1. TEDE
  2. Unidade Manaus
  3. Programa de Pós-graduação em Engenharia Elétrica
  4. Mestrado em Engenharia Elétrica
???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/11050
Full metadata record
DC FieldValueLanguage
dc.creatorPenedo, Jorge Eduardo Santos-
dc.creator.Latteshttps://lattes.cnpq.br/1276791439729409eng
dc.contributor.advisor1Silva Júnior, Waldir Sabino da-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2925380715531711eng
dc.contributor.referee1Araújo, Gabriel Matos-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4461794616207452eng
dc.contributor.referee2Carvalho, Celso Barbosa-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/8269546823033896eng
dc.date.issued2025-07-21-
dc.identifier.citationPENEDO, 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.urihttps://tede.ufam.edu.br/handle/tede/11050-
dc.description.resumoA 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.description.abstractThis 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.formatapplication/pdf*
dc.thumbnail.urlhttps://tede.ufam.edu.br/retrieve/86342/DISS_JorgePenedo_PPGEE.pdf.jpg*
dc.languageporeng
dc.publisherUniversidade Federal do Amazonaseng
dc.publisher.departmentFaculdade de Tecnologiaeng
dc.publisher.countryBrasileng
dc.publisher.initialsUFAMeng
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricaeng
dc.rightsAcesso Aberto-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/pt_BR
dc.subjectLocalização de falhas (Engenharia)por
dc.subject.cnpqENGENHARIAS: ENGENHARIA ELETRICAeng
dc.titleInspeção de falhas em conectores PTH de placas de circuito impresso utilizando Machine Learningeng
dc.typeDissertaçãoeng
dc.creator.orcidhttps://orcid.org/0000-0003-0421-0569eng
dc.contributor.referee1orcidhttps://orcid.org/0000-0002-0033-3265eng
dc.subject.userMáquina de vetores de suportepor
dc.subject.userK-vizinhos mais próximopor
dc.subject.userÁrvore de decisãopor
dc.subject.userAprendizado de máquinapor
dc.subject.userClassificaçãopor
dc.subject.userModos de falhaspor
Appears in Collections:Mestrado em Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
DISS_JorgePenedo_PPGEE.pdf14.32 MBAdobe PDFThumbnail

Download/Open Preview
Show simple item record Recommend this item


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.