Este trabajo propone un nuevo enfoque a la detección y clasificación de componentes electrónicos mediante la utilización de estrategias de Deep Learning.
La detección y clasificación de los componentes electrónicos, resulta esencial dentro del campo de las reparaciones electrónicas. Previamente a poder reparar cualquier diseño electrónico, es necesario tener un elevado conocimiento sobre su funcionamiento. En la mayoría de los casos el fabricante no provee de ninguna información sobre el circuito, por lo que es responsabilidad del experto generarla. El proceso de ingeniería inversa de un sistema electrónico, con el que se obtiene un análisis completo del diseño, es una actividad larga y costosa. Este proceso puede llevar desde varios días hasta semanas de trabajo a un ingeniero experto, lo que resulta costoso y justificable en escasas ocasiones.
Con este trabajo se propone un modelo con el que realizar el análisis automático de las primeras etapas del proceso de ingeniería inversa, la detección y clasificación de componentes. En el trabajo se acometerán ambos problemas en etapas diferentes.
Para la etapa de detección de los componentes sobre la PCB se utilizará un enfoque basado en propuestas previas del campo de análisis de imágenes satelitales. Frente a las estrategias de trabajos previos de detección de componentes, nuestra propuesta consigue superar las limitaciones de las dimensiones máximas de los diseños a analizar y se permite trabajar con circuitos independientemente de su complejidad.
La etapa de clasificación incluye un trabajo de investigación mediante distintas estrategias de clasificación. Debido a la naturaleza de los diseños electrónicos, se ha trabajado con un enfoque basado en el análisis de la incertidumbre. Se han probado nuevas estrategias del campo del Deep Learning, como son las capas de Monte Carlo dropout. Además, uno de los problemas principales de los datos obtenidos de componentes electrónicos es el desbalanceo entre clases. Para solventarlo se ha analizado el impacto que tienen diferentes estrategias previas para el entrenamiento con datos desbalanceados sobre nuestro modelo.
Como parte de este trabajo también se incluye la creación de un dataset a partir de placas reales obtenidas del Servicio de Fabricación de Prototipos del IUMA. Este dataset ha permitido una nueva propuesta de clasificación de los componentes según su morfología.
Todas las propuestas realizadas dentro del trabajo han sido analizadas independientemente. Basándonos en los resultados obtenidos en cada parte, se ha propuesto el modelo global del sistema que mejor se adapta a las características del problema. Finalmente, se ha validado el modelo global sobre un conjunto de circuitos reales y se han extraído las métricas de rendimiento del sistema en su conjunto.

This work proposes a new approach to the detection and classification of electronic components using Deep Learning strategies.
The detection and classification of electronic components are essential in the field of electronic repairs. Before repairing any electronic design, it is necessary to have a high level of knowledge about how it works. In most cases the manufacturer does not provide is any information about the circuit, so it's the responsibility of the expert to generated. The process of fully reverse engineering an electronic system is a lengthy and costly activity. This process can take up to several days of work for a skilled engineer, which is costly and only rarely justifiable.
This work proposes a model to perform the automatic analysis of the first stages of the reverse engineering process, the detection and classification of components. This work focuses on both problems but solves them separately.
For the stage of component detection on the PCB, we propose an approach based on previous works in the field of satellite image analysis. Compared to the strategies of previous works around component detection, our solution overcomes the limitations on the maximum dimensions of the designs to be analysed and allows working with circuits regardless of their complexity.
The classification stage includes research work on different classification strategies. Due to the nature of electronic designs, we have introduced an approach based on uncertainty analysis. In this context, we have tested new strategies from the field of Deep Learning, such as Monte Carlo dropout layers. In addition, one of the main problems of the data obtained from electronic components is the imbalance between classes. To mitigate their effects, we have analysed the impact of different prior strategies for training with unbalanced data on our model.
This work also includes the creation of a dataset composed of real boards obtained from the “Servicio de Fabricación de Propotipos” of the IUMA. This dataset has allowed the development of this work and supports a new proposal for the classification of components focused on generating the classes bases on morphology instead of their use.
All the proposals made in the work have been analysed independently. Based on the results obtained in each part, we have proposed the global model of the system that best adapts to the characteristics of the problem. Finally, the global model of the proposal has been validated on a set of real circuits. From the results, we have extracted the performance metrics of the system.

• Presidente: Antonio Núñez Ordóñez
• Secretario: Pablo Vicente Hernández Morera
• Vocal: Gustavo Marrero Callicó