在 Ultralytics YOLO11 的帮助下监控遗留系统

许多企业，特别是在制造业、工业自动化、航空航天、电信和能源领域，日常运营都依赖于旧系统。然而，维护这些旧系统往往伴随着高昂的成本和技术挑战。尽管如此，公司继续使用旧系统的主要原因在于它们已深度嵌入到工作流程中。

近三分之二的企业在维护和升级旧系统上花费超过 200 万美元。这些旧系统构建于另一个时代，当时自动化和实时分析并非首要任务。企业曾经依赖人工流程或过时的监控工具，导致效率低下且运营风险增加。因此，许多企业发现自己被困在这些过时的系统中，无法在不造成重大干扰的情况下轻易过渡到更现代的解决方案。

这就是人工智能和计算机视觉发挥作用的地方，它们使计算机能够理解和分析视觉数据。具体来说，像 Ultralytics YOLO11 这样的计算机视觉模型可以用于检测和监控仪表和量表等旧系统。

在本文中，我们将探讨 YOLO11 如何应用于旧系统监控、其优势，以及企业如何将其轻松集成到现有工作流程中。

图 1. 旧系统示例。图片由作者提供。

Link to this section旧系统现代化相关的挑战#

旧系统对许多行业至关重要，但将其转化为数字系统并不总是简单的。现代化这些系统对于提升效率和降低风险非常重要。以下是企业在更新旧系统时面临的一些技术和环境挑战：

• 缺乏数字接口： 许多旧系统在数字化转型普及之前就已经设计好了。它们使用模拟控制、量表和机械指示器进行操作，使得与现代监控解决方案的直接集成变得困难。

• 升级成本高昂： 更换或升级旧基础设施可能既昂贵又具有破坏性。由于初始成本高昂和停机担忧，许多企业对进行全面更换持观望态度。

• 系统设计不一致： 老旧机械在结构、材料和功能上差异巨大。这种缺乏标准化的状况使得难以在不同系统间应用统一的数字化解决方案。

• 实时数据采集挑战： 模拟显示器并非为自动化数据采集而设计，因此很难从表盘、仪表或机械计数器中提取准确的实时读数。

图 2. 旧系统现代化相关的挑战。图片由作者提供。

Link to this section视觉 AI 如何帮助监控旧系统#

许多旧机器使用无法连接到数字系统的模拟表盘、仪表和量表。视觉 AI 解决方案可以使用摄像头监控这些设备，并将图像实时处理，从而将其读数转换为数字记录，以便于跟踪和报告。

使用计算机视觉进行此项工作的优势之一是几乎可以立即发现运营问题。在紧急情况下，自动警报可以通知操作员数值何时超过安全限值。

此外，计算机视觉是一种更经济的选择。与传统的升级或人工监控方法相比，设置摄像头并实施 AI 系统来分析这些图像具有成本效益。无需进行昂贵的基础设施升级，像 YOLO11 这样的视觉 AI 模型可以与现有设备配合工作，使现代化更经济实惠。

Link to this section由 YOLO11 赋能的旧系统监控#

如今，AI 正处于蓬勃发展期，在实施 AI 解决方案时有多种模型和技术可供考虑。所以，你可能会好奇，是什么让像 YOLO11 这样的模型如此特别？

YOLO11 支持多种计算机视觉任务，如目标检测、实例分割和目标跟踪，非常适合实时监控。其核心优势之一是能够在边缘设备上高效运行。这意味着它可以本地处理数据，无需依赖强大的网络连接或云基础设施。

图 3. YOLO11 用于目标检测的示例。

在工厂车间或网络薄弱、不可靠的工业环境中，在边缘设备上部署 YOLO11 可以确保不间断的实时监控，减少对昂贵的云端解决方案的需求，使其成为企业更经济且实用的选择。

最重要的是，与前代产品相比，YOLO11 在准确性和速度方面表现出卓越的性能。与 YOLOv8m 相比，YOLO11m 的参数减少了 22%，在 COCO 数据集上实现了更高的平均精度 (mAP)。

简而言之，即使处理能力较低，YOLO11 也能更准确、更快速地检测目标。这使其在实时发现问题和监控系统方面更高效，同时消耗的资源更少，这对旧系统特别有用。

Link to this sectionYOLO11 在旧系统监控中的应用#

接下来，让我们探讨一些现实应用场景，其中 YOLO11 通过计算机视觉跟踪和分析读数来实现流程自动化，完全无需修改现有设备。

Link to this section使用 YOLO11 进行模拟仪表监控#

各种工业机器利用模拟仪表来测量压力、温度和液位。人工读数耗时且经常导致不一致，特别是在大规模运营中。YOLO11 可以改善这些流程。

以下是使用 YOLO11 进行模拟仪表监控的常见工作流程：

• 目标检测： YOLO11 首先检测并定位图像中的仪表，确保即使在复杂的环境中也能准确识别。
• 实例分割： 一旦识别出仪表，YOLO11 会利用实例分割技术将指针、刻度和数值标记等关键元素分离开来。这一点很重要，因为它能确保系统仅专注于仪表的相关部分，消除任何背景噪声或干扰。通过隔离这些关键区域，后续步骤将变得更加准确高效。
• 光学字符识别 (OCR)：最后，OCR 技术可用于将仪表上的数字转换为数字数据，使企业无需人工读数即可跟踪测量结果。

虽然这是通用方法，但具体步骤可能会因仪表类型、环境条件以及所拍摄图像的角度或质量等因素而有所不同。可能会基于这些变量进行调整，以确保读数的准确性。

图 4. 使用 YOLO11 进行模拟仪表监控的工作原理。图片由作者提供。

Link to this sectionYOLO11 可简化公用事业仪表监控#

许多公用事业提供商仍然依赖机械仪表来跟踪水、气和电的消耗。在某些情况下，需要人工现场访问来收集读数，这既费时又增加了成本。

YOLO11 通过使用计算机视觉来检测和裁剪仪表盘的相关部分，从而使监控过程自动化。通过这种方式，可以隔离仪表盘上的数值，并使用 OCR 来读取它们。

利用通过计算机视觉收集的数据，公用事业提供商可以更有效地分析消耗模式。将数据分析整合到监控流程中，有助于跟踪历史使用趋势、识别异常情况并检测不规则情况，例如消耗量的突然激增或骤降，这可能预示着泄漏或仪表故障等问题。

Link to this section使用 YOLO11 分析控制面板#

工业控制单元、电网监控器和工厂自动化面板等旧系统依赖于带有开关、按钮和指示灯的模拟控制面板来显示机器状态和错误代码。通常，操作员会手动检查这些面板，这非常耗时，且增加了响应延迟的风险。

YOLO11 可以通过准确识别和跟踪控制面板组件来优化此流程。它可以检测开关、标签和指示灯，并确定它们的位置和状态。它能够识别指示灯显示的是警告还是正常运行状态。

例如，如果激活了警告灯，YOLO11 可以立即检测到该变化，并提醒操作员，从而实现更快的响应时间，并降低错过关键问题的风险。

图 5. 带有指示灯的控制面板。

Link to this section旧系统现代化的优缺点#

计算机视觉是一种在不更换现有硬件的情况下监控旧系统的实用方法。然而，与其他任何技术一样，它也伴随着优势和局限性。让我们探讨这两方面，以更好地了解如何有效地应用它。

以下是视觉 AI 对旧系统监控产生积极影响的一些方式：

• 长期成本更低： 虽然初始设置可能需要投资，但监控任务的自动化和人为错误的减少可以随着时间的推移带来显著的节省。
• 一致性和可靠性： 与质量和一致性可能参差不齐的人工检查不同，YOLO11 随着时间的推移提供了一致且可靠的性能。
• 增强决策能力： 实时数据和分析改进了决策过程，使操作员能够根据最新信息做出明智的选择。

与此同时，这里有一些需要牢记的注意事项：

• 依赖于 图像质量：计算机视觉在很大程度上依赖于高质量的图像或视频流。图像质量差、分辨率低或光线不佳可能导致检测不准确或漏检。
• 易受环境因素影响： 极端温度、灰尘、振动或干扰等恶劣环境可能会降低计算机视觉系统的性能。
• 处理大数据量的复杂性： 随着系统收集大量视觉数据，如果没有合适的基础设施，管理、存储和分析这些数据可能会变得具有挑战性。

Link to this section关键要点#

高效监控旧系统并不总是需要更换现有硬件。许多企业都在处理过时的设备，但视觉 AI 提供了一种在不进行重大更改的情况下跟踪性能的方法。

YOLO11 通过使用目标检测和其他计算机视觉任务使这一切成为可能。它可以使用摄像头读取量表、仪表和控制面板来进行实时监控，无需修改系统。该模型在边缘设备上运行流畅，非常适合云连接有限的行业。这使得企业能够在现场处理数据并迅速解决运营问题。

加入我们日益壮大的社区！浏览我们的 GitHub 存储库来学习关于 AI 的知识，并查看我们的许可选项以开启你的视觉 AI 项目。对诸如医疗保健中的 AI 和农业中的计算机视觉等创新感兴趣吗？访问我们的解决方案页面以发现更多内容！