Surveiller les systèmes existants avec l’aide d’Ultralytics YOLO11

De nombreuses entreprises, notamment dans les secteurs de la fabrication, de l’automatisation industrielle, de l’aérospatiale, des télécommunications et de l’énergie, dépendent de systèmes existants pour leurs opérations quotidiennes. Cependant, la maintenance de ces anciens systèmes entraîne souvent des coûts élevés et des difficultés techniques. Malgré cela, la principale raison pour laquelle les entreprises continuent d’utiliser des systèmes existants est qu’ils sont profondément intégrés à leurs flux de travail.

Près des deux tiers des entreprises consacrent plus de 2 millions de dollars à la maintenance et à la mise à niveau des systèmes existants. Ces anciens systèmes ont été conçus à une autre époque, lorsque l’automatisation et l’analyse en temps réel n’étaient pas prioritaires. Les entreprises s’appuyaient auparavant sur des processus manuels ou des outils de surveillance obsolètes, ce qui entraînait des inefficacités et des risques opérationnels plus élevés. Par conséquent, de nombreuses entreprises se retrouvent contraintes de conserver ces systèmes obsolètes, sans pouvoir passer facilement à des solutions plus modernes sans perturbations importantes.

C’est là que l’IA et la vision par ordinateur, qui permettent aux ordinateurs de comprendre et d’analyser les données visuelles, peuvent intervenir et apporter leur aide. Plus précisément, des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être utilisés pour détecter et surveiller des systèmes existants tels que des compteurs et des jauges.

Dans cet article, nous verrons comment utiliser Ultralytics YOLO11 pour surveiller les systèmes existants, quels sont ses avantages et comment les entreprises peuvent l’intégrer facilement à leurs flux de travail actuels.

Fig. 1. Exemples de systèmes existants. Image réalisée par l’auteur.

Défis liés à la modernisation des systèmes existants#

Les systèmes existants sont essentiels dans de nombreux secteurs, mais leur transformation en systèmes numériques n’est pas toujours simple. La modernisation de ces systèmes est importante pour améliorer l’efficacité et réduire les risques. Voici les défis techniques et environnementaux auxquels les entreprises sont confrontées lorsqu’elles mettent à jour leurs systèmes existants :

• Absence d’interfaces numériques : De nombreux systèmes existants ont été conçus avant que la transformation numérique ne se généralise. Ils fonctionnent à l’aide de commandes analogiques, de jauges et d’indicateurs mécaniques, ce qui rend leur intégration directe avec les solutions de surveillance modernes difficile.

• Coûts de mise à niveau élevés : Le remplacement ou la mise à niveau d’une infrastructure existante peut être coûteux et perturbant. De nombreuses entreprises hésitent à investir dans des remplacements complets en raison des coûts initiaux élevés et des inquiétudes liées aux temps d’arrêt.

• Conceptions de systèmes incohérentes : Les anciennes machines varient considérablement en termes de structure, de matériaux et de fonctionnalités. Cette absence de standardisation rend difficile l’application d’une solution numérique uniforme à différents systèmes.

• Difficultés liées à la capture des données en temps réel : Les affichages analogiques n’ont pas été conçus pour la collecte automatisée de données, ce qui rend difficile l’extraction de relevés précis en temps réel à partir de cadrans, de compteurs ou de compteurs mécaniques.

Fig. 2. Défis liés à la modernisation des systèmes existants. Image réalisée par l’auteur.

Comment l’IA appliquée à la vision peut aider à surveiller les systèmes existants#

De nombreuses machines existantes utilisent des cadrans, des compteurs et des jauges analogiques qui ne peuvent pas être connectés aux systèmes numériques. Les solutions d’IA appliquée à la vision peuvent utiliser des caméras pour surveiller ces appareils, puis traiter les images en temps réel afin de convertir leurs relevés en données numériques faciles à suivre et à exploiter dans des rapports.

L’un des avantages de l’utilisation de la vision par ordinateur dans ce contexte est que les problèmes opérationnels peuvent être détectés presque instantanément. En cas d’urgence, des alertes automatisées peuvent avertir les opérateurs lorsque les valeurs dépassent les limites de sécurité.

Par ailleurs, la vision par ordinateur constitue une option plus économique. Installer des caméras et mettre en œuvre un système d’IA pour analyser ces images est rentable comparé aux mises à niveau traditionnelles ou aux méthodes de surveillance manuelle. Plutôt que d’investir dans des mises à niveau d’infrastructure coûteuses, les modèles d’IA appliquée à la vision comme YOLO11 peuvent fonctionner avec les équipements existants, rendant la modernisation plus abordable.

Systèmes de surveillance existants optimisés par Ultralytics YOLO11#

Aujourd’hui, l’IA connaît un essor considérable et il existe une grande variété de modèles et de techniques à prendre en compte lors de la mise en œuvre d’une solution d’IA. Tu te demandes peut-être ce qui rend un modèle comme Ultralytics YOLO11 si spécial.

Ultralytics YOLO11 prend en charge diverses tâches de vision par ordinateur, comme la détection d’objets, la segmentation d’instances et le suivi d’objets, et il est idéal pour la surveillance en temps réel. L’un de ses principaux avantages est sa capacité à fonctionner efficacement sur des appareils edge. Cela signifie qu’il peut traiter les données localement, sans dépendre d’une connexion réseau performante ni d’une infrastructure cloud.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour la détection d’objets.

Dans les ateliers de production ou les environnements industriels disposant de réseaux faibles ou peu fiables, le déploiement d’Ultralytics YOLO11 sur des appareils edge garantit une surveillance continue en temps réel, sans interruption. Cela réduit le besoin de solutions cloud coûteuses et en fait un choix plus abordable et pratique pour les entreprises.

De plus, YOLO11 est connu pour ses performances supérieures en termes de précision et de vitesse par rapport à ses prédécesseurs. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m atteint une précision moyenne moyenne (mAP) plus élevée sur le jeu de données COCO.

En termes simples, Ultralytics YOLO11 peut détecter les objets avec davantage de précision et plus rapidement, même avec une puissance de traitement moindre. Il est ainsi plus efficace pour repérer les problèmes et surveiller les systèmes en temps réel tout en utilisant moins de ressources, ce qui est particulièrement utile pour les systèmes existants.

Applications d’Ultralytics YOLO11 aux systèmes de surveillance existants#

Voyons maintenant quelques cas d’utilisation concrets dans lesquels Ultralytics YOLO11 automatise les processus en utilisant la vision par ordinateur pour suivre et analyser les relevés, sans qu’il soit nécessaire de modifier les équipements existants.

Surveillance des jauges analogiques avec Ultralytics YOLO11#

Diverses machines industrielles utilisent des jauges analogiques pour mesurer la pression, la température et les niveaux de fluides. Les relevés manuels prennent du temps et entraînent souvent des incohérences, en particulier dans les opérations à grande échelle. Ultralytics YOLO11 peut améliorer ces processus.

Voici de plus près comment fonctionne généralement la surveillance des jauges analogiques avec Ultralytics YOLO11 :

• Détection d’objets : Ultralytics YOLO11 détecte et localise d’abord la jauge dans une image, afin de garantir son identification précise, même dans des environnements complexes.
• Segmentation d’instances : Une fois la jauge identifiée, Ultralytics YOLO11 utilise la segmentation d’instances pour séparer les éléments clés tels que l’aiguille, l’échelle et les graduations numériques. Cette étape est importante, car elle garantit que le système se concentre uniquement sur les parties pertinentes de la jauge, en éliminant le bruit ou les distractions de l’arrière-plan. En isolant ces zones clés, l’étape suivante devient plus précise et plus efficace.
• Reconnaissance optique de caractères (OCR) : Enfin, la technologie OCR peut être utilisée pour convertir les chiffres de la jauge en données numériques, ce qui permet aux entreprises de suivre les mesures sans effectuer de relevés manuels.

Bien qu’il s’agisse de la méthode générale, les étapes exactes peuvent varier selon des facteurs tels que le type de jauge, les conditions environnementales et l’angle ou la qualité des images capturées. Des ajustements peuvent être apportés pour garantir la précision des relevés en fonction de ces variables.

Fig. 4. Fonctionnement de la surveillance des jauges analogiques avec Ultralytics YOLO11. Image réalisée par l’auteur.

Ultralytics YOLO11 peut simplifier la surveillance des compteurs de services publics#

De nombreux fournisseurs de services publics dépendent encore de compteurs mécaniques pour suivre la consommation d’eau, de gaz et d’électricité. Dans certains cas, des visites manuelles sur site sont nécessaires pour relever les compteurs, ce qui prend du temps et augmente les coûts.

Ultralytics YOLO11 automatise le processus de surveillance en utilisant la vision par ordinateur pour détecter et recadrer les parties pertinentes des cadrans des compteurs. Les valeurs numériques du cadran peuvent ainsi être isolées, puis l’OCR peut être utilisé pour les lire.

Grâce aux données collectées par vision par ordinateur, les fournisseurs de services publics peuvent analyser plus efficacement les habitudes de consommation. L’intégration de l’analyse des données au processus de surveillance permet de suivre les tendances historiques d’utilisation, d’identifier les anomalies et de détecter les irrégularités, telles que les hausses ou baisses soudaines de consommation, qui peuvent indiquer des problèmes comme des fuites ou des compteurs défectueux.

Analyse des panneaux de commande avec Ultralytics YOLO11#

Les systèmes existants tels que les unités de commande industrielles, les moniteurs de réseau électrique et les panneaux d’automatisation d’usine reposent sur des panneaux de commande analogiques équipés d’interrupteurs, de boutons et de voyants pour afficher l’état des machines et les codes d’erreur. En général, les opérateurs inspectent manuellement ces panneaux, ce qui prend du temps et augmente le risque de retards dans les interventions.

Ultralytics YOLO11 peut optimiser ce processus en identifiant et en suivant précisément les composants du panneau de commande. Il peut détecter les interrupteurs, les étiquettes et les voyants, ainsi que déterminer leur position et leur état. Il peut identifier si les voyants signalent des avertissements ou un fonctionnement normal.

Par exemple, si un voyant d’avertissement s’allume, Ultralytics YOLO11 peut détecter immédiatement le changement et alerter les opérateurs, ce qui permet de réagir plus rapidement et réduit le risque de manquer des problèmes critiques.

Fig. 5. Un panneau de commande avec des voyants.

Avantages et inconvénients de la modernisation des systèmes existants#

La vision par ordinateur est un moyen pratique de surveiller les systèmes existants sans remplacer le matériel actuel. Cependant, comme toute autre technologie, elle présente des avantages et des limites. Examinons les deux aspects pour mieux comprendre comment l’appliquer efficacement.

Voici quelques avantages de l’IA appliquée à la vision pour la surveillance des systèmes existants :

• Réduction des coûts à long terme : Même si la mise en place initiale peut nécessiter un investissement, l’automatisation des tâches de surveillance et la réduction des erreurs humaines peuvent entraîner des économies importantes au fil du temps.
• Cohérence et fiabilité : Contrairement aux inspections humaines, dont la qualité et la régularité peuvent varier, Ultralytics YOLO11 offre des performances cohérentes et fiables dans le temps.
• Amélioration de la prise de décision : Les données et analyses en temps réel améliorent la prise de décision, permettant aux opérateurs de faire des choix éclairés à partir d’informations actualisées.

Voici maintenant quelques points à prendre en compte :

• Dépendance à la qualité des images : La vision par ordinateur dépend fortement de la qualité des images ou des flux vidéo. Une mauvaise qualité d’image, une faible résolution ou un éclairage insuffisant peuvent entraîner des détections inexactes ou manquées.
• Vulnérabilité aux facteurs environnementaux : Les environnements difficiles, tels que ceux soumis à des températures extrêmes, à la poussière, aux vibrations ou aux interférences, peuvent dégrader les performances des systèmes de vision par ordinateur.
• Complexité de la gestion de grands volumes de données : Lorsque le système collecte de grandes quantités de données visuelles, leur gestion, leur stockage et leur analyse peuvent devenir difficiles sans une infrastructure adaptée.

Points clés à retenir#

Surveiller efficacement les systèmes existants ne nécessite pas toujours de remplacer le matériel actuel. De nombreuses entreprises utilisent des équipements obsolètes, mais l’IA appliquée à la vision permet de suivre leurs performances sans apporter de changements majeurs.

Ultralytics YOLO11 rend cela possible grâce à la détection d’objets et à d’autres tâches de vision par ordinateur. Il peut lire les jauges, les compteurs et les panneaux de commande à l’aide de caméras pour assurer une surveillance en temps réel, sans qu’il soit nécessaire de modifier le système. Le modèle fonctionne efficacement sur des appareils edge, ce qui le rend particulièrement adapté aux secteurs disposant d’une connectivité cloud limitée. Les entreprises peuvent ainsi traiter les données sur site et résoudre rapidement les problèmes opérationnels.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en apprendre davantage sur l’IA et consulte nos options de licence pour commencer tes projets d’IA appliquée à la vision. Tu t’intéresses à des innovations comme l’IA dans le secteur de la santé et la vision par ordinateur dans l’agriculture ? Consulte nos pages consacrées aux solutions pour en savoir plus !