En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Paramètres des cookies
En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Contrôler les systèmes existants avec l'aide d'Ultralytics YOLO11
Découvre comment Ultralytics YOLO11 peut aider les entreprises à surveiller les systèmes existants grâce à la vision par ordinateur alimentée par l'IA, en améliorant l'efficacité et en réduisant les coûts de mise à niveau.
De nombreuses entreprises, en particulier dans les secteurs de la fabrication, de l'automatisation industrielle, de l'aérospatiale, des télécommunications et de l'énergie, dépendent de systèmes anciens pour leurs opérations quotidiennes. Cependant, la maintenance de ces anciens systèmes s'accompagne souvent de coûts élevés et de défis techniques. Malgré cela, la principale raison pour laquelle les entreprises continuent d'utiliser les systèmes existants est qu'ils sont profondément ancrés dans leurs flux de travail.
Près des deux tiers des entreprises dépensent plus de 2 millions de dollars pour maintenir et mettre à niveau les anciens systèmes. Ces anciens systèmes ont été construits pour une autre époque, lorsque l'automatisation et l'analyse en temps réel n'étaient pas une priorité. Les entreprises avaient l'habitude de s'appuyer sur des processus manuels ou des outils de surveillance dépassés, ce qui entraînait des inefficacités et des risques opérationnels plus élevés. Par conséquent, de nombreuses entreprises se retrouvent coincées avec ces systèmes obsolètes, incapables de passer facilement à des solutions plus modernes sans perturbations importantes.
C'est là que l'IA et la vision par ordinateur, qui permettent aux ordinateurs de comprendre et d'analyser les données visuelles, peuvent intervenir et aider. Plus précisément, les modèles de vision artificielle comme Ultralytics YOLO11 peuvent être utilisés pour détecter et surveiller les anciens systèmes tels que les compteurs et les jauges.
Dans cet article, nous allons explorer comment YOLO11 peut être utilisé dans la surveillance des systèmes hérités, ses avantages, et comment les entreprises peuvent l'intégrer facilement dans leurs flux de travail existants.
Fig 1. Exemples de systèmes anciens. Image par l'auteur.
Défis liés à la modernisation des systèmes existants
Les systèmes hérités sont vitaux pour de nombreuses industries, mais les transformer en systèmes numériques n'est pas toujours simple. Il est important de moderniser ces systèmes pour stimuler l'efficacité et réduire les risques. Voici quelques-uns des défis techniques et environnementaux auxquels les entreprises sont confrontées lorsqu'elles mettent à jour les systèmes hérités :
Le manque d'interfaces numériques : De nombreux systèmes hérités ont été conçus avant que la transformation numérique ne devienne courante. Ils fonctionnent à l'aide de commandes analogiques, de jauges et d'indicateurs mécaniques, ce qui rend difficile l'intégration directe avec les solutions de surveillance modernes.
Coûts de mise à niveau élevés : Le remplacement ou la mise à niveau de l'infrastructure existante peut s'avérer coûteux et perturbateur. De nombreuses entreprises hésitent à investir dans des remplacements à grande échelle en raison des coûts initiaux élevés et des inquiétudes concernant les temps d'arrêt.
Des conceptions de systèmes incohérentes : Les anciennes machines varient considérablement en termes de structure, de matériaux et de fonctionnalités. Ce manque de standardisation rend difficile l'application d'une solution numérique uniforme sur les différents systèmes.
Défis liés à la saisie de données en temps réel : Les écrans analogiques n'ont pas été conçus pour la collecte automatisée de données, ce qui rend difficile l'extraction de relevés précis en temps réel à partir de cadrans, de compteurs ou de compteurs mécaniques.
Fig 2. Défis liés à la modernisation des systèmes existants. Image par l'auteur.
Comment Vision AI peut aider à surveiller les systèmes patrimoniaux.
De nombreuses machines anciennes utilisent des cadrans, des compteurs et des jauges analogiques qui ne peuvent pas être connectés à des systèmes numériques. Les solutions Vision AI peuvent utiliser des caméras pour surveiller ces appareils, et les images peuvent être traitées en temps réel pour convertir leurs relevés en enregistrements numériques afin de faciliter le suivi et l'établissement de rapports.
L'un des avantages de l'utilisation de la vision par ordinateur pour cela est que les problèmes opérationnels peuvent être repérés presque instantanément. En cas d'urgence, des alertes automatisées peuvent avertir les opérateurs lorsque les valeurs dépassent les limites de sécurité.
En dehors de cela, la vision par ordinateur est une option plus économique. La mise en place de caméras et l'implémentation d'un système d'IA pour analyser ces images sont rentables par rapport aux mises à niveau traditionnelles ou aux méthodes de surveillance manuelles. Plutôt que de procéder à des mises à niveau coûteuses de l'infrastructure, les modèles de Vision AI comme YOLO11 peuvent fonctionner avec l'équipement existant, ce qui rend la modernisation plus abordable.
Les anciens systèmes de surveillance activés par YOLO11
De nos jours, l'IA est en plein essor, et il existe une variété de modèles et de techniques à prendre en compte lors de la mise en œuvre d'une solution d'IA. Alors, tu te demandes peut-être ce qui rend un modèle comme YOLO11 si spécial ?
YOLO11 prend en charge diverses tâches de vision par ordinateur telles que la détection d'objets, la segmentation d'instances et le suivi d'objets, et est idéal pour la surveillance en temps réel. L'un de ses principaux avantages est sa capacité à fonctionner efficacement sur les appareils périphériques. Cela signifie qu'il peut traiter les données localement, sans dépendre d'une solide connexion réseau ou d'une infrastructure en nuage.
Fig 3. Exemple d'utilisation de YOLO11 pour la détection d'objets.
Dans les usines ou dans les environnements industriels où les réseaux sont faibles ou peu fiables, le déploiement de YOLO11 sur les appareils périphériques garantit une surveillance continue et en temps réel sans interruption, ce qui réduit le besoin de solutions coûteuses basées sur le cloud et en fait un choix plus abordable et plus pratique pour les entreprises.
En plus de cela, YOLO11 est connu pour ses performances supérieures en termes de précision et de vitesse par rapport à ses prédécesseurs. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m atteint une précision moyenne plus élevée (mAP) sur l'ensemble de données COCO.
En d'autres termes, YOLO11 peut détecter des objets avec plus de précision et plus rapidement, même avec une puissance de traitement moindre. Il est donc plus efficace pour repérer les problèmes et surveiller les systèmes en temps réel, tout en utilisant moins de ressources, ce qui est particulièrement utile pour les systèmes existants.
Applications de YOLO11 dans les systèmes de surveillance existants
Ensuite, explorons quelques cas d'utilisation réels où YOLO11 automatise les processus en utilisant la vision par ordinateur pour suivre et analyser les lectures, le tout sans avoir besoin de modifier l'équipement existant.
Contrôle des jauges analogiques à l'aide de YOLO11
Diverses machines industrielles utilisent des jauges analogiques pour mesurer la pression, la température et le niveau des fluides. Les relevés manuels prennent du temps et entraînent souvent des incohérences, en particulier dans les opérations à grande échelle. YOLO11 peut améliorer ces processus.
Voici un examen plus approfondi de la façon dont fonctionne habituellement la surveillance des jauges analogiques à l'aide de YOLO11 :
Détection d'objets: YOLO11 détecte et localise d'abord la jauge dans une image, ce qui permet de l'identifier avec précision, même dans des environnements complexes.
Segmentation des instances: Une fois la jauge identifiée, YOLO11 utilise la segmentation des instances pour séparer les éléments clés tels que l'aiguille, l'échelle et les marquages numériques. Cette étape est importante car elle permet de s'assurer que le système se concentre uniquement sur les parties pertinentes de la jauge, en éliminant tout bruit de fond ou toute distraction. En isolant ces zones clés, l'étape suivante devient plus précise et plus efficace.
Reconnaissance optique de caractères (OCR): Enfin, la technologie OCR peut être utilisée pour convertir les chiffres de la jauge en données numériques, ce qui permet aux entreprises de suivre les mesures sans avoir besoin d'effectuer des relevés manuels.
Bien qu'il s'agisse de la méthode générale, les étapes exactes peuvent varier en fonction de facteurs tels que le type de jauge, les conditions environnementales et l'angle ou la qualité des images capturées. Des ajustements peuvent être effectués pour garantir des lectures précises en fonction de ces variables.
Fig 4. Comment fonctionne la surveillance analogique des jauges à l'aide de YOLO11 . Image par l'auteur.
YOLO11 peut simplifier la surveillance des compteurs d'électricité
De nombreux fournisseurs de services publics dépendent encore de compteurs mécaniques pour suivre la consommation d'eau, de gaz et d'électricité. Dans certains cas, des visites manuelles sur site sont nécessaires pour collecter les relevés, ce qui prend du temps et augmente les coûts.
YOLO11 automatise le processus de contrôle en utilisant la vision par ordinateur pour détecter et recadrer les parties pertinentes des cadrans des compteurs. Ce faisant, les valeurs numériques sur le cadran peuvent être isolées, et la reconnaissance optique des caractères peut être utilisée pour les lire.
Grâce aux données collectées à l'aide de la vision par ordinateur, les fournisseurs de services publics peuvent analyser les modèles de consommation plus efficacement. L'intégration de l'analyse des données dans le processus de surveillance permet de suivre les tendances historiques d'utilisation, d'identifier les anomalies et de détecter les irrégularités telles que les pics ou les baisses soudaines de consommation, qui pourraient indiquer des problèmes tels que des fuites ou des compteurs défectueux.
Analyse les panneaux de contrôle avec YOLO11
Les anciens systèmes tels que les unités de contrôle industriel, les moniteurs de réseau électrique et les panneaux d'automatisation des usines reposent sur des panneaux de contrôle analogiques avec des interrupteurs, des boutons et des voyants lumineux pour afficher l'état de la machine et les codes d'erreur. En général, les opérateurs inspectent ces panneaux manuellement, ce qui prend du temps et augmente le risque de réponses tardives.
YOLO11 peut optimiser ce processus en identifiant et en suivant avec précision les composants du panneau de commande. Il peut détecter les interrupteurs, les étiquettes et les voyants lumineux, et déterminer leur position et leur état. Il peut identifier si les voyants lumineux indiquent des avertissements ou un fonctionnement normal.
Par exemple, si un voyant est activé, YOLO11 peut immédiatement détecter le changement et les opérateurs peuvent être alertés, ce qui permet d'accélérer les temps de réponse et de réduire le risque de passer à côté de problèmes critiques.
Fig 5. Un panneau de commande avec des voyants lumineux.
Avantages et inconvénients de la modernisation des systèmes existants
La vision par ordinateur est un moyen pratique de surveiller les systèmes anciens sans remplacer le matériel existant. Cependant, comme toute autre technologie, elle présente des avantages et des limites. Explorons les deux pour avoir une meilleure idée de la façon dont elle peut être appliquée efficacement.
Voici quelques façons dont Vision AI a un impact positif sur la surveillance des systèmes hérités :
Diminution des coûts à long terme : Si la mise en place initiale peut nécessiter un investissement, l'automatisation des tâches de surveillance et la réduction des erreurs humaines peuvent permettre de réaliser d'importantes économies au fil du temps.
Cohérence et fiabilité: Contrairement aux inspections humaines, dont la qualité et la cohérence peuvent varier, YOLO11 offre des performances constantes et fiables au fil du temps.
Amélioration de la prise de décision: Les données et les analyses en temps réel améliorent la prise de décision, ce qui permet aux opérateurs de faire des choix éclairés sur la base d'informations actualisées.
En attendant, voici quelques-unes des considérations qu'il faut garder à l'esprit :
Dépendance à l'égard de qualité de l'image: La vision par ordinateur repose fortement sur des images ou des flux vidéo de haute qualité. Une mauvaise qualité d'image, une faible résolution ou un mauvais éclairage peuvent entraîner des détections inexactes ou manquées.
Vulnérabilité aux facteurs environnementaux : Les environnements difficiles tels que les températures extrêmes, la poussière, les vibrations ou les interférences peuvent dégrader les performances des systèmes de vision par ordinateur.
Complexité de la gestion de grands volumes de données: Comme le système recueille de grandes quantités de données visuelles, la gestion, le stockage et l'analyse de ces données peuvent devenir difficiles sans une infrastructure appropriée.
Principaux enseignements
Surveiller efficacement les systèmes hérités ne nécessite pas toujours de remplacer le matériel existant. De nombreuses entreprises font face à un équipement obsolète, mais Vision AI offre un moyen de suivre les performances sans apporter de changements majeurs.
YOLO11 rend cela possible en utilisant la détection d'objets et d'autres tâches de vision par ordinateur. Il peut lire des jauges, des compteurs et des panneaux de contrôle avec des caméras pour une surveillance en temps réel, sans qu'il soit nécessaire de modifier le système. Le modèle fonctionne sans problème sur les appareils périphériques, ce qui en fait un outil idéal pour les industries dont la connectivité au nuage est limitée. Les entreprises peuvent ainsi traiter les données sur place et résoudre rapidement les problèmes opérationnels.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
.webp)
Comment Vision AI peut aider à surveiller les systèmes patrimoniaux.
De nombreuses machines anciennes utilisent des cadrans, des compteurs et des jauges analogiques qui ne peuvent pas être connectés à des systèmes numériques. Les solutions Vision AI peuvent utiliser des caméras pour surveiller ces appareils, et les images peuvent être traitées en temps réel pour convertir leurs relevés en enregistrements numériques afin de faciliter le suivi et l'établissement de rapports.
L'un des avantages de l'utilisation de la vision par ordinateur pour cela est que les problèmes opérationnels peuvent être repérés presque instantanément. En cas d'urgence, des alertes automatisées peuvent avertir les opérateurs lorsque les valeurs dépassent les limites de sécurité.
En dehors de cela, la vision par ordinateur est une option plus économique. La mise en place de caméras et l'implémentation d'un système d'IA pour analyser ces images sont rentables par rapport aux mises à niveau traditionnelles ou aux méthodes de surveillance manuelles. Plutôt que de procéder à des mises à niveau coûteuses de l'infrastructure, les modèles de Vision AI comme YOLO11 peuvent fonctionner avec l'équipement existant, ce qui rend la modernisation plus abordable.