DeepPCB-Defect-Detection-YOLOv8

Real-time microscopic defect detection pipeline for Printed Circuit Boards (PCB) using YOLOv8-Nano. Built for Automated Optical Inspection (AOI) in smart manufacturing.

YOLOv8 DeepPCB Defect Detection: Short Term IRIS

Proyek ini adalah implementasi end-to-end Machine Learning pipeline menggunakan arsitektur YOLOv8-Nano untuk mendeteksi anomali/cacat mikroskopis pada Printed Circuit Boards (PCB) secara real-time. Proyek ini dikembangkan sebagai bagian dari riset otomasi cerdas Computer Vision pada lini manufaktur.

Fitur Utama Pipeline

notebook ini dirancang dengan standar industri yang mencakup:

1. Bipartite Graph & Negative Mining: Pemetaan otomatis gambar cacat (positif) dan gambar background bersih (negatif) untuk melatih model mengenali noise dan mengurangi False Positives.
2. Exploratory Data Analysis (EDA): Visualisasi ekstraktif berbasis kelas untuk inspeksi bounding box secara langsung sebelum pelatihan.
3. Safe YOLO Format Conversion: Standardisasi domain gambar menjadi Grayscale 3-Channel dan konversi koordinat absolut ke koordinat relatif YOLO secara aman.
4. Hasil Evaluasi (mAP & Metrics): Skrip analisis visual khusus untuk membandingkan fakta (Ground Truth) dengan halusinasi/prediksi salah pada area background.

Dataset

Dataset yang digunakan adalah subset DeepPCB, yang memuat pasangan gambar PCB berkualitas tinggi (resolusi asli di-resize ke 640x640). Model mendeteksi 6 kelas cacat:

• open
• short
• mousebite
• spur
• copper
• pin-hole

Hyperparameter Training

Model dilatih menggunakan akselerator GPU (NVIDIA Tesla T4 di Kaggle) dengan konfigurasi:

• Model: YOLOv8 Nano (yolov8n.pt)
• Epochs: 50
• Image Size: 640
• Batch Size: 16
• Waktu Konvergensi: ~13 Menit

Hasil Evaluasi (mAP & Metrics)

Berdasarkan agregasi metrik iterasi terminal (50 Epochs):

• Model mencapai akurasi lokalisasi dasar (mAP@50) yang nyaris sempurna di angka 98.9%.
• Presisi kotak ketat (mAP@50-95) mencapai 78.4%.

1. Visualisasi Prediksi (Bounding Box)

Gambar: Hasil deteksi anomali mikroskopis beserta tingkat keyakinan (confidence score) pada data validasi.

2. Confusion Matrix

Gambar: Matriks evaluasi yang menunjukkan tingginya akurasi model dalam mengklasifikasikan jenis cacat secara presisi.

3. Kurva Pelatihan (Loss & mAP)

Gambar: Grafik konvergensi model selama 50 epoch yang menunjukkan penurunan tingkat error dan peningkatan akurasi secara konsisten.

Cara Penggunaan (How to Run)

1. Clone repository ini:

   git clone https://github.com/stephrs/DeepPCB-Defect-Detection-YOLOv8.git

2. Instal pustaka yang dibutuhkan:

   pip install ultralytics opencv-python-headless matplotlib pandas scikit-learn

3. Sesuaikan path dataset pada variabel INPUT_DIR di dalam notebook, lalu jalankan sel secara berurutan.

Kontributor

• Ashif Dyan Armawan (164241040) - IRIS Researcher 2024
• Stephen Richard Sihombing (164251055) - IRIS Researcher 2025