Detail Cantuman

Printed Circuit Board (PCB) rentan terhadap berbagai cacat jalur berukuran sangat kecil selama proses fabrikasi yang dapat memicu kegagalan sistem elektronik. Inspeksi manual tradisional yang tidak efisien telah mendorong penggunaan penglihatan komputer dan deep learning. Namun, metode berbasis deteksi objek standar (bounding box) kurang presisi dalam menangkap bentuk cacat mikro yang tipis atau tidak beraturan, sehingga diperlukan pendekatan segmentasi semantik pada tingkat piksel. Penelitian ini mengusulkan pengembangan arsitektur Convolutional Neural Network (CNN) dengan mengintegrasikan Feature Pyramid Network (FPN) dan pendekatan Multi-Task Learning (MTL) untuk meningkatkan deteksi dan segmentasi cacat jalur PCB mikro. Pengumpulan data menggunakan 200 citra cacat dari dataset DeepPCB. Evaluasi model dilakukan melalui empat varian arsitektur: CNN dasar, CNN dengan FPN, CNN dengan FPN dan MTL, serta CNN dengan MTL. Analisis model menerapkan pelatihan berbasis patch berukuran 64x64 piksel. Kinerja segmentasi dianalisis menggunakan metrik Intersection over Union (IoU), Dice coefficient, Precision, dan Recall, sementara evaluasi regresi untuk MTL diukur melalui Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Temuan pengujian menunjukkan bahwa arsitektur dasar CNN belum konsisten melokalisasi cacat secara utuh. Penambahan FPN terbukti secara signifikan meningkatkan sensitivitas model dalam menangkap anomali kecil. Puncak kinerja dicapai oleh varian CNN yang mengombinasikan FPN dan MTL, yang menghasilkan peta cacat paling presisi sekaligus memprediksi rasio luas cacat dengan tingkat galat regresi yang sangat rendah (MAE 0.002093). Kesimpulannya, integrasi fusi fitur multi-skala dari FPN yang dipadukan dengan tugas regresi rasio luas tambahan dari MTL terbukti sangat efektif dalam mengoptimalkan kemampuan arsitektur CNN untuk mengenali dan memetakan batas serta tingkat keparahan cacat jalur PCB berukuran mikro secara akurat.