Les énergies fossiles (Pétrole, Charbon, …) représentent 80 % des énergies consommés. Malheureusement pour l’environnement, elles sont les plus polluantes. Le remplacement actuel des énergies fossiles permet au marché de l’électronique de puissance de grandir d’année en année. L’électronique de puissance permet d’adapter l’énergie électrique à son utilisation finale. Dans la pratique, l’adaptation de l’énergie électrique utilise des convertisseurs. En plus de respecter le volume, l’efficacité et la fiabilité imposés par le cahier des charges pour chaque application, l’électronique de puissance doit aussi permettre de réduire sensiblement les coûts. Le convertisseur doit assurer le fonctionnement électrique du circuit, le support mécanique des composants et la gestion thermique. Le package utilisé par les nouveaux composants à grand gap limite leurs performances. L’intégration des convertisseurs doit développer des méthodes d’interconnexion permettant d’éliminer ce package. L’objectif de la recherche sur l’intégration des convertisseurs est de repousser les limites imposées par un cahier des charges standard tout en assurant ces 3 fonctions principales. Parmi les nombreuses techniques d’intégration, le circuit imprimé (PCB) est mature industriellement, permet la fabrication collective et un assemblage automatisé. L’intégration utilisant le PCB a développé la technique d’enfouissement de puce avec laquelle la puce est directement enfouie dans le PCB sans son package. Cette thèse va étudier la méthode d’enfouissement pour les autres composants nécessaires à la réalisation d’un convertisseur (Condensateurs, Composants Magnétiques). Une optimisation du convertisseur qui doit être réalisé permet de prendre en compte les avantages de cette nouvelle technologie. Un prototype de convertisseur intégré a été réalisé avec des composants utilisant cette technologie. / With the endangering of the environment due to the use of fossil fuels, the power electronics market is growing through the years. The number of applications is increasing in numerous field as, for example, transport (electric car, "more electric" aircraft) or energy (photovoltaic, smart grid). Beyond meeting the volume, efficiency and reliability specifications for each application, power electronics should also reduce substantially costs. Today, the managing of the electric energy uses power electronic converters. The conception of a converter is a multiphysic problem. The converter has to ensure electrical functionality, mechanical support and proper thermal management.The new wide-band gap components are limited in performance by their package. The integration of a converter should use new interconnection methods to avoid the use of packaged components. The trend is to integrate the maximum of components into a single system. This integration can offer benefits such as size and weight reduction, cost saving and reliability improvement by managing the complexity and the high density of interconnection. Among many integration technologies available, Printed Circuit Board (PCB) is well known in the industry, allowing mass production with automated manufacturing and assembly. The PCB integration was developed with the “Die Embedding” technology in which a bare die in embedded directly in the PCB to not use package. This thesis studied the embedding technology on others components necessary to the realization of a converter (Capacitors, Magnetics, …). An optimization of the converter is done taking into account the advantages of this new technology. A prototype of an AC/DC bidirectional converter fully integrated using this technology was realized.

In the intricate domain of Printed Circuit Boards (PCBs), object detection poses unique challenges, particularly given the broad size spectrum of components, ranging from a mere 2 pixels to several thousand pixels within a single high-resolution image, often averaging 4000x3000 pixels. Such resolutions are atypical in the realm of deep learning for computer vision, making the task even more demanding. Further complexities arise from the significant intra-class variability and minimal inter-class differences for certain component classes. In this master thesis, we rigorously evaluated the performance of a CNN-based object detection framework (FCOS) and a transformer model (DETR) for the task. Additionally, by integrating the novel foundational model from Meta, named ”Segment Anything,” we advanced the pipeline to include instance segmentation. The resultant model is proficient in detecting and segmenting component instances on PCB images, achieving an F1 score of 81% and 82% for the primary component classes of resistors and capacitors, respectively. Overall, when aggregated over 18 component classes, the model attains a commendable F1 score of 74%. This study not only underscores the potential of advanced deep learning techniques in PCB analysis but also paves the way for future endeavors in this interdisciplinary convergence of electronics and computer vision / I det komplicerade området med kretskort (PCB) innebär objektdetektering unika utmaningar, särskilt med tanke på det breda storleksspektrumet av komponenter, från bara 2 pixlar till flera tusen pixlar i en enda högupplöst bild, ofta i genomsnitt 4000x3000 pixlar. Sådana upplösningar är atypiska när det gäller djupinlärning för datorseende, vilket gör uppgiften ännu mer krävande. Ytterligare komplexitet uppstår från den betydande variationen inom klassen och minimala skillnader mellan klasserna för vissa komponentklasser. I denna masteruppsats utvärderade vi noggrant prestandan hos ett CNNbaserat ramverk för objektdetektering (FCOS) och en transformatormodell (DETR) för uppgiften. Genom att integrera den nya grundmodellen från Meta, med namnet ”Segment Anything”, utvecklade vi dessutom pipelinen för att inkludera instanssegmentering. Den resulterande modellen är skicklig på att upptäcka och segmentera komponentinstanser på PCB-bilder och uppnår en F1-poäng på 81% och 82% för de primära komponentklasserna resistorer respektive kondensatorer. När modellen aggregeras över 18 komponentklasser uppnår den en F1-poäng på 74%. Denna studie understryker inte bara potentialen hos avancerade djupinlärningstekniker vid PCB-analys utan banar också väg för framtida insatser inom denna tvärvetenskapliga konvergens av elektronik och datorseende.