Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: NESLİHAN SARIGÜL
Danışman: Tülay Yıldırım
Özet:
Elektronik kart üretiminde delikli bileşenlerin lehimlerinin kontrolü çok önemlidir. İnsan gözünün yanı sıra otomatik optik kontrol cihazları da lehim kontrolünde kullanılmaktadır. İnsan gözü ile kontrolde yorgunluk ve tekrar gibi nedenlerle dikkatten kaçan hatalar olabilmektedir. Otomatik optik kontrol cihazları ise oldukça maliyetlidir. Bu çalışmada delikli bileşenlerin lehim kontrollerini az maliyet ve yüksek doğruluk ile tespit edecek test sisteminin oluşturulması hedeflenmiştir. Öncelikle lehim görüntülerinin elde edileceği görüntüleme sistemi tasarlanmıştır. Görüntüleme sistemi aydınlatma, kameradan ve hareketli sistemden oluşmaktadır. Aydınlatma için mevcut otomatik optik kontrol sistemlerinde kullanılan aydınlatma türleri araştırılmıştır ve lehim yüzeyini en iyi şekilde görüntüleyebilmek için altıgen yapıda her bölmede 3 farklı renkte ve açıda aydınlatma yapan bir sistem tasarlanmıştır. Odak uzaklığı 25mm olan bir lens ve 1.3MP Renkli Endüstriyel Bilgisayarlı Görü Kamera beraber kullanılmıştır. Sensör boyutu 1/3’ olan bir kamera kullanılmıştır. Hareketli sistem iki eksende hareket edecek şekilde tasarlanmıştır. X ve Y ekseninde devre kartı hareket ettirilerek tüm kartın görüntüsü alınmıştır. Sistemin görüntü alma süresi ~21 cm2/s ‘ dir. Tasarlanan görüntüleme sistemi ile 7320 adet delikli bileşene ait lehim görüntüsü elde edilmiştir. Elde edilen lehim görüntüleri hatasız, yetersiz lehim ve lehimsiz olamak üzere 3 farklı sınıfta etiketlenmiştir. Delikli bileşenlerin lehim kontrolünde sınıflandırılma için derin öğrenme yöntemleri kullanılmıştır. Kullanılan yöntemler Inception-ResNet, ResNet ve Inception-v4 tabanlı ağlardır. Bu üç farklı yöntem için 5 farklı veri seti oluşturulmuştur ve veri artırma yöntemleri kullanılmayarak ve kullanılarak eğitim gerçekleştirilmiştir. Bu şekilde 30 farklı model oluşturulmuştur. En başarılı derin öğrenme algoritması veri artırma yöntemleri kullanılmadan eğitilen ResNet modeli olmuştur. Modelin doğruluk oranı %98.94 ve gerçek pozitif oranı %99.63’ tür. Gelecekteki çalışmalarda veri sayısının artırılması ve derin öğrenme algoritmalarında hiper-parametre optimizasyonu ile modellerin başarısı artırılabilir.