fa بکارگیری و ارزیابی مدل‌های یادگیری عمیق به منظور تشخیص نقص‌ها در بردهای مدار چاپی الکترونیک Electronic پژوهشي Research <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">نقص‌ها در</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">بردهای مدار چاپی</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">می‌توانند منجر به اختلالات جدی در عملکرد دستگاه‌های الکترونیکی شوند و شناسایی دقیق و سریع آن‌ها برای تضمین کیفیت تولید، امری ضروری است. در این مقاله، کارایی شش مدل یادگیری عمیق شامل </span></span><a name="_Hlk199780370"><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">Inception-v3</span></span><span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، </span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">VGG16</span></span><span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، رزنت18، رزنت50، رزنت101 و</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">یولو</span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">v5</span></span> </a><span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">در تشخیص خودکار نقص‌های بردهای مدار چاپی بررسی شده است. این نقص‌ها که می‌توانند باعث اختلالات جدی در عملکرد دستگاه‌های الکترونیکی شوند، نیازمند شناسایی سریع و دقیق برای تضمین کیفیت تولید هستند. هر یک از مدل‌ها با استفاده از مجموعه داده‌ای متشکل از تصاویر نقص‌های مختلف بردهای مدار چاپی آموزش دیده و با معیارهای دقت، حساسیت، اختصاصیت و سرعت پردازش ارزیابی شده‌اند. نتایج نشان می‌دهد که مدل</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">یولو</span></span><span style="font-size:11.0pt"><span new="" roman="" style="font-family:" times="">v5</span></span><span dir="RTL" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"> با دقت بالاتر و زمان پردازش کمتر، بهترین عملکرد را در تشخیص انواع نقص‌های سطحی و ساختاری ارائه می‌دهد. این پژوهش تأکید می‌کند که انتخاب معماری مناسب شبکه عصبی عمیق می‌تواند تأثیر قابل توجهی بر بهبود دقت و کارایی فرآیند بازرسی بردهای مدار چاپی داشته باشد و جایگزینی مؤثر برای روش‌های سنتی باشد</span></span><span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">.</span></span> <p>Here&rsquo;s the translation for your abstract title and keywords:</p> <p><strong>Title:</strong><br> Application and Evaluation of Deep Learning Models for Defect Detection in Printed Circuit Boards</p> <p><strong>Abstract:</strong><br> In this paper, the effectiveness of deep learning models for the automatic detection of defects in printed circuit boards is investigated. Defects in printed circuit boards can lead to serious disruptions in the performance of electronic devices, and accurate and rapid identification of these defects is essential for ensuring production quality. To this end, the Inception-v3, VGG16, ResNet18, ResNet50, ResNet101, and YOLOv5 models were selected as representatives of various deep neural network architectures, and trained and evaluated on datasets of images containing PCB defects. These models, due to their capabilities in extracting complex and deep features from images, facilitate precise detection of both surface and structural defects. The results from evaluating these models indicate that deep learning can accurately and automatically identify defects in printed circuit boards, thereby improving the inspection process. This research emphasizes the importance of utilizing advanced deep learning models in the electronics industry and demonstrates that the choice of appropriate architecture significantly impacts the accuracy and speed of defect detection.</p> پردازش تصویر, برد مدار چاپی, تشخیص نقص, افزونگی داده, یادگیری عمیق. Image processing, Printed Circuit Board, Defect detection, Data redundancy, Deep learning. 44 56 http://jiaeee.com/browse.php?a_code=A-10-626-5&slc_lang=fa&sid=1 Hami Hosseini حامی حسینی hamihosseini@gmail.com 100319475328460013093 100319475328460013093 No Electronic Department, Faculty of Engineering and Technology, University of Mazandaran, Babolsar دانشکده مهندسی و فناوری- دانشگاه مازندران Samira Mavaddati سمیرا مودّتی s.mavaddati@umz.ac.ir 100319475328460013092 100319475328460013092 Yes Electronic Department, Faculty of Engineering and Technology, University of Mazandaran, Babolsar دانشکده مهندسی و فناوری- دانشگاه مازندران