딥 러닝을 이용한 SSD-PCB의 부품 탐지

다국어 초록 (Multilingual Abstract)

As the fourth industrial revolution is underway, scientists and engineers are focusing on integrating modern intelligent technology into traditional manufacturing and industrial practices, improving automation, self-monitoring, and analyzing and diagnosing problems without manual intervention.
In the ever-developing consumer market and industry, people's requirements for computers are also changing. As a critical device responsible for data storage, hard disks have increasingly higher reading and storing speeds. That makes solid-state drives (SSD) quickly enter the user's field of vision. However, Damage to components on the internal printed circuit board (PCB) due to user misoperation or other reasons is a common cause of SSD failure. Although these faults can be repaired manually, there are usually a large number of components on the PCB, so it is very labor-intensive to detect component faults. Furthermore, some components such as capacitors and resistors only have slight color differences in the middle part in appearance, so in the case of brightness changes or electrothermal discoloration caused by long-term use, it is easy to cause detection errors.
The field of artificial intelligence is getting more and more attention. As a branch of artificial intelligence, deep learning has an increasing influence on object recognition and image separation. The rapid development of deep learning has made object recognition more and more efficient. In order to explore this, this thesis use the convolutional neural network to automatically locate and classify all the components on the PCB, guide the robotic arm to use the robotic arm to measure and find the faulty components automatically, and finally achieve the purpose of detecting the fault. In a further step, the faulty component is quickly locked. Through experiments, the total correct detection rate of all component categories is 99.28%, proving the method's effectiveness.

국문 초록 (Abstract)

4차 산업 혁명이 진행됨에 따라 연구자와 개발자들은 인공지능과 같은 지능화 기술을 전통적인 제조 산업과 결합하여 산업 자동화와 모니터링 시스템을 개선하고 자동 분석 및 진단 시스템을 개발하고 있다.
최근 지능화 기술의 대중화로 인해 빠르게 변화하는 산업에 따라 소비자들의 요구사항도 변화하고 있다. 특히 컴퓨터 산업에서 데이터 저장을 담당하는 장치인 하드 디스크의 경우 점점 더 빠른 읽기와 저장 능력을 요구한다. 솔리드 스테이트 드라이브(SSD)는 빠른 속도로 읽기와 저장이 가능한 저장장치라서 소비자들의 요구를 만족시킨다.
그러나 SSD 내부 인쇄 회로 기판 (PCB)의 구성 요소가 손상되는 고장은 잘못된 사용 방식을 포함하여 여러가지 요인들로 인해 흔히 발생한다. 일반적으로 PCB의 고장은 사람이 직접 수리하지만 많은 구성 요소가 존재하여 많은 작업량을 요구한다. 또한 PCB를 구성하는 부품인 콘덴서와 저항기 등 일부 부품은 외관상으로 약간의 색상차이만 존재하여 장기간 사용으로 인한 휘도 변화와 전열적 변색의 경우 육안으로 부품을 식별하기도 쉽지 않다.
최근 객체 인식 및 이미지 분류에서 인공지능기법의 중요성이 증가하고 있다. 특히 인공지능 기법중 하나인 딥러닝은 다양한분야에 적용되고 있으며 빠르게 발전하여 사물 인식을 점점 더 효율적으로 할 수 있게 개선되었다. 본 논문에서는 SSD의 PCB를 구성하는 부품의 종류와 위치를 탐색하기 위해 딥러닝 기법인 컨볼류션 뉴럴네트워크 (CNN)를 사용하였다. SSD 부품(component)의 종류와 위치를 자동 탄색하게 되면, 향후 이 정보를 이용하여 오류를 발생한 부품 탐지에 활용 가능하다. 제안된 방법은 YOLO 객체인식 알고리즘 이용하여 PCB를 구성하는 모든 부품의 종류와 위치를 자동으로 탐색한다. 실험을 통하여 PCB에 존재하는 3591개 부품의 탐지 정확도가 99.28%에 이르러, 실용적으로 활용하기에 직절함을 확인하였다.

목차 (Table of Contents)

• CONTENTS
• LIST OF TABLES ⅳ
• LIST OF FIGURES ⅴ
• 1. Introduction 1
• 1.1 Wide application of SSD 1
• 1.2 Disadvantages of SSD 3
• 1.3 Common components of SSD and common failure issues 3
• 1.4 Difficulties of manual detection of SSD PCB components 4
• 1.5 Object detection 5
• 1.6 Thesis organization 5
• 2. Related Works 6
• 2.1 PCB component detection using infrared thermal imaging 6
• 2.2 IC detection using Deep Neural Network 7
• 2.3 Component sample imbalance problem 8
• 2.4 Component detection with dummy boards 9
• 2.5 Oxidation and discoloration of components 10
• 2.6 Component detection using KNN 10
• 3. Technical background 11
• 3.1. Difficulty of detection using traditional object detection algorithm 11
• 3.2 Object detection in deep learning 11
• 3.3 YOLO algorithm 12
• 3.3.1 YOLO input layer 14
• 3.3.2 YOLO backbone layer 16
• 3.3.3 YOLO neck layer 19
• 3.3.4 YOLO output layer 21
• 4. SSD PCB component detection 22
• 4.1 Difficulties of SSD PCB component detection 22
• 4.2 Experimental bench preparation 28
• 4.3 Dataset preparation 32
• 4.4 Experimental environment 40
• 5. Experimental result & analysis 41
• 5.1 Capacitor detection results and analysis 46
• 5.2 Register detection results and analysis 50
• 5.3 IC detection results and analysis 54
• 5.4 Inductor detection results and analysis 55
• 5.5 Crystal detection results and analysis 56
• 5.6 Transistor detection results and analysis 57
• 6. Conclusion 58
• References 59
• Abstract 61

참고문헌 (Reference)

1. Thermal stress on capacitors : failure prevention, Lakshminarayanan , V , and N. Sriraam ., 8, , 2014