PCB-YOLOV8X: geliştirilmiş özellik bilgisine dayalı olarak PCB yüzeylerindeki mikroboyutlu kusurları tespit eden bir ağ

Devre kartlarındaki küçük kusurlar neden önemli

Akıllı telefonlardan tıbbi cihazlara kadar her modern cihaz, elektrik sinyallerini yönlendiren yeşil plakalar olan baskılı devre kartlarına (PCB) dayanır. Elektronikler küçüldükçe ve daha karmaşık hale geldikçe, bu kartlarda insan gözünün fark etmesi neredeyse imkânsız olan ince çatlaklar, mikroskobik delikler ve rastgele metal parçacıkları gizlenebilir. Makale, üreticilerin hatalı ürünler tüketiciye ulaşmadan önce sorunları yakalamasına yardımcı olmak üzere bu küçük kusurları hızlı ve doğru şekilde otomatik tespit etmek için tasarlanmış PCB‑YOLOv8X adlı yeni bir yapay zeka sistemini tanıtıyor.

Neredeyse görünmez olanı görmenin zorluğu

Günümüz PCB’leri çok yoğun bakır yollar, parlak lehim pedleri ve baskı işaretlerini çok küçük alanlara sığdırır. Bu karmaşık zemin; yansımalar ve kamera görüntülerindeki parazitle birleşince küçük kusurların kaçırılmasını kolaylaştırır. Geleneksel makine görme sistemleri sabit kurallara ve “iyi” referans görüntüsü ile test kartı arasındaki basit karşılaştırmalara dayanır. Bunlar büyük veya belirgin kusurlar için işe yarayabilir, ancak kusurlar düzensiz şekilli, son derece küçük veya değişen aydınlatma koşullarında ortaya çıktığında çoğunlukla başarısız olur. Derin öğrenme veriden doğrudan kalıpları öğrenerek gelişme sağladıysa da mevcut birçok model düzensiz şekiller ve uzaktaki bağlamla hâlâ zorlanmakta, bu da kaçırılan kusurlar ve yanlış alarmlara yol açmaktadır.

Devre kartlarını taramak için daha akıllı bir yol

PCB‑YOLOv8X, popüler bir gerçek zamanlı nesne algılama çerçevesi üzerine kuruludur ve PCB muayenesi için özel olarak uyarlanmıştır. Ağ üç aşamada düzenlenmiştir: görüntülerden görsel özellikleri çıkaran bir “omurga (backbone)”, farklı ölçeklerdeki bilgileri birleştiren bir “boyun (neck)” ve kusurların nerede olduğunu ve hangi tür olduğunu belirleyen bir “baş (head)”. Yazarlar, modelin bakır izlerin ince, dolambaçlı yollarını daha iyi takip edebilmesi ve anlamlı kusurları zararsız arka plan dokularından ayırabilmesi için bu hattın temel parçalarını yeniden tasarlamıştır. Genel amaç, sistemi hat içi endüstriyel kullanım için yeterince hızlı tutarken küçük kusurlara dair daha fazla ayrıntı yakalamaktır.

Esnek görüş ve odaklanmış dikkat

İlk önemli yükseltme, modelin bakışını düzensiz şekillere göre uyarlamasını sağlar. Görüntü bilgilerini katı bir ızgara üzerinde örneklemek yerine yeni C2f‑DCNV2 modülü, örnekleme noktalarının hafifçe kayarak bükülmüş izleri, çentikli kenarları veya düzensiz boşlukları takip edebildiği deformable (değiştirilebilir) filtreler kullanır. Bu esneklik, ağın eksik delikler, fare ısırığı (mouse‑bite) desenleri veya kısa devre gibi küçük kusurların gerçek sınırlarına tutunmasına yardımcı olur. İkinci yükseltme olan SPPF‑LSKA modülü ise modeli verimli kalarak daha geniş bir görüş alanı sağlar. Çoklu ölçeklerden gelen bilgileri birleştirerek hem yakın hem uzak bakışı taklit eder ve daha sonra dikkat mekanizması ile kusur içermesi muhtemel bölgelere ağırlık verip dikkat dağıtan arka plan desenlerini bastırır.

Küçük hedefler hakkında daha keskin kararlar

Bir kusuru bulmak işin yarısıdır; sistemin etrafına sıkı bir kutu çizebilmesi de gerekir. Standart eğitim yöntemleri bu kutuları esasen gerçek kusur alanıyla ne kadar örtüştüklerine göre değerlendirir; bu ise kusurlar çok küçük olduğunda veya hiç örtüşme olmadığında başarısız olabilir. Yazarlar, IWD‑CIoU adını verdikleri rafine bir eğitim hedefi sunar; bu hedef, tahmini ve gerçek kutuların ne kadar yakın ve benzer olduğunu olasılık teorisinden ödünç alınmış bir mesafe kavramıyla ölçer. Bu yaklaşım, iki kutu zar zor temas ettiğinde bile faydalı geri bildirim sağlar ve ağın çok küçük kusurları daha hassas şekilde yerelleştmeyi öğrenmesine yardımcı olur. Ayrıca bu mesafe ölçüsü, yüksek güvenli örnekleri ve ayırt edilmesi zor durumları vurgulayan bir sınıflandırma stratejisi ile eşleştirilir.

Laboratuvar testlerinden fabrika hatlarına

Ekip, PCB‑YOLOv8X’i altı yaygın kusur tipini içeren halka açık bir PCB kusur veri kümesinde değerlendirir; açık devrelerden istenmeyen bakıra kadar örnekler vardır. Veriyi gerçek üretim değişkenliğini taklit edecek şekilde arttırdıktan sonra modelini Faster R‑CNN, SSD, birkaç nesil YOLO ve bir transformer‑tabanlı yöntem gibi yaygın kullanılan tespitçilerle karşılaştırırlar. PCB‑YOLOv8X, genel doğrulukta en yüksek performansı gösterir; kusurları doğru şekilde tanımlayıp yerelleştirerek vakaların %98’inden fazlasında başarılı olurken aynı zamanda temel YOLOv8 modeline göre daha hızlı çalışır. Görsel ısı haritaları, geliştirilmiş ağın gerçek kusur bölgelerine güçlü şekilde odaklandığını ve kafa karıştırıcı dokular ile yansımaları büyük ölçüde yok saydığını gösterir; bu da hem kaçırılan kusurları hem de yanlış pozitifleri azaltır. Yazarlar, son derece küçük, düşük kontrastlı kusurlar ve kafa karıştırıcı arka plan desenleri gibi devam eden zorluklara değinir ve üretim hattındaki uç cihazları daha iyi desteklemek için daha hafif modeller ve sentetik eğitim verileri kullanmayı önerirler.

Günlük elektroniğe etkisi ne olur

Pratik açıdan, PCB‑YOLOv8X yüksek hızlı kameraların arkasında fabrika hattında yer alabilir; geçen her kartı gerçek zamanlı tarayarak şüpheli parçaları insan incelemesine yönlendirir. Eski sistemlerin gözden kaçırdığı mikroskobik kusurları tespit ederek, üreticilerin daha sonra cihaz arızalarına veya güvenlik sorunlarına yol açabilecek gizli hataları önlemelerine yardımcı olabilir. Uzman olmayanlar için çıkarılacak ana mesaj şudur: özel yapay zeka görme alanındaki ilerlemeler, fabrika zemininde görünmez olanı görünür kılmakta ve günlük güvenilirliğimizi artırmaktadır.

Atıf: Xu, X., Dela Cruz, J.C. & Wang, Y. PCB-YOLOV8X: a network for detecting micro-sized defects on PCB surfaces based on enhanced feature information. Sci Rep 16, 10860 (2026). https://doi.org/10.1038/s41598-026-46089-6

Anahtar kelimeler: PCB kusur tespiti, bilgisayarlı görü, derin öğrenme, kalite kontrolü, üretim otomasyonu