مراقبة الأنظمة القديمة بمساعدة Ultralytics YOLO11

تعتمد العديد من الشركات، ولا سيما في مجالات التصنيع والأتمتة الصناعية والفضاء والاتصالات والطاقة، على الأنظمة القديمة في عملياتها اليومية. إلا أن صيانة هذه الأنظمة الأقدم غالبًا ما تنطوي على تكاليف مرتفعة وتحديات تقنية. ومع ذلك، فإن السبب الرئيسي لاستمرار الشركات في استخدام الأنظمة القديمة هو اندماجها العميق في سير العمل لديها.

تنفق نحو ثلثي الشركات أكثر من 2 مليون دولار على صيانة الأنظمة القديمة وترقيتها. وقد بُنيت هذه الأنظمة الأقدم لعصر مختلف، لم تكن فيه الأتمتة والتحليلات في الوقت الفعلي من الأولويات. وكانت الشركات تعتمد في السابق على العمليات اليدوية أو أدوات المراقبة القديمة، ما أدى إلى أوجه قصور وارتفاع المخاطر التشغيلية. ونتيجة لذلك، تجد العديد من الشركات نفسها عالقة مع هذه الأنظمة القديمة، وغير قادرة على الانتقال بسهولة إلى حلول أكثر حداثة دون حدوث اضطرابات كبيرة.

وهنا يأتي دور الذكاء الاصطناعي والرؤية الحاسوبية، اللذين يتيحان للحواسيب فهم البيانات المرئية وتحليلها. وعلى وجه التحديد، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لاكتشاف الأنظمة القديمة مثل العدادات والمقاييس ومراقبتها.

في هذه المقالة، سنستكشف كيفية استخدام Ultralytics YOLO11 في مراقبة الأنظمة القديمة، وفوائده، وكيف يمكن للشركات دمجه بسهولة في سير العمل الحالي لديها.

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

التحديات المتعلقة بتحديث الأنظمة القديمة#

تُعد الأنظمة القديمة حيوية للعديد من الصناعات، لكن تحويلها إلى أنظمة رقمية ليس أمرًا بسيطًا دائمًا. ويُعد تحديث هذه الأنظمة مهمًا لتعزيز الكفاءة وتقليل المخاطر. فيما يلي بعض التحديات التقنية والبيئية التي تواجهها الشركات عند تحديث الأنظمة القديمة:

• نقص الواجهات الرقمية: صُممت العديد من الأنظمة القديمة قبل شيوع التحول الرقمي. وهي تعمل باستخدام عناصر تحكم ومقاييس ومؤشرات ميكانيكية تناظرية، ما يجعل دمجها مباشرةً مع حلول المراقبة الحديثة أمرًا صعبًا.

• ارتفاع تكاليف الترقية: قد يكون استبدال البنية التحتية القديمة أو ترقيتها مكلفًا ومسببًا للاضطرابات. وتتردد العديد من الشركات في الاستثمار في عمليات استبدال واسعة النطاق بسبب ارتفاع التكاليف الأولية والمخاوف المتعلقة بفترات التوقف.

• عدم اتساق تصميمات الأنظمة: تختلف الآلات الأقدم اختلافًا كبيرًا في بنيتها وموادها ووظائفها. ويجعل هذا الافتقار إلى التوحيد القياسي من الصعب تطبيق حل رقمي موحد عبر الأنظمة المختلفة.

• تحديات التقاط البيانات في الوقت الفعلي: لم تُصمم شاشات العرض التناظرية لجمع البيانات آليًا، ما يجعل استخراج قراءات دقيقة وفي الوقت الفعلي من الأقراص والعدادات والعدادات الميكانيكية أمرًا صعبًا.

الشكل 2. التحديات المتعلقة بتحديث الأنظمة القديمة. الصورة من إعداد المؤلف.

كيف يمكن للذكاء الاصطناعي للرؤية المساعدة في مراقبة الأنظمة القديمة#

تستخدم العديد من الآلات القديمة أقراصًا وعدادات ومقاييس تناظرية لا يمكن توصيلها بالأنظمة الرقمية. ويمكن لـحلول الذكاء الاصطناعي للرؤية استخدام الكاميرات لمراقبة هذه الأجهزة، ثم معالجة الصور في الوقت الفعلي لتحويل قراءاتها إلى سجلات رقمية تسهّل التتبع وإعداد التقارير.

تتمثل إحدى فوائد استخدام الرؤية الحاسوبية لهذا الغرض في إمكانية اكتشاف المشكلات التشغيلية بشكل شبه فوري. وفي حالات الطوارئ، يمكن للتنبيهات الآلية إخطار المشغلين عندما تتجاوز القيم الحدود الآمنة.

إضافةً إلى ذلك، تُعد الرؤية الحاسوبية خيارًا أكثر اقتصادية. فإعداد الكاميرات وتطبيق نظام ذكاء اصطناعي لتحليل هذه الصور أقل تكلفة مقارنةً بالترقيات التقليدية أو أساليب المراقبة اليدوية. وبدلًا من ترقيات البنية التحتية المكلفة، يمكن لـنماذج الذكاء الاصطناعي للرؤية مثل YOLO11 العمل مع المعدات الحالية، ما يجعل التحديث أكثر توفيرًا للتكاليف.

أنظمة مراقبة الأنظمة القديمة المدعومة بـ Ultralytics YOLO11#

يشهد الذكاء الاصطناعي ازدهارًا في الوقت الحاضر، وهناك مجموعة متنوعة من النماذج والتقنيات التي يمكن مراعاتها عند تطبيق حل للذكاء الاصطناعي. ولذا، قد تتساءل: ما الذي يجعل نموذجًا مثل Ultralytics YOLO11 مميزًا إلى هذا الحد؟

يدعم Ultralytics YOLO11 مختلف مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم المثيلات وتتبع الكائنات، وهو مثالي للمراقبة في الوقت الفعلي. ومن أبرز مزاياه قدرته على العمل بكفاءة على الأجهزة الطرفية. وهذا يعني أنه يستطيع معالجة البيانات محليًا دون الاعتماد على اتصال قوي بالشبكة أو بنية تحتية سحابية.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الكائنات.

في أرضيات المصانع أو البيئات الصناعية التي تعاني من شبكات ضعيفة أو غير موثوقة، يضمن نشر Ultralytics YOLO11 على الأجهزة الطرفية مراقبة مستمرة وفي الوقت الفعلي دون انقطاعات، ما يقلل الحاجة إلى الحلول السحابية المكلفة ويجعله خيارًا أكثر توفيرًا للتكاليف وعملية للشركات.

علاوةً على ذلك، يشتهر YOLO11 بأدائه المتفوق من حيث الدقة والسرعة مقارنةً بإصداراته السابقة. فباستخدام عدد من المعلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة (mAP) أعلى على مجموعة بيانات COCO.

ببساطة، يستطيع Ultralytics YOLO11 اكتشاف الكائنات بدقة وسرعة أكبر، حتى مع قدرة معالجة أقل. وهذا يجعله أكثر كفاءة في اكتشاف المشكلات ومراقبة الأنظمة في الوقت الفعلي، مع استخدام موارد أقل، وهو أمر مفيد خصوصًا للأنظمة القديمة.

تطبيقات Ultralytics YOLO11 في أنظمة مراقبة الأنظمة القديمة#

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

مراقبة المقاييس التناظرية باستخدام Ultralytics YOLO11#

تستخدم آلات صناعية مختلفة مقاييس تناظرية لقياس الضغط ودرجة الحرارة ومستويات السوائل. وتستغرق القراءات اليدوية وقتًا، وغالبًا ما تؤدي إلى عدم الاتساق، ولا سيما في العمليات واسعة النطاق. ويمكن لـ Ultralytics YOLO11 تحسين هذه العمليات.

إليك نظرةً أقرب على كيفية عمل مراقبة المقاييس التناظرية باستخدام Ultralytics YOLO11 عادةً:

• اكتشاف الكائنات: يكتشف Ultralytics YOLO11 المقياس داخل الصورة ويحدّد موقعه أولًا، ما يضمن تحديده بدقة حتى في البيئات المعقدة.
• تقسيم المثيلات: بعد تحديد المقياس، يستخدم Ultralytics YOLO11 تقسيم المثيلات لفصل العناصر الأساسية مثل المؤشر والتدرج والعلامات الرقمية. وهذا مهم لأنه يضمن تركيز النظام على الأجزاء ذات الصلة من المقياس فقط، مع إزالة ضوضاء الخلفية أو عوامل التشتيت. وبعزل هذه المناطق الأساسية، تصبح الخطوة التالية أكثر دقة وكفاءة.
• التعرّف الضوئي على الحروف (OCR): أخيرًا، يمكن استخدام تقنية OCR لتحويل الأرقام الموجودة على المقياس إلى بيانات رقمية، ما يتيح للشركات تتبع القياسات دون الحاجة إلى قراءات يدوية.

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

الشكل 4. كيفية 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.

يعمل Ultralytics YOLO11 على أتمتة عملية المراقبة باستخدام الرؤية الحاسوبية لاكتشاف الأجزاء ذات الصلة من أقراص العدادات واقتصاصها. وبذلك، يمكن عزل القيم الرقمية الموجودة على القرص، ثم استخدام OCR لقراءتها.

باستخدام البيانات المجمعة عبر الرؤية الحاسوبية، يستطيع مزودو خدمات المرافق تحليل أنماط الاستهلاك بفاعلية أكبر. ويساعد دمج تحليلات البيانات في عملية المراقبة على تتبع اتجاهات الاستخدام التاريخية، وتحديد الحالات الشاذة، واكتشاف حالات عدم الانتظام مثل الارتفاعات أو الانخفاضات المفاجئة في الاستهلاك، والتي قد تشير إلى مشكلات مثل التسربات أو أعطال 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 الآلة ورموز الأخطاء. وعادةً ما 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 وتتبعها بدقة. إذ يستطيع اكتشاف المفاتيح والملصقات وأضواء المؤشر، وتحديد مواقعها وحالاتها. كما يمكنه تحديد ما إذا كانت أضواء المؤشر تعرض تحذيرات أو تشير إلى التشغيل الطبيعي.

على سبيل المثال، إذا أُضيء ضوء تحذير، يستطيع Ultralytics YOLO11 اكتشاف التغيير فورًا، ويمكن إخطار المشغلين، ما يتيح أوقات استجابة أسرع ويقلل خطر عدم اكتشاف المشكلات الحرجة.

الشكل 5. لوحة تحكم مزودة بأضواء مؤشر.

إيجابيات وسلبيات تحديث الأنظمة القديمة#

تُعد الرؤية الحاسوبية وسيلة عملية لمراقبة الأنظمة القديمة دون استبدال الأجهزة الحالية. ومع ذلك، فهي، شأنها شأن أي تقنية أخرى، تنطوي على مزايا وقيود. دعونا نستكشف كلا الجانبين لفهم كيفية تطبيقها بفاعلية على نحو أفضل.

فيما يلي بعض الطرق التي يؤثر بها الذكاء الاصطناعي للرؤية إيجابيًا في مراقبة الأنظمة القديمة:

• انخفاض التكاليف على المدى الطويل: رغم أن الإعداد الأولي قد يتطلب استثمارًا، فإن أتمتة مهام المراقبة وتقليل الأخطاء البشرية يمكن أن يؤديَا إلى وفورات كبيرة بمرور الوقت.
• الاتساق والموثوقية: بخلاف عمليات الفحص البشرية، التي قد تتفاوت في الجودة والاتساق، يوفر Ultralytics YOLO11 أداءً متسقًا وموثوقًا بمرور الوقت.
• تحسين اتخاذ القرارات: تعمل البيانات والتحليلات في الوقت الفعلي على تحسين اتخاذ القرارات، ما يتيح للمشغلين اتخاذ خيارات مدروسة استنادًا إلى معلومات محدثة.

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

• الاعتماد على جودة الصورة: تعتمد الرؤية الحاسوبية بدرجة كبيرة على الصور أو تدفقات الفيديو عالية الجودة. وقد تؤدي جودة الصورة الرديئة أو الدقة المنخفضة أو الإضاءة السيئة إلى اكتشافات غير دقيقة أو إلى عدم اكتشاف بعض العناصر.
• التأثر بالعوامل البيئية: يمكن للبيئات القاسية، مثل درجات الحرارة القصوى والغبار والاهتزازات والتداخل، أن تقلل أداء أنظمة الرؤية الحاسوبية.
• التعقيد في التعامل مع أحجام البيانات الكبيرة: مع جمع النظام كميات كبيرة من البيانات المرئية، قد تصبح إدارة هذه البيانات وتخزينها وتحليلها أمرًا صعبًا من دون بنية تحتية مناسبة.

أهم النقاط المستخلصة#

لا تتطلب مراقبة الأنظمة القديمة بكفاءة دائمًا استبدال الأجهزة الحالية. إذ تتعامل العديد من الشركات مع معدات قديمة، لكن الذكاء الاصطناعي للرؤية يوفر وسيلة لتتبع الأداء دون إجراء تغييرات كبيرة.

يجعل Ultralytics YOLO11 ذلك ممكنًا باستخدام اكتشاف الكائنات وغيرها من مهام الرؤية الحاسوبية. إذ يمكنه قراءة المقاييس والعدادات ولوحات التحكم باستخدام الكاميرات للمراقبة في الوقت الفعلي، 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! واستكشف مستودعنا على GitHub للتعرف على الذكاء الاصطناعي، واطّلع على خيارات الترخيص لبدء مشروعاتك في الذكاء الاصطناعي للرؤية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في الزراعة؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد!