Monitorando sistemas legados com a ajuda do Ultralytics YOLO11

Muitas empresas, especialmente na manufatura, automação industrial, aeroespacial, telecomunicações e energia, dependem de sistemas legados para suas operações diárias. No entanto, a manutenção desses sistemas mais antigos geralmente acarreta custos elevados e desafios técnicos. Apesar disso, o principal motivo pelo qual as empresas continuam a usar sistemas legados é que eles estão profundamente integrados aos seus fluxos de trabalho.

Quase dois terços das empresas gastam mais de US$ 2 milhões na manutenção e atualização de sistemas legados. Esses sistemas mais antigos foram construídos para uma época diferente, quando a automação e a análise em tempo real não eram uma prioridade. As empresas costumavam depender de processos manuais ou ferramentas de monitoramento obsoletas, o que levava a ineficiências e riscos operacionais mais altos. Como resultado, muitas empresas se veem presas a esses sistemas desatualizados, incapazes de transitar facilmente para soluções mais modernas sem interrupções significativas.

É aqui que a IA e a visão computacional, que permitem aos computadores entender e analisar dados visuais, podem intervir e ajudar. Especificamente, modelos de visão computacional como o Ultralytics YOLO11 podem ser usados para detectar e monitorar sistemas legados, como medidores e manômetros.

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

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

Link to this sectionDesafios relacionados à modernização de sistemas legados#

Sistemas legados são vitais para muitas indústrias, mas transformá-los em sistemas digitais nem sempre é simples. Modernizar esses sistemas é importante para aumentar a eficiência e reduzir riscos. Aqui estão alguns dos desafios técnicos e ambientais que as empresas enfrentam ao atualizar sistemas legados:

• Falta de interfaces digitais: Muitos sistemas legados foram projetados antes da transformação digital se tornar comum. Eles operam usando controles analógicos, medidores e indicadores mecânicos, tornando difícil a integração direta com soluções de monitoramento modernas.

• Altos custos de atualização: Substituir ou atualizar a infraestrutura legada pode ser caro e disruptivo. Muitas empresas hesitam em investir em substituições completas devido aos altos custos iniciais e preocupações com tempo de inatividade.

• Projetos de sistema inconsistentes: Maquinário mais antigo varia significativamente em estrutura, materiais e funcionalidade. Essa falta de padronização torna difícil aplicar uma solução digital uniforme em diferentes sistemas.

• Desafios na captura de dados em tempo real: Telas analógicas não foram projetadas para coleta automatizada de dados, dificultando a extração de leituras precisas em tempo real de mostradores, medidores ou contadores mecânicos.

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

Link to this sectionComo a Visão AI pode ajudar a monitorar sistemas legados#

Muitas máquinas legadas usam mostradores, medidores e manômetros analógicos que não podem ser conectados a sistemas digitais. Soluções de Visão AI podem usar câmeras para monitorar esses dispositivos, e as imagens podem ser processadas em tempo real para converter suas leituras em registros digitais para fácil rastreamento e relatório.

Um dos benefícios de usar visão computacional para isso é que problemas operacionais podem ser detectados quase instantaneamente. Em emergências, alertas automatizados podem notificar os operadores quando os valores excederem limites seguros.

Além disso, a visão computacional é uma opção mais econômica. Configurar câmeras e implementar um sistema de IA para analisar essas imagens é rentável em comparação com atualizações tradicionais ou métodos de monitoramento manuais. Em vez de atualizações de infraestrutura caras, modelos de Visão AI como o YOLO11 podem trabalhar com o equipamento existente, tornando a modernização mais acessível.

Link to this sectionSistemas de monitoramento legados habilitados pelo YOLO11#

Atualmente, a IA está em expansão, e há uma variedade de modelos e técnicas a serem considerados ao implementar uma solução de IA. Então, você pode estar se perguntando, o que torna um modelo como o YOLO11 tão especial?

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

Fig 3. Um exemplo do YOLO11 sendo usado para detecção de objetos.

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

Além disso, o YOLO11 é conhecido por seu desempenho superior em termos de precisão e velocidade em comparação com seus predecessores. Com 22% menos parâmetros que o YOLOv8m, o YOLO11m alcança uma precisão média (mAP) maior no dataset COCO.

Simplificando, o YOLO11 pode detectar objetos com mais precisão e rapidez, mesmo com menos poder de processamento. Isso o torna mais eficiente na detecção de problemas e no monitoramento de sistemas em tempo real, enquanto usa menos recursos, o que é especialmente útil para sistemas legados.

Link to this sectionAplicações do YOLO11 em sistemas de monitoramento legados#

A seguir, vamos explorar alguns casos de uso do mundo real onde o YOLO11 automatiza processos usando visão computacional para rastrear e analisar leituras, tudo sem a necessidade de modificar o equipamento existente.

Link to this sectionMonitoramento de manômetros analógicos usando YOLO11#

Várias máquinas industriais utilizam manômetros analógicos para medir pressão, temperatura e níveis de fluidos. Leituras manuais levam tempo e frequentemente levam a inconsistências, especialmente em operações de grande escala. O YOLO11 pode melhorar esses processos.

Aqui está uma visão mais detalhada de como o monitoramento de manômetros analógicos usando o YOLO11 geralmente funciona:

• Detecção de objetos: O YOLO11 primeiro detecta e localiza o medidor dentro de uma imagem, garantindo que ele seja identificado com precisão, mesmo em ambientes complexos.
• Segmentação de instâncias: Uma vez que o medidor é identificado, o YOLO11 usa segmentação de instâncias para separar elementos-chave como o ponteiro, a escala e as marcações numéricas. Isso é importante porque garante que o sistema foque apenas nas partes relevantes do medidor, removendo qualquer ruído de fundo ou distrações. Ao isolar essas áreas-chave, o próximo passo se torna mais preciso e eficiente.
• Reconhecimento Óptico de Caracteres (OCR): Finalmente, a tecnologia OCR pode ser usada para converter os números no medidor em dados digitais, permitindo que as empresas rastreiem medições sem a necessidade de leituras manuais.

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

Fig 4. Como o monitoramento de manômetros analógicos usando YOLO11 funciona. Imagem do autor.

Link to this sectionO YOLO11 pode simplificar o monitoramento de medidores de serviços públicos#

Muitos fornecedores de serviços públicos ainda dependem de medidores mecânicos para rastrear o consumo de água, gás e eletricidade. Em alguns casos, visitas manuais ao local são necessárias para coletar leituras, o que leva tempo e aumenta os custos.

O YOLO11 automatiza o processo de monitoramento usando visão computacional para detectar e recortar as partes relevantes dos mostradores do medidor. Ao fazer isso, os valores numéricos no mostrador podem ser isolados, e o OCR pode ser usado para lê-los.

Com os dados coletados usando visão computacional, os fornecedores de serviços públicos podem analisar padrões de consumo de forma mais eficaz. Integrar a análise de dados ao processo de monitoramento ajuda a rastrear 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.

Link to this sectionAnalisando painéis de controle com o YOLO11#

Sistemas legados como unidades de controle industrial, monitores de rede elétrica e painéis de automação de fábrica dependem de painéis de controle analógicos com interruptores, botões e luzes indicadoras para exibir o status da máquina e códigos de erro. Geralmente, os operadores inspecionam esses painéis manualmente, o que é demorado e aumenta o risco de respostas atrasadas.

O 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 status. Ele pode identificar se as luzes indicadoras estão mostrando avisos ou operação normal.

Por exemplo, se uma luz de aviso for ativada, o YOLO11 pode detectar a mudança imediatamente, e os operadores podem ser alertados, permitindo tempos de resposta mais rápidos e reduzindo o risco de perder problemas críticos.

Fig 5. Um painel de controle com luzes indicadoras.

Link to this sectionPrós e contras da modernização de sistemas legados#

A visão computacional é uma maneira prática de monitorar sistemas legados sem substituir o hardware existente. No entanto, como qualquer outra tecnologia, ela vem com vantagens e limitações. Vamos explorar ambos para ter uma ideia melhor de como ela pode ser aplicada de forma eficaz.

Aqui estão algumas maneiras pelas quais a Visão AI impacta positivamente o monitoramento de sistemas legados:

• Custos de longo prazo mais baixos: Embora a configuração inicial possa exigir investimento, a automação de tarefas de monitoramento e a redução de erros humanos podem levar a economias significativas ao longo do tempo.
• Consistência e confiabilidade: Ao contrário das inspeções humanas, que podem variar em qualidade e consistência, o YOLO11 oferece desempenho consistente e confiável ao longo do tempo.
• Tomada de decisão aprimorada: Dados e análises em tempo real melhoram a tomada de decisão, permitindo que os operadores façam escolhas informadas com base em informações atualizadas.

Enquanto isso, aqui estão algumas das considerações que precisam ser mantidas em mente:

• Dependência da qualidade da imagem: A visão computacional depende fortemente de imagens ou feeds de vídeo de alta qualidade. Má qualidade de imagem, baixa resolução ou má iluminação podem levar a detecções imprecisas ou perdidas.
• Vulnerabilidade a fatores ambientais: Ambientes hostis, como temperaturas extremas, poeira, vibrações ou interferências, podem degradar o desempenho dos sistemas de visão computacional.
• Complexidade no manuseio de grandes volumes de dados: Como o sistema coleta grandes quantidades de dados visuais, gerenciar, armazenar e analisar esses dados pode se tornar desafiador sem a infraestrutura adequada.

Link to this sectionPrincipais pontos#

Monitorar sistemas legados de forma eficiente nem sempre requer a substituição do hardware existente. Muitas empresas lidam com equipamentos obsoletos, mas a Visão AI oferece uma maneira de rastrear o desempenho sem fazer grandes mudanças.

O YOLO11 torna isso possível usando detecção de objetos e outras tarefas de visão computacional. Ele pode ler manômetros, medidores e painéis de controle com câmeras para monitoramento em tempo real, sem a necessidade de modificar o sistema. O modelo roda suavemente em dispositivos de borda, tornando-o um ótimo ajuste para indústrias com conectividade limitada em nuvem. Isso permite que as empresas processem dados no local e abordem problemas operacionais rapidamente.

Junte-se à nossa comunidade crescente! Explore nosso repositório no GitHub para aprender sobre IA, e confira nossas opções de licenciamento para começar seus projetos de Visão AI. Interessado em inovações como IA na saúde e visão computacional na agricultura? Visite nossas páginas de soluções para descobrir mais!