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 2 milhões de dólares na manutenção e atualização de sistemas legados. Esses sistemas mais antigos foram construídos para outra época, quando a automação e a análise em tempo real não eram prioridade. As empresas costumavam depender de processos manuais ou ferramentas de monitoramento desatualizadas, o que levava a ineficiências e maiores riscos operacionais. Como resultado, muitas empresas se encontram presas a esses sistemas antiquados, incapazes de fazer a transição fácil para soluções mais modernas sem grandes interrupções.

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

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

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

Desafios 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.

Como a Visão AI pode ajudar a monitorar sistemas legados#

Muitas máquinas legadas utilizam mostradores analógicos, medidores e manômetros que não podem ser conectados a sistemas digitais. Vision AI solutions podem usar câmeras para monitorar esses dispositivos, e as imagens podem ser processadas em tempo real para converter suas leituras em registros digitais para facilitar o rastreamento e a emissão de relatórios.

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 computer vision é uma opção mais econômica. Configurar câmeras e implementar um sistema de IA para analisar essas imagens tem um custo-benefício vantajoso em comparação com atualizações tradicionais ou métodos de monitoramento manual. Em vez de atualizações de infraestrutura custosas, Vision AI models como o YOLO11 podem funcionar com equipamentos existentes, tornando a modernização mais acessível.

Sistemas de monitoramento legados habilitados por Ultralytics YOLO11#

Hoje em dia, a IA está em alta, e há uma variedade de modelos e técnicas a serem considerados ao implementar uma solução de IA. Então, você deve estar se perguntando: o que torna um modelo como o Ultralytics YOLO11 tão especial?

O Ultralytics 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 de forma eficiente em dispositivos de borda. Isso significa que ele pode processar dados localmente, sem depender de uma conexão de rede forte ou de infraestrutura em nuvem.

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

Em chão de fábrica ou ambientes industriais com redes fracas ou instáveis, implantar o Ultralytics YOLO11 em dispositivos de borda garante um monitoramento contínuo e 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 predecessores. Com 22% menos parâmetros que o YOLOv8m, o YOLO11m alcança uma precisão média (mAP) maior no dataset COCO.

Em termos simples, o Ultralytics 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, utilizando menos recursos, o que é especialmente útil para sistemas legados.

Aplicações de Ultralytics YOLO11 em sistemas de monitoramento legados#

A seguir, vamos explorar alguns casos de uso do mundo real em que o Ultralytics YOLO11 automatiza processos usando visão computacional para rastrear e analisar leituras, tudo sem a necessidade de modificar os equipamentos existentes.

Monitoramento de medidores analógicos usando Ultralytics YOLO11#

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

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

• Detecção de objetos: O Ultralytics YOLO11 primeiro detecta e localiza o manômetro em uma imagem, garantindo que ele seja identificado com precisão, mesmo em ambientes complexos.
• Segmentação de instâncias: Uma vez que o manômetro é identificado, o Ultralytics YOLO11 usa a segmentação de instâncias 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 manômetro, removendo qualquer ruído de fundo ou distração. Ao isolar essas áreas-chave, a próxima etapa se torna mais precisa e eficiente.
• Optical Character Recognition (OCR): Por fim, a tecnologia de OCR pode ser usada para converter os números do medidor em dados digitais, permitindo que as empresas acompanhem 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, 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 funciona o monitoramento de manômetros analógicos usando o Ultralytics YOLO11. Imagem do autor.

O Ultralytics YOLO11 pode simplificar o monitoramento de medidores de utilidades#

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

Com os dados coletados por meio da computer vision, as fornecedoras de utilidades podem analyze consumption patterns de forma mais eficaz. Integrar a análise de dados ao processo de monitoramento ajuda a rastrear tendências de uso histórico, 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 o Ultralytics 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 Ultralytics YOLO11 pode otimizar esse processo identificando com precisão e rastreando os componentes do painel de controle. Ele pode detectar interruptores, rótulos e luzes indicadoras, além de determinar suas posições e status. Ele consegue identificar se as luzes indicadoras estão mostrando avisos ou operação normal.

Por exemplo, se uma luz de aviso for ativada, o Ultralytics YOLO11 poderá detectar imediatamente a mudança, e os operadores poderão 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.

Prós 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 Ultralytics 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 image quality: A computer vision depende fortemente de imagens de alta qualidade ou feeds de vídeo. Má qualidade de imagem, baixa resolução ou iluminação inadequada 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.

Principais 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 Ultralytics 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 sem problemas em dispositivos de borda, tornando-se ideal para indústrias com conectividade em nuvem limitada. Isso permite que as empresas processem dados no local e resolvam rapidamente problemas operacionais.

Junte-te à nossa crescente community! Explora o nosso GitHub repository para aprender sobre IA e confere as nossas licensing options para começar os teus projetos de Vision AI. Interessado em inovações como AI in healthcare e computer vision in agriculture? Visita as nossas páginas de soluções para descobrir mais!