مراقبة الأنظمة القديمة بمساعدة Ultralytics YOLO11

تعتمد شركات كثيرة، ولا سيما في التصنيع والأتمتة الصناعية والفضاء والاتصالات والطاقة، على الأنظمة القديمة في عملياتها اليومية. غير أن صيانة هذه الأنظمة غالبًا ما تنطوي على تكاليف باهظة وتحديات تقنية. ومع ذلك، فإن السبب الرئيسي لاستمرار الشركات في استخدام الأنظمة القديمة هو ترسخها بعمق في سير العمل لديها.

تنفق نحو ثلثي الشركات أكثر من مليوني دولار على صيانة الأنظمة القديمة وترقيتها. وقد بُنيت هذه الأنظمة القديمة في زمن مختلف، حين لم تكن الأتمتة والتحليلات الفورية من الأولويات. اعتادت الشركات الاعتماد على العمليات اليدوية أو أدوات المراقبة القديمة، ما أدى إلى انخفاض الكفاءة وارتفاع المخاطر التشغيلية. ونتيجة لذلك، تجد شركات كثيرة نفسها عالقة مع هذه الأنظمة المتقادمة، عاجزة عن الانتقال بسهولة إلى حلول أحدث دون اضطرابات كبيرة.

وهنا يأتي دور الذكاء الاصطناعي والرؤية الحاسوبية، اللذين يمكّنان الحواسيب من فهم البيانات المرئية وتحليلها. وعلى وجه التحديد، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لاكتشاف الأنظمة القديمة، مثل العدادات وأجهزة القياس، ومراقبتها.

سنستكشف في هذه المقالة كيفية استخدام Ultralytics YOLO11 لمراقبة الأنظمة القديمة، وفوائده، وكيفية دمجه بسهولة في سير العمل القائم لدى الشركات.

الشكل 1. أمثلة على الأنظمة القديمة. الصورة من إعداد المؤلف.

تحديات تحديث الأنظمة القديمة#

تُعد الأنظمة القديمة أساسية للعديد من الصناعات، لكن تحويلها إلى أنظمة رقمية ليس سهلًا دائمًا. ويكتسب تحديث هذه الأنظمة أهمية لتحسين الكفاءة والحد من المخاطر. إليك بعض التحديات التقنية والبيئية التي تواجهها الشركات عند تحديث الأنظمة القديمة:

• غياب الواجهات الرقمية: صُممت أنظمة قديمة كثيرة قبل شيوع التحول الرقمي. وهي تعمل باستخدام عناصر تحكم تناظرية وأجهزة قياس ومؤشرات ميكانيكية، ما يجعل دمجها مباشرةً مع حلول المراقبة الحديثة أمرًا صعبًا.
• ارتفاع تكاليف التحديث: قد يكون استبدال البنية التحتية القديمة أو تحديثها مكلفًا ومسببًا للاضطراب. وتتردد شركات كثيرة في الاستثمار في عمليات الاستبدال الشاملة بسبب ارتفاع التكاليف الأولية ومخاوف التوقف عن العمل.
• عدم اتساق تصميم الأنظمة: تختلف الآلات القديمة اختلافًا كبيرًا في البنية والمواد والوظائف. ويجعل غياب التوحيد القياسي تطبيق حل رقمي موحد على أنظمة مختلفة أمرًا صعبًا.
• تحديات التقاط البيانات في الوقت الفعلي: لم تُصمم شاشات العرض التناظرية لجمع البيانات آليًا، ما يصعّب استخراج قراءات دقيقة وفورية من الأقراص أو العدادات أو العدادات الميكانيكية.

الشكل 2. تحديات تحديث الأنظمة القديمة. الصورة من إعداد المؤلف.

كيف يمكن للذكاء الاصطناعي للرؤية المساعدة في مراقبة الأنظمة القديمة#

تستخدم كثير من الآلات القديمة أقراصًا ومقاييس ومؤشرات تناظرية لا يمكن توصيلها بالأنظمة الرقمية. يمكن لحلول الذكاء الاصطناعي البصري استخدام الكاميرات لمراقبة هذه الأجهزة، ثم معالجة الصور آنيًا لتحويل قراءاتها إلى سجلات رقمية يسهل تتبعها وإعداد التقارير عنها.

من فوائد استخدام الرؤية الحاسوبية لهذا الغرض إمكانية اكتشاف المشكلات التشغيلية على الفور تقريبًا. وفي حالات الطوارئ، يمكن للتنبيهات المؤتمتة إخطار المشغلين عندما تتجاوز القيم الحدود الآمنة.

إضافةً إلى ذلك، تُعد الرؤية الحاسوبية خيارًا أقل تكلفة. فتركيب الكاميرات وتنفيذ نظام ذكاء اصطناعي لتحليل الصور أقل تكلفةً من التحديثات التقليدية أو أساليب المراقبة اليدوية. وبدلًا من تحديث البنية التحتية بتكلفة باهظة، يمكن لـنماذج الذكاء الاصطناعي للرؤية مثل YOLO11 العمل مع المعدات القائمة، ما يجعل التحديث أقل تكلفة.

أنظمة مراقبة الأنظمة القديمة المدعومة بـ Ultralytics YOLO11#

هناك نماذج وتقنيات كثيرة ينبغي أخذها في الاعتبار عند تنفيذ حل للذكاء الاصطناعي. فما الذي يجعل نموذجًا مثل Ultralytics YOLO11 مناسبًا لمراقبة الأنظمة القديمة؟

يدعم Ultralytics YOLO11 مجموعة متنوعة من مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام وتقسيم المثيلات وتتبع الأجسام، وهو مثالي للمراقبة الآنية. ومن أبرز مزاياه قدرته على العمل بكفاءة على الأجهزة الطرفية. وهذا يعني أنه يستطيع معالجة البيانات محليًا، دون الاعتماد على اتصال شبكي قوي أو بنية تحتية سحابية.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأجسام.

في أرضيات المصانع أو البيئات الصناعية ذات الشبكات الضعيفة أو غير الموثوقة، يضمن نشر Ultralytics YOLO11 على الأجهزة الطرفية مراقبة مستمرة وآنية بلا انقطاع، ما يقلل الحاجة إلى الحلول السحابية المكلفة ويجعله خيارًا أوفر وأكثر عملية للشركات.

إضافة إلى ذلك، يتفوق YOLO11 على أسلافه من حيث الدقة والسرعة. فباستخدام عدد أقل من المعلمات بنسبة 22% مقارنةً بـ YOLOv8m، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO.

ببساطة، يستطيع Ultralytics YOLO11 اكتشاف الأجسام بدقة أكبر وبسرعة أعلى، حتى مع قدرة معالجة أقل. وهذا يجعله أكثر كفاءة في رصد المشكلات ومراقبة الأنظمة آنيًا مع استهلاك موارد أقل، وهو ما يفيد الأنظمة القديمة على وجه الخصوص.

تطبيقات Ultralytics YOLO11 في أنظمة المراقبة القديمة#

بعد ذلك، لنستكشف بعض حالات الاستخدام الواقعية التي يؤتمت فيها Ultralytics YOLO11 العمليات باستخدام الرؤية الحاسوبية لتتبع القراءات وتحليلها، دون الحاجة إلى تعديل المعدات الحالية.

مراقبة المقاييس التناظرية باستخدام Ultralytics YOLO11#

تستخدم آلات صناعية مختلفة مقاييس تناظرية لقياس الضغط ودرجة الحرارة ومستويات السوائل. تستغرق قراءة هذه المقاييس يدويًا وقتًا، وغالبًا ما تؤدي إلى تفاوت النتائج، ولا سيما في العمليات واسعة النطاق. ويمكن لـ Ultralytics YOLO11 تحسين هذه العمليات.

إليك نظرة أقرب على طريقة عمل مراقبة المقاييس التناظرية باستخدام Ultralytics YOLO11 عادةً:

• اكتشاف الأجسام: يكتشف Ultralytics YOLO11 المقياس ويحدد موقعه داخل الصورة أولًا، ما يضمن التعرف عليه بدقة حتى في البيئات المعقدة.
• تقسيم المثيلات: بعد تحديد المقياس، يستخدم Ultralytics YOLO11 تقسيم المثيلات لفصل العناصر الأساسية، مثل المؤشر والتدريج والعلامات الرقمية. وهذا مهم لأنه يضمن تركيز النظام على الأجزاء ذات الصلة بالمقياس فقط، مع إزالة أي تشويش أو عناصر مشتتة في الخلفية. ويساعد عزل هذه المناطق الأساسية على جعل الخطوة التالية أدق وأكثر كفاءة.
• التعرّف البصري على الأحرف (OCR): أخيرًا، يمكن استخدام تقنية OCR لتحويل الأرقام الظاهرة على المقياس إلى بيانات رقمية، ما يتيح للشركات تتبع القياسات دون الحاجة إلى قراءتها يدويًا.

مع أن هذه هي الطريقة العامة، قد تختلف الخطوات الدقيقة حسب عوامل مثل نوع المقياس والظروف البيئية وزاوية الصور الملتقطة أو جودتها. وقد تُجرى تعديلات لضمان دقة القراءات استنادًا إلى هذه المتغيرات.

الشكل 4. طريقة عمل مراقبة المقاييس التناظرية باستخدام Ultralytics YOLO11. الصورة من إعداد المؤلف.

يمكن لـ Ultralytics YOLO11 تبسيط مراقبة عدادات المرافق#

لا يزال العديد من مزودي خدمات المرافق يعتمدون على العدادات الميكانيكية لتتبع استهلاك المياه والغاز والكهرباء. وفي بعض الحالات، يلزم إجراء زيارات ميدانية يدوية لجمع القراءات، ما يستغرق وقتًا ويزيد التكاليف.

يؤتمت Ultralytics YOLO11 عملية المراقبة باستخدام الرؤية الحاسوبية لاكتشاف الأجزاء ذات الصلة من أقراص العدادات واقتصاصها. وبذلك، يمكن عزل القيم الرقمية على القرص واستخدام تقنية OCR لقراءتها. وتُعد مجموعات البيانات المصنفة، مثل عدادات المياه على منصة Ultralytics، نقطة انطلاق عملية لتدريب هذا النوع من النماذج.

باستخدام البيانات المجمعة عبر الرؤية الحاسوبية، يمكن لمزودي خدمات المرافق تحليل أنماط الاستهلاك بفعالية أكبر. ويساعد دمج تحليلات البيانات في عملية المراقبة على تتبع اتجاهات الاستخدام التاريخية وتحديد الحالات الشاذة واكتشاف المخالفات، مثل الارتفاعات أو الانخفاضات المفاجئة في الاستهلاك، التي قد تشير إلى مشكلات كالتسربات أو تعطل العدادات.

تحليل لوحات التحكم باستخدام Ultralytics YOLO11#

تعتمد الأنظمة القديمة، مثل وحدات التحكم الصناعية وأجهزة مراقبة شبكات الطاقة ولوحات أتمتة المصانع، على لوحات تحكم تناظرية مزودة بمفاتيح وأزرار وأضواء مؤشر لعرض حالة الآلات ورموز الأخطاء. وعمومًا، يفحص المشغلون هذه اللوحات يدويًا، ما يستغرق وقتًا ويزيد خطر تأخر الاستجابة.

يمكن لـ Ultralytics YOLO11 تحسين هذه العملية من خلال تحديد مكونات لوحة التحكم بدقة وتتبعها. إذ يستطيع اكتشاف المفاتيح والملصقات وأضواء المؤشر، وتحديد مواقعها وحالاتها. كما يمكنه معرفة ما إذا كانت أضواء المؤشر تعرض تحذيرات أم تشير إلى التشغيل العادي.

على سبيل المثال، إذا أضيء مصباح تحذير، يستطيع Ultralytics YOLO11 اكتشاف التغيير فورًا وإخطار المشغلين، ما يتيح الاستجابة بسرعة أكبر ويقلل خطر إغفال المشكلات الحرجة.

الشكل 5. لوحة تحكم مزودة بأضواء مؤشر.

إيجابيات تحديث الأنظمة القديمة وسلبياته#

الرؤية الحاسوبية وسيلة عملية لمراقبة الأنظمة القديمة دون استبدال الأجهزة الحالية. لكنها، شأنها شأن أي تقنية أخرى، تنطوي على مزايا وقيود. لنستكشف الجانبين لفهم كيفية تطبيقها بفعالية.

إليك بعض الطرق التي يؤثر بها الذكاء الاصطناعي المرئي إيجابيًا في مراقبة الأنظمة القديمة:

• خفض التكاليف على المدى الطويل: قد يتطلب الإعداد الأولي استثمارًا، لكن أتمتة مهام المراقبة وتقليل الأخطاء البشرية يمكن أن يحققا وفورات كبيرة بمرور الوقت.
• الاتساق والموثوقية: على خلاف عمليات الفحص البشرية التي قد تتفاوت جودتها واتساقها، يقدم Ultralytics YOLO11 أداءً متسقًا وموثوقًا بمرور الوقت.
• تحسين اتخاذ القرار: تحسن البيانات والتحليلات الآنية عملية اتخاذ القرار، ما يتيح للمشغلين اتخاذ خيارات مدروسة استنادًا إلى معلومات محدّثة.

وفي المقابل، إليك بعض الاعتبارات التي ينبغي أخذها في الحسبان:

• الاعتماد على جودة الصور: تعتمد الرؤية الحاسوبية اعتمادًا كبيرًا على الصور أو مقاطع الفيديو عالية الجودة. وقد تؤدي جودة الصور الرديئة أو الدقة المنخفضة أو الإضاءة السيئة إلى اكتشافات غير دقيقة أو فائتة.
• التأثر بالعوامل البيئية: قد تؤدي البيئات القاسية، مثل درجات الحرارة الشديدة والغبار والاهتزازات والتداخل، إلى تراجع أداء أنظمة الرؤية الحاسوبية.
• صعوبة التعامل مع أحجام البيانات الكبيرة: عندما يجمع النظام كميات كبيرة من البيانات المرئية، قد تصبح إدارتها وتخزينها وتحليلها أمرًا صعبًا في غياب بنية تحتية مناسبة.

أبرز النقاط#

لا تتطلب مراقبة الأنظمة القديمة بكفاءة استبدال الأجهزة الحالية دائمًا. فكثير من الشركات تتعامل مع معدات عفا عليها الزمن، لكن الذكاء الاصطناعي المرئي يتيح تتبع الأداء دون إجراء تغييرات كبيرة.

يتيح Ultralytics YOLO11 ذلك باستخدام اكتشاف الأجسام وغيرها من مهام الرؤية الحاسوبية. فهو يستطيع قراءة المقاييس والعدادات ولوحات التحكم باستخدام الكاميرات للمراقبة الآنية، دون الحاجة إلى تعديل النظام. ويعمل النموذج بسلاسة على الأجهزة الطرفية، ما يجعله مناسبًا جدًا للصناعات ذات الاتصال السحابي المحدود. ويتيح ذلك للشركات معالجة البيانات في الموقع ومعالجة المشكلات التشغيلية بسرعة.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub للتعرف على الذكاء الاصطناعي، واطّلع على خيارات الترخيص لبدء مشاريعك في مجال الذكاء الاصطناعي المرئي. هل تهتم بابتكارات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في الزراعة؟ تفضّل بزيارة صفحات حلولنا لاكتشاف المزيد!