YOLOv8 딥러닝 모델을 이용한 electrical joining 불량 검출 기법 연구 = Fault Detection in Electrical Joining Processes Using YOLOv8 Deep Learning Model

국문 초록 (Abstract)

YOLOv8 딥러닝 모델을 이용한 electrical joining 불량 검출 기법 연구 본 연구에서는 PCB 기판의 electrical joining 불량을 효율적으로 검출하기 위한 딥러닝 기반 자동화 검사 모델을 제안한다. 실제 제조 환경에서 획득한 PCB 이미지를 바탕으로 YOLOv8 객체 탐지 모델을 적용하였으며, 데이터 수 부족 및 클래스 불균형 문제를 보완하기 위해 회전(rotate), 반전(flip), 가우시안 블러 (gaussian blur), 엣지 강조(canny edge detect), 밝기(brightness) 및 감마(gamma) 보정 등 다양한 데이터 증강기법을 체계적으로 설계 적용하였다. 실험 결과, 데이터 증강을 적용하지 않은 모델 대비 precision, recall, mAP50 및 mAP50-95와 같은 주요 성능 지표에서 유의미한 향상을 보였다. 특히 소량 의 학습 데이터 환경에서도 결함 클래스의 검출 성능이 크게 개선되었으며, mAP50 기준 0.904의 성능을 달성하여 실제 산업 환경에서 요구되는 탐지 정확도를 확보하였다. 이는 제안된 YOLOv8 기반 모델이 다양한 PCB 구조와 촬영 조건에서도 electrical joining 불량을 높은 신뢰도로 검출할 수 있음을 의미한다. 본 연구 결과는 PCB 제조 공정에서 반복적으로 수행되는 육안검사 및 기 존 검사 방식의 한계를 극복할 수 있는 딥러닝 기반 자동화 검사 시스템 구 축의 실질적인 기반을 제공한다. 나아가 향후 전자 제조 공정의 고도화 및 스마트 팩토리 환경으로서의 확장 가능성을 제시한다. 주제어 : YOLOv8, deep learning, fault detect

목차 (Table of Contents)

• 목차 ⅰ
• 표 목차 ⅱ
• 그림목차 ⅲ
• 국문초록 ⅳ
• 제1장 서 론 1
• 1.1 연구 개요1
• 1.2 연구 배경 및 필요성 4
• 1.3 연구 방향5
• 제2장 기술 동향 7
• 2.1 솔더링 결함 유형 7
• 2.2 불량검출 기술 10
• 제3장 연구 방법14
• 3.1 연구 설계 14
• 3.2 학습 및 검증 환경18
• 3.3 연구 대상 및 자료 수집 19
• 제4장 실험 및 검증21
• 4.1 데이터 라벨링 21
• 4.2 데이터 최적화 24
• 4.3 데이터 학습34
• 4.4 데이터 검증41
• 4.5 데이터 테스트 46
• 제5장 결 론 56
• 참고문헌 64
• ABSTRACT 66
• 감사의 글68
• 소스코드·프롬프트69