Bu çalışmada, PCB üretim sürecinde karşılaşılan olası kusurları otomatik olarak tespit ederek insan kaynaklı hataları en aza indirmeyi ve üretim sürecini hızlandırmayı amaçlayan; görüntü işleme tekniklerini ve derin öğrenme algoritmalarını kullanan bir kusur tespit ve sınıflandırma yöntemi önerilmiştir. Özellikle PCB üretim hattında böyle derin öğrenme tabanlı bir sistemin uygulanabilirliği değerlendirilmiş ve bu doğrultuda gerçek zamanlı bir simülasyon gerçekleştirilmiştir. Bu çalışmada farklı kusur türlerini içeren görüntülerden oluşan açık kaynaklı DeepPCB veri seti içinde yer alan 1194 PCB görüntüsü kullanılmıştır. Veri setinde yer alan görüntüler üzerinde toplam 7897 kusur etiketlenmiş ve bunlardan 6385 adedi (%80) eğitim, 1512 (%20) adedi ise test için ayrılmıştır. Eğitim ve test setleri, sınıflar arasında dengeli bir dağılım olacak şekilde rastgele bölünmüştür. Kusurlar, MakeSense yazılımı kullanılarak etiketlenmiş ve bu süreçte altı farklı kusur türü tanımlanmıştır. Etiketleme işlemi, modelin eğitim aşamasında yüksek doğruluk elde edilmesinde kritik bir adım olarak değerlendirilmiştir. YOLOv4 algoritmasıyla eğitilen model, mAP@50 değeri %64,1 olarak hesaplanmıştır. Daha güncel bir algoritma olan YOLOv8 kullanılarak eğitilen modelde ise mAP@50 değeri %93,5'e ulaşmıştır. Bu sonuçlar, YOLOv8 algoritmasının, PCB üretim hatlarında yüksek doğruluk oranı ve daha az hata ile uygulanabilir bir çözüm sunduğunu göstermektedir. Diğer taraftan bu modellerde, YOLOv4 ve v8’in varsayılan standart parametreleri kullanılmıştır. Ancak literatür taraması yapıldığında bu parametrelerin optimize edilmesinin daha yüksek performans elde edilmesinde önemli bir payı olduğu görülmüştür.

Deploying deep-learning detectors for printed circuit board (PCB) inspection on embedded hardware requires balancing detection performance against computational and memory constraints. This study evaluates a You Only Look Once version 8 medium (YOLOv8m) detector deployed on the AMD Kria KV260 (Advanced Micro Devices, Inc., Santa Clara, CA, USA) field-programmable gate array (FPGA) platform using the Vitis AI toolchain and a single DPUCZDX8G B4096 deep-learning processing unit (DPU) core at 275 MHz. The experimental subset comprised 1194 DeepPCB images covering all 11 board groups and six defect classes, including 959 training/internal-validation and 235 test images. The 32-bit floating-point (FP32) model achieved 93.5% mean average precision at an intersection-over-union threshold of 0.5 (mAP@50). Following 8-bit integer (INT8) post-training quantization, the model achieved 93.2% mAP@50 during on-board execution on the same images, while reducing nominal weight storage approximately fourfold. The measured end-to-end throughput was 0.87 frames per second (FPS). Stage-level profiling yielded 333.2 ms preprocessing, 206.8 ms DPU inference, and 609.0 ms postprocessing per frame, indicating that host-side processing, particularly postprocessing, dominated end-to-end latency. An exploratory throughput-only comparison on the same platform yielded 3.92 FPS for YOLOX-Nano and 1.72 FPS for YOLOX-Tiny. These results establish a documented deployment baseline for a medium-scale YOLO detector on a low-cost FPGA platform and highlight the importance of host-side processing in determining end-to-end inference throughput.