Pengembangan Metode Deteksi Pad PCB Otomatis Menggunakan Kamera pada Mesin Pengebor PCB Berbasis Computer Vision

Achmad Zamroni, Ruki Harwahyu

Abstract


Proses manufaktur papan sirkuit cetak (PCB) di industri elektronik masih menghadapi tantangan besar dalam efisiensi dan presisi pengeboran. Perusahaan manufaktur PCB masih mengandalkan mesin CNC konvensional yang memerlukan kalibrasi manual dan file bor dalam format Gerber, menyebabkan waktu produksi lama dan potensi kesalahan posisi pengeboran. Penelitian ini mengusulkan metode pengeboran otomatis berbasis Computer Vision menggunakan OpenCV, YOLOv7, dan Python untuk mendeteksi pad PCB secara waktu nyata dan mengendalikan mesin bor otomatis melalui modul GRBL. Model YOLOv7 dilatih pada dataset citra PCB dan diuji dengan parameter akurasi, recall, mean average precision (mAP), dan waktu proses pengeboran. Hasil menunjukkan akurasi 95%, recall 85%, mAP 0,9, dan waktu pengeboran rata-rata 7,25 menit untuk PCB berukuran 10×10 cm, lebih efisien dibandingkan sistem CNC konvensional. Solusi ini menawarkan sistem pengeboran yang presisi, cepat, dan ekonomis, dengan potensi besar untuk diterapkan oleh industri kecil menengah. Penelitian ini mendukung Sustainable Development Goals (SDG) 9 Industri, Inovasi, dan Infrastruktur dengan berkontribusi pada peningkatan efisiensi dan kemandirian teknologi nasional.


Keywords


Computer Vision, deteksi pad PCB, Pengeboran Otomatis, SDG 9, YOLOv7

References


Adibhatla, V. A., Chih, H. C., Hsu, C. C., Cheng, J., & Abbod, M. F. (2020). Defect Detection in Printed Circuit Boards Using You-Only-Look-Once Convolutional Neural Networks. Electronics, 9(9), 1547. https://www.mdpi.com/2079-9292/9/9/1547

Adibhatla, V. A., Srikanth, N., & Raj, P. V. (2020). Automated drilling of printed circuit boards using computer vision. International Journal of Advanced Manufacturing Technology, 107(9–12), 4293–4302. https://doi.org/10.1007/s00170-020-05283-7

Cahyadi, A., Septiyanto, D., & Mulyono, N. (2023). Rancang Bangun Mesin Kendali Numerik Komputer Pengebor PCB Menggunakan Raspberry Pi. JITEL, 3(2), 111–120.

Cekindo. (2024). Indonesia’s Outlook in the Electronic Manufacturing Industry. https://www.cekindo.com/blog/electronic-manufacturing-industry

Chaithanya, A. S., & Devi, L. N. (2025). Precise PCB Defect Detection via Instance Segmentation Using YOLOv7 and YOLOv8. Journal of Electronic Imaging, 34(3), 33018.

Dehaerne, O., Vannieuwenhuyze, T., & Verbruggen, B. (2023). Optimizing YOLOv7 for Semiconductor Defect Detection. Proceedings of SPIE 12454.

Du, Y., Li, M., & Chen, C. (2025). EC-YOLO: Improved YOLOv7 Model for PCB Electronic Component Detection. Sensors, 24(13), 4363. https://www.mdpi.com/1424-8220/24/13/4363

Liu, J., Zhao, Q., & Wang, Y. (2025). YOLOv8-CA: An Improved YOLOv8 Model for PCB Defect Detection. Frontiers in Computer and Information Science, 7(2), 45–58.

Nguyen, T., & Kim, D. (2022). Real-time PCB defect detection using deep learning and image segmentation. Microelectronics Reliability, 128, 114536. https://doi.org/10.1016/j.microrel.2022.114536

Song, H., Zhang, Q., & Zhao, C. (2024). A vision-guided CNC drilling system based on deep learning and GRBL control. Journal of Intelligent Manufacturing, 35, 1023–1037. https://doi.org/10.1007/s10845-024-02051-3

Statista. (2025). Consumer Electronics – Indonesia Market Forecast. https://www.statista.com/outlook/cmo/consumer-electronics/indonesia




DOI: https://doi.org/10.30998/semnasristek.v10i1.8887

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: