Метою дипломної роботи є розробка конструкції та програмного забезпечення приладу для автоматизованого детектування поверхневих дефектів друкованих плат, що може використовуватися на виробнцтві.
У межах даної дипломній роботі було представлено теоретичні відомості дефектів друкованих плат. Наведено теоретичні відомості про методи контролю друкованих плат, їх переваги та недоліки в певних галузях.
Проведено вибір елементів для приладу та обґрунтування їх вибору; вибір нейронної мережі та детальний аналіз всіх можливостей. Описано конструкцію приладу, програмний алгоритм детектування дефектів, розглянуто можливості нейронної мережі та її результати. Проведено оцінку роботи нейронної мережі яка показала результат 92.5%. Описано загальну статистику роботи нейронної мережі. Проаналізовано переваги та недоліки даного приладу, та розглянуто перспективи вдосконалення та розвитку даної розробки.
Робота викладена на 85 сторінках, містить 4 розділи, 36 рисунків, 28 літературних джерел.
Керівник: д.ф. Момот А.С.
Повний перелік дипломних проєктів та робіт
Список використаної літератури
[1] Khandpur R. S. Printed Circuit Boards Design, Fabrication, and Assembly / S. R. Khandpur — К : 2006. — 691 с.
[2] Jawitz M. W. Printed circuit board materials handbook / W. M. Jawitz — К : 1997. — 784 с.
[3] PCB inspection and testing techniques [Електронний ресурс] — Режим доступу: https://medium. /supplyframe-hardware/pcb-inspection- and-testing-techniques-30631a885109
[4] Wu F. An AOI algorithm for PCB based on feature extraction / F. Wu //2008 7th World Congress on Intelligent Control and Automation. – IEEE, 2008. – С. 240-247.
[5] X-Ray inspection to Reveal hidden PCB Assembly Defects [Електронний ресурс] — Режим доступу : https://www.tempoautomation.com/blog/x-ray-inspection-reveals-hidden-pcba- defects/.
[6] Муравйов О. В. Автоматизація методу термографічної діагностики патологій організму людини / О. В. Муравйов, В. Ф. Петрик, Ю. Ю. Лисенко, Г. А. Богдан, А. В. Наконечная // Таврійський науковий вісник. Серія: Технічні науки. – 2022. – №1. – С. 47-53.
[7] Momot A. Deep learning automated data analysis of security infrared cameras / A. Momot, I. Skladchykov // Slovak international scientific journal. – 2021. – №52. – pp. 13–16.
[8] Momot A. Deep Learning Automated System for Thermal Defectometry of Multilayer Materials / A. Momot, R. Galagan, V. Gluhovskii. // Devices and Methods of Measurements. – 2021. – №12. – pp. 98–107. DOI:
[9] Functional Test: A Final Manufacturing Step [Електронний ресурс] — Режим доступу: https://www.nexlogic.com/pcb-testing/functional- testing/.
[10] Сторожик Д. В. Технології опрацювання зображень на основі комплексування даних (Огляд) / Д.В. Сторожик, А.Г. Протасов // Технічна діагностика та неруйнівний контроль. – 2022. – № 4. – С. 17–26.
[11] Стшенко Я.В. Огляд ефективності архітектур нейронних мереж для автоматизованої сегментації зображень / Стешенко Я.В., Момот А.С. // Ефективність та автоматизація інженерних рішень у приладобудуванні. – 2022. – № 18. – С. 226-229.
[12] Галаган Р.М. Тестування нейромережевих модулів системи теплової дефектометрії за допомогою імітаційного моделювання / [Р. М. Галаган, А. С. Момот, А. Г. Протасов та ін.]. // Вчені записки ТНУ імені В.І. Вернадського. Серія: Технічні науки. – 2022. – №6. – С. 49–55.
[13] Momot A. Automation of ultrasound breast cancer images classification using deep neural networks / A. Momot, R. Galagan, M. Zaboluieva // Sciences of Europe. – 2022. – №96. – pp. 38–41. DOI:
[14] Sharma A, Garg S. Automated Optical Inspection Systems for Defect Detection on Printed Circuit Boards / A. Sharma, S. Garg // The international journal of Advanced Manufacturing Technology.– 2016 – pp. 32–37. DOI:
[15] Khan M, Khan K, Anwar N. Automated Visual Inspection for Quality Control of Printed Circuit Boards / M. Khan, K. Khan, N. Anwar // Annual technical Symposium .– 2022 – pp. 9–19. DOI:
[16] El Hassouni M, Merabet B, Kachkach A. Automated Visual Inspection of Printed Circuit Boards Based on Image Processing and Machine Learning Techniques / M. El Hassouni, B. Merabet, A. Kachkach // Journal of Engineering Technology.– 2020 – pp. 10–13.
[17] Choudhary S, Choudhary A. Printed Circuit Board Defect Detection Using Machine Learning Techniques / S. Choudhary, A. Choudhary // Survey. 2021. pp. 15-23
[18] Fischer R., Tadic-Galeb B., Yoder P. Optical system design 2008 / R. Fischer, B. Tadic-Galeb, P. Yoder — К : McGraw-Hill Education, 2006. — 47 с.
[19] Womg A. Tiny SSD: A tiny single-shot detection deep convolutional neural network for real-time embedded object detection/ A. Wong //2018 15th Conference on Computer and Robot Vision . – IEEE, 2018. – С. 95-101.
[20] Liu B., Zhao W., Sun Q. Study of object detection based on Faster R-CNN/ B. Liu, W. Zhao, Q. Sun // Chinese Automation Congress . – IEEE, 2017. – С. 6233-6236.
[21] Momot A., Skladchykov I. The use of EfficientNet models in infrared image classification / A. Momot, I. Skladchykov // XXI Міжнародна науково-технічна конференція «Приладобудування: стан і перспективи», 17-18 травня 2022 року, КПІ ім. Ігоря Сікорського, Київ, Україна: збірник матеріалів конференції. Київ : КПІ ім. Ігоря Сікорського, 2022. С. 204-207.
[22] Redmon J. You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition / J.Redmon, S.Divvala, R.Girshick, A.Farhadi // Anchorage. 2016. pp. 779-788.
[23] Jiang P. A Review of Yolo algorithm developments/ P. Jiang //Procedia Computer Science. – 2022. – Т. 199. – С. 1066-1073.
[24] Redmon J., Farhadi A. Yolov3: An incremental improvement/ J. Redmon, A. Farhadi //arXiv preprint arXiv:1804.02767. – 2018.
[25] Ting L. Ship detection algorithm based on improved YOLO V5 / L. Ting //International Conference on Automation, Control and Robotics Engineering . – IEEE, 2021. – С. 483-487.
[26] Qin, L. Printed Circuit Board Defect Detection Methods Based on Image Processing, Machine Learning and Deep Learning / L. Qin, N. Isa // Survey. 2021. pp. 449-458
[27] Сторожик Д. В. Комплексування мультиспектральних зображень, як метод підвищення їх інформативності при бінарній сегментації / Д. В. Сторожик, О. В. Муравйов, А. Г. Протасов, В. Г. Баженов, Г. А. Богдан // Наукові вісті КПІ. – 2020. № 2. – С. 82-87.
[28] PCB Defects | kaggle [Електронний ресурс] // Kaggle: Your Machine Learning and Data Science Community. – Режим доступу: https://www.kaggle.com/datasets/akhatova/pcb-defects
[29] Баженов В.Г. Електроніка. Лабораторний практикум: навчальний посібник / В. Г. Баженов, Є. Ф. Суслов, Ю. Ю. Лисенко, А.С. Момот; КПІ ім. Ігоря Сікорського. – Київ: КПІ ім. Ігоря Сікорського, 2022. – 70 с.
[30] Куц Ю.В. Спеціальні розділи математики. Курс лекцій: навчальний посібник / Ю. В. Куц, Ю. Ю. Лисенко; КПІ ім. Ігоря Сікорського. – Київ: КПІ ім. Ігоря Сікорського, 2022. – 180 с.
[31] Мікропроцесорна техніка: лабораторний практикум. Частина 1. [Електронний ресурс] / А. С. Момот; КПІ ім. Ігоря Сікорського. – Київ: КПІ ім. Ігоря Сікорського, 2020. – 113 с.
[32] Мікропроцесорна техніка: лабораторний практикум. Частина 2. [Електронний ресурс] / А. С. Момот; КПІ ім. Ігоря Сікорського. – Київ : КПІ ім. Ігоря Сікорського, 2021. – 76 с.
