Automated optical inspection of printed circuit boards

Thumbnail Image

Files

master_Kivistö_Tuomas_2025.pdf (28.67 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Electrical Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-07-30

Department

Major/Subject

Control, Robotics and Autonomous Systems

Mcode

Degree programme

Master's Programme in Automation and Electrical Engineering

Language

en

Pages

77

Series

Abstract

This thesis consists of two parts. The first part is a literature review in which this thesis will introduce the theoretical background required for understanding the different computer vision and artificial intelligence methods. These methods will then be used in the second, experimental, part of this thesis. The goal of the thesis is to build an automated optical inspection system based on deep learning object detection methods that can detect missing, incorrect, or misplaced components before they are soldered in place, making the correction of mistakes easier. This thesis largely achieved its aim as the average 𝐹1 score of the automated optical inspection system was 99.25% when measured across eight different types of Printed Circuit Board Assemblies.

Tämä diplomityö koostuu kahdesta osasta. Ensimmäinen osa on kirjallisuuskatsaus, jossa käydään läpi työn teoreettinen tausta. Kirjallisuuskatsauksessa esitellään konenäön ja koneoppimisen yleisimmät metodit, joita tullaan tai joita olisi voitu käyttää työn kokeellisessa osassa. Kokeellisen osuuden tavoitteena on rakentaa syväoppimiseen perustuva automatisoitu optinen tarkastaja, joka kykenee tarkastamaan, onko piirilevyn komponentit aseteltu oikein piirilevylle ennen kuin komponentit juotetaan piirilevyyn kiinni. Tämä mahdollistaa virheiden korjaamisen ennen juottamista, jolloin virheiden korjaaminen on vielä helppoa. Diplomityön tavoitteet täyttyivät suurelta osin, sillä automatisoidun optisen tarkastajan 𝐹1 tarkkuus oli kahdeksan erityyppisen piirilevyn tarkistuksen perusteella keskimäärin 99,25%.

Description

Supervisor

Kannala, Juho

Thesis advisor

Heinonen, Ville

Keywords

computer vision, artificial intelligence, PCBA, object detection, deep learning, convolutional neural networks

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202508196490

Collections

[dipl] Sähkötekniikan korkeakoulu / ELEC