Applying an artificial intelligence to detect the defect on electronics component

Abstract

This independent study aimed to develop an artificial intelligence (AI) system for detecting character integrity defects on 16-position rotary switches—components critical to the quality of products in the competitive Electronics Manufacturing Services (EMS) industry. Despite 100% human visual inspection, defective parts were still delivered to customers. Therefore, AI-based detection is explored as a promising alternative to minimize human error and enhance quality assurance.The study applied YOLOv11 object detection models (Yolov11n and Yolov11s) with different training conditions, including single-class and 18-class annotations and multiple training epochs. The results showed that the Yolov11s model with single-class annotation trained for 200 epochs performed best, achieving a Precision of 97.5%, Recall of 98.2%, and mAP50 of 98.3%. When tested with 32 simulated defective images, this model reached an Accuracy of 93.8%. The Yolov11n model with the same conditions achieved a slightly lower Accuracy of 87.5%. In contrast, the 18-class annotation produced lower performance across both models, with Accuracy of only 46.9% for Yolov11n and 37.5% for Yolov11s.

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบปัญญาประดิษฐ์ในการตรวจจับข้อบกพร่องด้านความสมบูรณ์ของตัวอักขระบนชิ้นส่วนอิเล็กทรอนิกส์ประเภท 16-position rotary switch ซึ่งเป็นปัญหาที่มีผลต่อคุณภาพและความน่าเชื่อถือในอุตสาหกรรม Electronics Manufacturing Services (EMS) โดยเฉพาะในกรณีศึกษาที่แม้จะมีการตรวจสอบแบบ 100% โดยพนักงานแล้ว ยังพบการหลุดรอดของงานเสียไปยังลูกค้า การใช้ระบบปัญญาประดิษฐ์จึงเป็นทางเลือกที่เหมาะสมในการลดข้อผิดพลาดของมนุษย์และยกระดับการควบคุมคุณภาพงานวิจัยนี้ใช้โมเดล YOLOv11 ในการตรวจจับข้อบกพร่อง โดยทดลองทั้งรุ่น Yolov11n และ Yolov11s ภายใต้เงื่อนไขการฝึกสอนแบบแบ่งคลาส 1 คลาส และ 18 คลาส รวมถึงจำนวนรอบการฝึกสอนที่แตกต่างกัน ผลการทดลองพบว่า โมเดล Yolov11s แบบ 1 คลาส ฝึกสอน 200 รอบ ให้ผลลัพธ์ดีที่สุด โดยได้ค่า Precision 97.5%, Recall 98.2%, mAP50 98.3% และเมื่อทดสอบกับภาพจำลองงานเสีย 32 ภาพ พบว่ามี ค่า Accuracy สูงถึง 93.8% รองลงมาคือ Yolov11n แบบ 1 คลาส Accuracy 87.5% ในขณะที่การแบ่งคลาสแบบ 18 คลาสให้ผลลัพธ์ต่ำกว่าอย่างชัดเจน โดย Yolov11n และ Yolov11s มี Accuracy เพียง 46.9% และ 37.5%ตามลำดับ