Rafael C. Gonzalez, R. E. (1992). Digital Image Processing. Massachusetts: Pearson.
• Ramazan Bayindir, Ö. S. (2008). YSA Tabanlı Sistemler İçin Görsel Bir Arayüz Tasarımı. Pamukkale University Journal of Engineering Sciences, 101-109.
• Saravanan, C. (2010). Color Image to Grayscale Image Conversion. 2010 Second International Conference on Computer Engineering and Applications (s. 196-199). Island: IEEE.
• Tekin, Ş. (2021). YAPAY SİNİR AĞLARI İLE GÖMÜLÜ SİSTEM TABANLI HATALI BASKI DEVRE KARTI TESPİTİ. Sakarya: Sakarya Uygulamalı Bilimler Üniversitesi Lisanüstü Eğitim Enstitüsü.
• Tsoukalas, L. a. (1997). Fuzzy and Neural Approaches in Engineering. John Wiley & Sons, Inc.