Monitoramento de sistemas legados com a ajuda do Ultralytics YOLO11

Muitas empresas, principalmente nos setores de 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 altos custos e desafios técnicos. Apesar disso, a principal razão pela qual as empresas continuam a usar sistemas legados é que eles estão profundamente integrados em 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 confiar em processos manuais ou ferramentas de monitoramento desatualizadas, o que levava a ineficiências e maiores riscos operacionais. Como resultado, muitas empresas se veem presas a esses sistemas desatualizados, incapazes de fazer a transição facilmente para soluções mais modernas sem interrupções significativas.

É aqui que a IA e a visão computacional, que permitem que os computadores entendam e analisem dados visuais, podem intervir e ajudar. Especificamente, modelos de visão computacional como o Ultralytics YOLO11 podem ser usados para detetar e monitorizar sistemas legados, como medidores e indicadores.

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

‍

Desafios relacionados à modernização de sistemas legados

Os sistemas legados são vitais 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. 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 que a transformação digital se tornasse comum. Eles operam usando controles analógicos, medidores e indicadores mecânicos, dificultando 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 em grande escala devido aos altos custos iniciais e preocupações com o tempo de inatividade.

• Designs de sistema inconsistentes: Máquinas mais antigas variam significativamente 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 displays analógicos não foram projetados para coleta automatizada de dados, dificultando a extração de leituras precisas e em tempo real de mostradores, medidores ou contadores mecânicos.

‍

Como a Visão de IA pode ajudar a monitorar sistemas legados

Muitas máquinas legadas usam mostradores, medidores e indicadores analógicos que não podem ser conectados a sistemas digitais. As soluções de Visão de IA 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 geração de relatórios.

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

Além disso, a visão computacional é uma opção mais económica. Configurar câmeras e implementar um sistema de IA para analisar estas imagens é mais rentável em comparação com as atualizações tradicionais ou métodos de monitorização manual. Em vez de atualizações dispendiosas da infraestrutura, os modelos de Vision AI como o YOLO11 podem funcionar com o equipamento existente, tornando a modernização mais acessível.

Sistemas de monitoramento legados habilitados por YOLO11

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

O YOLO11 oferece suporte a 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 sua capacidade de ser executado de forma eficiente em dispositivos de borda. Isso significa que ele pode processar dados localmente, sem depender de uma conexão de rede forte ou infraestrutura de nuvem. 

‍

Em fábricas ou em ambientes industriais com redes fracas ou não confiáveis, a implantação do 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 escolha mais acessível e prática para as empresas.

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

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

Aplicações do YOLO11 em sistemas de monitoramento legados

Em seguida, 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.

Monitoramento de medidores analógicos usando YOLO11

Várias máquinas industriais utilizam medidores analógicos para medir pressão, temperatura e níveis de fluidos. As leituras manuais levam tempo e muitas vezes 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 medidores analógicos usando YOLO11 geralmente funciona:

• Detecção de objetos: O YOLO11 primeiro detecta e localiza o medidor dentro de uma imagem, garantindo que seja identificado com precisão, mesmo em ambientes complexos.
  
  
• Segmentação de instância: Uma vez que o medidor é identificado, o YOLO11 usa a segmentação de instância para separar elementos-chave 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, removendo qualquer ruído de fundo ou distrações. Ao isolar essas áreas-chave, a próxima etapa se torna mais precisa 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 as 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, as condições ambientais e o ângulo ou a qualidade das imagens capturadas. Ajustes podem ser feitos para garantir leituras precisas com base nessas variáveis.

‍

O YOLO11 pode simplificar o monitoramento de medidores de utilidade.

Muitas empresas de serviços públicos ainda dependem de medidores mecânicos para rastrear o consumo de água, gás e eletricidade. Em alguns casos, são necessárias visitas manuais ao local para coletar as 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 provedores de serviços públicos podem analisar os padrões de consumo de forma mais eficaz. A integração da análise de dados ao processo de monitoramento ajuda a rastrear as tendências históricas de uso, identificar anomalias e detectar irregularidades, como picos ou quedas repentinas no consumo, o que pode indicar problemas como vazamentos ou medidores defeituosos.

Analisando painéis de controle com 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 os códigos de erro. Geralmente, os operadores inspecionam esses painéis manualmente, o que consome tempo 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 e determinar suas posições e status. Ele pode identificar se as luzes indicadoras estão mostrando avisos ou operação normal. 

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

‍

Prós e contras 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 ambas para ter uma ideia melhor de como ela pode ser aplicada de forma eficaz.

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

• Custos de longo prazo mais baixos: Embora a configuração inicial possa exigir investimento, a automação das tarefas de monitoramento e a redução do erro humano 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 levadas em conta:

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

Principais conclusões

Monitorar sistemas legados de forma eficiente nem sempre requer a substituição do hardware existente. Muitas empresas lidam com equipamentos desatualizados, mas a Visão de IA 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 medidores, indicadores e painéis de controle com câmeras para monitoramento em tempo real, sem a necessidade de modificar o sistema. O modelo é executado sem problemas em dispositivos de borda, tornando-o uma ótima opção para indústrias com conectividade de nuvem limitada. Isso permite que as empresas processem dados no local e resolvam rapidamente problemas operacionais.

Junte-se à nossa crescente comunidade! Explore o nosso repositório no GitHub para saber mais sobre IA e consulte nossas opções de licenciamento para iniciar seus projetos de Vision AI. Interessado em inovações como IA na área da saúde e visão computacional na agricultura? Visite nossas páginas de soluções para descobrir mais!