Ballarin, Caio Ramos2026-02-032026-02-032026-02-03https://dspace.unila.edu.br/handle/123456789/9655O projeto propõe um software de Automação de Projeto Eletrônico (EDA) capaz de transformar imagens de esquemáticos em arquivos de projeto de placa, reduzindo intervenção humana nas fases iniciais. A arquitetura inclui quatro módulos: (1) reconhecimento de topologia e geração de netlist, (2) seleção de componentes e montagem da PCB, (3) otimização eletrotérmica e simulação, e (4) exportação dos artefatos do projeto. Este estudo foca no módulo (1), usando o conversor Buck como caso de validação. O reconhecimento combina detecção visual e aprendizado por grafos: um detector YOLO11 aprimorado com o módulo de atenção GAM (YOLO-GAM) extrai símbolos e caixas delimitadoras; um pós-processamento constrói um grafo de componentes e conexões; finalmente, uma Graph Neural Network (GNN) valida e completa a netlist. O conversor Buck foi escolhido por reunir desafios típicos (componentes pequenos, junções e textos sobrepostos, variedade gráfica), nos quais o GAM melhora seletividade e a GNN incorpora restrições topológicas para corrigir ambiguidades e reduzir falsos positivos. As contribuições principais são: (i) avaliação empírica do impacto do módulo GAM na detecção de símbolos de pequenas dimensões; e (ii) integração prática entre o output do detector e a construção/classificação de grafos via GNN, com métricas que quantificam a fidelidade da netlist. Resultados indicam que a combinação YOLO-GAM + GNN oferece uma solução robusta e eficiente para automatizar a etapa inicial do fluxo EDA, acelerando prototipagem e diminuindo retrabalho. Resumen Este proyecto propone un software de Automatización de Diseño Electrónico (EDA) capaz de transformar imágenes de esquemáticos en archivos de diseño de placas, reduciendo la intervención humana en las etapas iniciales. La arquitectura incluye cuatro módulos principales: (1) reconocimiento de topología y generación de netlist, (2) selección de componentes y ensamblaje de la PCB, (3) optimización y simulación electro-térmica, y (4) exportación de los artefactos del proyecto. Este estudio se centra en el módulo (1), utilizando el convertidor Buck como caso de validación. El reconocimiento combina detección visual y aprendizaje basado en grafos: un detector YOLO11 mejorado con el módulo de atención GAM (YOLO-GAM) extrae símbolos y cajas delimitadoras; una rutina de posprocesamiento construye un grafo de componentes y conexiones; finalmente, una Red Neuronal de Grafos (GNN) valida y completa la netlist resultante. El convertidor Buck fue elegido porque recoge desafíos típicos de esquemáticos (componentes pequeños, uniones y textos superpuestos, variabilidad gráfica), donde GAM mejora la selectividad del detector y la GNN incorpora restricciones topológicas para corregir ambigüedades y reducir falsos positivos. Las principales contribuciones del trabajo son: (i) la evaluación empírica del impacto del módulo GAM en la detección de símbolos pequeños; y (ii) la integración práctica entre la salida del detector y la construcción/clasificación del grafo mediante GNN, utilizando métricas que cuantifican la fidelidad de la netlist. Los resultados indican que la combinación YOLO-GAM y GNN representa una solución eficiente y robusta para automatizar la fase inicial del flujo EDA, acelerando la prototipación y reduciendo retrabajos.openAccessInteligência artificialautomaçãoimagensplacas