Electronic Theses and Dissertation

Teknologi elektronik saat ini berkembang dengan sangat cepat, di mana salah satunya adalah kemajuan teknologi pada printed circuit boards (pcb) atau papan sirkuit cetak. pcb merupakan komponen fundamental dalam hampir semua perangkat elektronik modern. kecacatan pada pcb dapat terjadi baik dalam proses produksi maupun saat perangkat tersebut sedang beroperasi, sering kali menyebabkan gangguan pada fungsi perangkat. metode inspeksi kecacatan secara manual yang mengandalkan kemampuan manusia untuk meneliti satu per satu cetakan komponen pcb tidak lagi efektif. oleh karena itu, saat ini diperlukan solusi yang lebih efisien dan otomatis dalam proses inspeksi ini. penelitian ini mengembangkan model object detection dan recognition pada pcb menggunakan metode convolutional neural network. kedua model yang akan dibandingkan adalah faster-rcnn dan mask-rcnn pada dataset pcb. hasil penelitian menunjukkan bahwa model faster-rcnn dengan hyperparameter epoch 40, batch size 1, dan learning rate 1e-04 memiliki nilai iou sebesar 79,70%, map sebesar 81,39%, dan accuracy sebesar 97,45%. model mask-rcnn dengan hyperparameter epoch 15, batch size 1, dan learning rate 1e-04 menunjukkan kinerja terbaik dengan nilai iou sebesar 81,70%, map sebesar 82,02%, dan accuracy sebesar 97,96%. model faster-rcnn dengan skalar 800 yang telah dilakukan kuantisasi menunjukkan peningkatan performa dibandingkan dengan model tanpa kuantisasi. ukuran model sebelum kuantisasi adalah 158 mb dengan waktu inference sebesar 1,1250 detik, sedangkan setelah kuantisasi menjadi 118 mb dengan waktu inference sebesar 1,1234 detik, sehingga model ini akan diimplementasikan ke dalam website untuk mendeteksi kecacatan pada pcb. sehingga model mask-rcnn menunjukkan kinerja yang lebih baik dalam mendeteksi kecacatan pada pcb dibandingkan dengan model faster-rcnn dengan nilai iou, map, dan accuracy yang lebih tinggi.

The rapid advancement of electronic technology includes significant developments in Printed Circuit Boards (PCBs), which are fundamental components in almost all modern electronic devices.Defects to PCBs can occur both during production and while the device is in operation, often resulting in device malfunctions. The traditional manual inspection methods, which rely on human expertise to examine each PCB component, are no longer efficient.Therefore, a more efficient and automated solution is required for the inspection process. This study aims to develop an object detection and recognition model for PCBs using Convolutional Neural Network (CNN) methods. The two models compared are Faster-RCNN and Mask-RCNN applied to a PCBdataset. The results indicate that the Faster-RCNN model, with hyperparameters of 40 epochs, a batch size of 1, and a learning rate of 1e-04, achieves an average Intersection over Union (IoU) of 79.70%, a mean Average Precision (mAP) of 81.39%, and an accuracy of 97.45%. The Mask-RCNN model, with hyperparameters of 15 epochs, a batch size of 1, and a learning rate of 1e-04, demonstrates superior performance with an IoU of 81.70%, an mAP of 82.02%, and an accuracy of 97.96%. Additionally, the quantized Faster-RCNN model with a scalar of 800 pixels exhibits improved performance compared to its non-quantized counterpart. The model size is reduced from 158 MB to 118 MB, and the inference time decreases from 1.1250 seconds to 1.1234 seconds. Consequently, this model will be integrated into a website for PCB defects detection. Overall, the Mask-RCNN model outperforms the Faster-RCNN model in detecting PCB defects, achieving higher IoU, mAP, and accuracy values.