Monitoramento de sistemas legados com a ajuda do Ultralytics YOLO11

Muitas empresas, principalmente dos setores de manufatura, automação industrial, aeroespacial, telecomunicações e energia, dependem de sistemas legados em suas operações diárias. No entanto, a manutenção desses sistemas antigos costuma envolver custos elevados e desafios técnicos. Apesar disso, o principal motivo para as empresas continuarem usando sistemas legados é que eles estão profundamente integrados aos seus fluxos de trabalho.

Quase dois terços das empresas gastam mais de US$ 2 milhões com a manutenção e a atualização de sistemas legados. Esses sistemas antigos foram desenvolvidos em outra época, quando a automação e a análise em tempo real não eram prioridades. As empresas costumavam depender de processos manuais ou ferramentas de monitoramento obsoletas, o que gerava ineficiências e maiores riscos operacionais. Por isso, muitas empresas acabam presas a esses sistemas ultrapassados, sem conseguir migrar facilmente para soluções mais modernas sem causar grandes interrupções.

É aí que a IA e a visão computacional, que permitem que os computadores entendam e analisem dados visuais, podem ajudar. Especificamente, modelos de visão computacional como Ultralytics YOLO11 podem ser usados para detectar e monitorar sistemas legados, como medidores e indicadores.

Neste artigo, vamos explorar como o Ultralytics YOLO11 pode ser usado no monitoramento de sistemas legados, quais são seus benefícios e como as empresas podem integrá-lo facilmente aos fluxos de trabalho existentes.

Fig. 1. Exemplos de sistemas legados. Imagem do autor.

Desafios relacionados à modernização de sistemas legados#

Os sistemas legados são essenciais para muitos setores, mas transformá-los em sistemas digitais nem sempre é simples. Modernizar esses sistemas é importante para aumentar a eficiência e reduzir os riscos. Veja alguns dos desafios técnicos e ambientais enfrentados pelas empresas ao atualizar sistemas legados:

• Falta de interfaces digitais: Muitos sistemas legados foram projetados antes de a transformação digital se tornar comum. Eles funcionam com controles analógicos, medidores e indicadores mecânicos, o que dificulta a integração direta com soluções modernas de monitoramento.
• Altos custos de atualização: Substituir ou atualizar a infraestrutura legada pode ser caro e causar interrupções. Muitas empresas hesitam em investir em substituições completas devido aos altos custos iniciais e à preocupação com o tempo de inatividade.
• Projetos de sistemas inconsistentes: Máquinas antigas variam muito em estrutura, materiais e funcionalidade. Essa falta de padronização dificulta a aplicação de uma solução digital uniforme em diferentes sistemas.
• Desafios na captura de dados em tempo real: Os mostradores analógicos não foram projetados para a coleta automatizada de dados, o que dificulta extrair leituras precisas e em tempo real de mostradores, medidores ou contadores mecânicos.

Fig. 2. Desafios relacionados à modernização de sistemas legados. Imagem do autor.

Como a IA visual pode ajudar a monitorar sistemas legados#

Muitas máquinas antigas usam mostradores, medidores e indicadores analógicos que não podem ser conectados a sistemas digitais. As soluções de IA de visão podem usar câmeras para monitorar esses dispositivos, e as imagens podem ser processadas em tempo real para converter as leituras em registros digitais, facilitando o rastreamento e a geração de relatórios.

Uma das vantagens de usar visão computacional para isso é que os problemas operacionais podem ser identificados quase instantaneamente. Em situações de emergência, alertas automatizados podem notificar os operadores quando os valores ultrapassarem os limites seguros.

Além disso, a visão computacional é uma opção mais econômica. Instalar câmeras e implementar um sistema de IA para analisar as imagens é mais barato do que recorrer a atualizações tradicionais ou métodos de monitoramento manual. Em vez de custosas atualizações de infraestrutura, modelos de IA visual como YOLO11 podem funcionar com os equipamentos existentes, tornando a modernização mais acessível.

Sistemas de monitoramento legado viabilizados pelo Ultralytics YOLO11#

Há muitos modelos e técnicas a considerar ao implementar uma solução de IA. Então, o que torna um modelo como o Ultralytics YOLO11 uma boa opção para monitoramento de sistemas antigos?

Ultralytics YOLO11 é compatível com várias tarefas de visão computacional, como detecção de objetos, segmentação de instâncias e rastreamento de objetos, e é ideal para monitoramento em tempo real. Uma de suas principais vantagens é a capacidade de funcionar com eficiência em dispositivos de borda. Isso significa que ele pode processar dados localmente, sem depender de uma conexão de rede forte ou de uma infraestrutura de nuvem.

Fig. 3. Um exemplo do uso do Ultralytics YOLO11 para detecção de objetos.

Em fábricas ou ambientes industriais com redes fracas ou instáveis, implantar o Ultralytics YOLO11 em dispositivos de borda garante monitoramento contínuo em tempo real sem interrupções, reduzindo a necessidade de soluções caras baseadas em nuvem e tornando-o uma opção mais acessível e prática para as empresas.

Além disso, o YOLO11 aprimora seus antecessores em precisão e velocidade. Com 22% menos parâmetros que o YOLOv8m, o YOLO11m alcança uma precisão média média (mAP) maior no conjunto de dados COCO.

Em poucas palavras, o Ultralytics YOLO11 pode detectar objetos com mais precisão e rapidez, mesmo com menos poder de processamento. Isso o torna mais eficiente para identificar problemas e monitorar sistemas em tempo real, usando menos recursos, o que é especialmente útil para sistemas antigos.

Aplicações do Ultralytics YOLO11 no monitoramento de sistemas legados#

A seguir, vamos explorar alguns casos de uso reais em que o Ultralytics YOLO11 automatiza processos usando visão computacional para rastrear e analisar leituras, sem precisar modificar os equipamentos existentes.

Monitoramento de medidores analógicos com o Ultralytics YOLO11#

Várias máquinas industriais usam medidores analógicos para medir pressão, temperatura e níveis de fluidos. Fazer leituras manualmente leva tempo e costuma causar inconsistências, especialmente em operações de grande escala. O Ultralytics YOLO11 pode aprimorar esses processos.

Veja mais de perto como costuma funcionar o monitoramento de medidores analógicos com o Ultralytics YOLO11:

• Detecção de objetos: primeiro, o Ultralytics YOLO11 detecta e localiza o medidor na imagem, garantindo sua identificação precisa, mesmo em ambientes complexos.
• Segmentação de instâncias: depois que o medidor é identificado, o Ultralytics YOLO11 usa a segmentação de instâncias para separar elementos importantes, como o ponteiro, a escala e as marcações numéricas. Isso é importante porque garante que o sistema se concentre apenas nas partes relevantes do medidor, eliminando ruídos e distrações do fundo. Ao isolar essas áreas importantes, a etapa seguinte se torna mais precisa e eficiente.
• Reconhecimento Óptico de Caracteres (OCR): por fim, a tecnologia OCR pode ser usada para converter os números do medidor em dados digitais, permitindo que as empresas acompanhem as medições sem precisar fazer leituras manualmente.

Embora esse seja o método geral, as etapas exatas podem variar dependendo de fatores como o tipo de medidor, as condições ambientais e o ângulo ou a qualidade das imagens capturadas. Podem ser feitos ajustes para garantir leituras precisas com base nessas variáveis.

Fig. 4. Como funciona o monitoramento de medidores analógicos com o Ultralytics YOLO11. Imagem do autor.

O Ultralytics YOLO11 pode simplificar o monitoramento de medidores de serviços públicos#

Muitos fornecedores de serviços públicos ainda dependem de medidores mecânicos para acompanhar o consumo de água, gás e eletricidade. Em alguns casos, é necessário fazer visitas ao local para coletar as leituras manualmente, o que leva tempo e aumenta os custos.

O Ultralytics YOLO11 automatiza o processo de monitoramento usando visão computacional para detectar e recortar as partes relevantes dos mostradores dos medidores. Assim, os valores numéricos no mostrador podem ser isolados e o OCR pode ser usado para lê-los. Conjuntos de dados rotulados, como Medidores de água na Ultralytics Platform, são um ponto de partida prático para treinar esse tipo de modelo.

Com os dados coletados usando visão computacional, os fornecedores de serviços públicos podem analisar os padrões de consumo com mais eficiência. Integrar a análise de dados ao processo de monitoramento ajuda a acompanhar tendências históricas de uso, identificar anomalias e detectar irregularidades, como picos ou quedas repentinas no consumo, que podem indicar problemas como vazamentos ou medidores com defeito.

Análise de painéis de controle com o Ultralytics YOLO11#

Sistemas legados, como unidades de controle industrial, monitores de redes elétricas e painéis de automação de fábricas, dependem de painéis de controle analógicos com interruptores, botões e luzes indicadoras para exibir o status das máquinas e códigos de erro. Em geral, os operadores inspecionam esses painéis manualmente, o que consome tempo e aumenta o risco de respostas tardias.

O Ultralytics YOLO11 pode otimizar esse processo identificando e rastreando com precisão os componentes do painel de controle. Ele pode detectar interruptores, etiquetas e luzes indicadoras, além de determinar suas posições e estados. Também pode identificar se as luzes indicadoras estão mostrando avisos ou o funcionamento normal.

Por exemplo, se uma luz de aviso acender, o Ultralytics YOLO11 pode detectar a mudança imediatamente e alertar os operadores, permitindo respostas mais rápidas e reduzindo o risco de deixar passar problemas críticos.

Fig. 5. Um painel de controle com luzes indicadoras.

Vantagens e desvantagens da modernização de sistemas legados#

A visão computacional é uma forma prática de monitorar sistemas legados sem substituir o hardware existente. No entanto, como qualquer outra tecnologia, ela tem vantagens e limitações. Vamos explorar os dois lados para entender melhor como aplicá-la com eficiência.

Veja algumas maneiras pelas quais a IA visual beneficia o monitoramento de sistemas legados:

• Custos menores a longo prazo: embora a configuração inicial possa exigir investimento, a automação das tarefas de monitoramento e a redução dos erros humanos podem gerar economias significativas ao longo do tempo.
• Consistência e confiabilidade: ao contrário das inspeções humanas, cuja qualidade e consistência podem variar, o Ultralytics YOLO11 oferece desempenho consistente e confiável ao longo do tempo.
• Tomada de decisões aprimorada: os dados e as análises em tempo real melhoram a tomada de decisões, permitindo que os operadores façam escolhas bem fundamentadas com base em informações atualizadas.

Por outro lado, veja alguns aspectos que precisam ser considerados:

• Dependência da qualidade da imagem: a visão computacional depende muito de imagens ou transmissões de vídeo de alta qualidade. Imagens de baixa qualidade, resolução baixa ou iluminação inadequada podem levar a detecções imprecisas ou não realizadas.
• Vulnerabilidade a fatores ambientais: ambientes rigorosos, como aqueles com temperaturas extremas, poeira, vibrações ou interferências, podem prejudicar o desempenho dos sistemas de visão computacional.
• Complexidade no gerenciamento de grandes volumes de dados: à medida que o sistema coleta grandes quantidades de dados visuais, gerenciá-los, armazená-los e analisá-los pode se tornar um desafio sem a infraestrutura adequada.

Principais conclusões#

Monitorar sistemas legados com eficiência nem sempre exige substituir o hardware existente. Muitas empresas lidam com equipamentos desatualizados, mas a IA visual oferece uma forma de acompanhar o desempenho sem fazer grandes mudanças.

O Ultralytics YOLO11 torna isso possível usando detecção de objetos e outras tarefas de visão computacional. Ele consegue ler medidores e painéis de controle com câmeras para monitoramento em tempo real, sem precisar modificar o sistema. O modelo funciona sem problemas em dispositivos de borda, o que o torna uma ótima opção para setores com conectividade limitada à nuvem. Isso permite que as empresas processem dados no local e resolvam rapidamente problemas operacionais.

Junte-se à nossa crescente comunidade! Explore nosso repositório no GitHub para aprender sobre IA e confira nossas opções de licenciamento para começar seus projetos de IA visual. Tem interesse em inovações como IA na área da saúde e visão computacional na agricultura? Acesse nossas páginas de soluções para saber mais!