Inspeção de falhas em conectores PTH de placas de circuito impresso utilizando Machine Learning

Penedo, Jorge Eduardo Santos

Inspeção de falhas em conectores PTH de placas de circuito impresso utilizando Machine Learning

dc.contributor.advisor1	Silva Júnior, Waldir Sabino da
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/2925380715531711	eng
dc.contributor.referee1	Araújo, Gabriel Matos
dc.contributor.referee1Lattes	http://lattes.cnpq.br/4461794616207452	eng
dc.contributor.referee1orcid	https://orcid.org/0000-0002-0033-3265	eng
dc.contributor.referee2	Carvalho, Celso Barbosa
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8269546823033896	eng
dc.creator	Penedo, Jorge Eduardo Santos
dc.creator.Lattes	https://lattes.cnpq.br/1276791439729409	eng
dc.creator.orcid	https://orcid.org/0000-0003-0421-0569	eng
dc.date.issued	2025-07-21
dc.description.abstract	This dissertation addresses the development of a machine learning model to predict failure modes in PTH connector terminals and screws on printed circuit boards. Using image processing and algorithms such as KNN, Decision Tree, and SVM, the model segments and classifies defects from a custom database of 3,800 images representative of real production conditions. Integration of this system into a production line demonstrated that automated inspection outperforms manual inspection, with accuracy of up to 97%, in addition to reducing inspection time and costs related to rework and downtime, improving the final quality of the products.	eng
dc.description.resumo	A dissertação aborda o desenvolvimento de um modelo de aprendizado de máquina para prever modos de falha em terminais de conectores PTH e parafusos em placas de circuito impresso. Utilizando processamento de imagem e algoritmos como KNN, Decision Tree e SVM, o modelo segmenta e classifica defeitos a partir de um banco de dados customizado com 3800 imagens, representativas das condições reais de produção. A integração deste sistema em linha de produção mostrou que a inspeção automatizada supera a manual, com acurácias de até 97%, além de reduzir o tempo de inspeção e custos relacionados a retrabalho e paradas, melhorando a qualidade final dos produtos.	eng
dc.format	application/pdf	*
dc.identifier.citation	PENEDO, Jorge Eduardo Santos. Inspeção de falhas em conectores PTH de placas de circuito impresso utilizando Machine Learning. 2025. 59 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2025.	eng
dc.identifier.uri	https://tede.ufam.edu.br/handle/tede/11050
dc.language	por	eng
dc.publisher	Universidade Federal do Amazonas	eng
dc.publisher.country	Brasil	eng
dc.publisher.department	Faculdade de Tecnologia	eng
dc.publisher.initials	UFAM	eng
dc.publisher.program	Programa de Pós-graduação em Engenharia Elétrica	eng
dc.rights	Acesso Aberto
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	pt_BR
dc.subject	Máquina de vetores de suporte	por
dc.subject	K-vizinhos mais próximo	por
dc.subject	Árvore de decisão	por
dc.subject	Aprendizado de máquina	por
dc.subject	Classificação	por
dc.subject	Modos de falhas	por
dc.subject.cnpq	ENGENHARIAS: ENGENHARIA ELETRICA	eng
dc.subject.other	Localização de falhas (Engenharia)	por
dc.thumbnail.url	https://tede.ufam.edu.br/retrieve/86342/DISS_JorgePenedo_PPGEE.pdf.jpg	*
dc.title	Inspeção de falhas em conectores PTH de placas de circuito impresso utilizando Machine Learning	eng
dc.type	Dissertação	eng