Кейс применения: Ретинар DialWatch

считывание аналоговых приборов без замены оборудования

Краткое описание

Ретинар DialWatch — MVP-система компьютерного зрения для автоматического считывания показаний аналоговых стрелочных приборов по изображению. Модель предназначена для промышленного сценария, где на объекте уже установлены аналоговые манометры, термометры, вакуумметры и другие стрелочные индикаторы, а их показания до сих пор фиксируются вручную.

Цель кейса — показать, как существующие аналоговые приборы можно превратить в источник цифровых данных без немедленной замены оборудования и без вмешательства в действующую инфраструктуру.

Клиентский сценарий

На промышленных объектах часто используется большое количество аналоговых приборов. Их показания снимаются оператором во время обходов: человек смотрит на шкалу, записывает значение и затем переносит его в журнал, таблицу или производственную систему.

1. Показания фиксируются не постоянно, а только в момент обхода.

2. Возможны ошибки ручного считывания и переноса данных.

3. Данные с аналоговых приборов не попадают в цифровой мониторинг автоматически.

4. Для полной замены приборов на цифровые датчики нужны затраты, согласования и остановка оборудования.

5. На части объектов замена приборов экономически нецелесообразна, но цифровой контроль всё равно нужен.

Задача

Задача MVP — проверить возможность автоматического считывания аналогового прибора по изображению.

1. На вход подаётся изображение аналогового стрелочного прибора.

2. Модель находит ключевые элементы прибора.

3. Система определяет положение стрелки.

4. В known-scale режиме рассчитывается физическое значение.

5. На выходе формируется JSON-результат и изображение с визуальной разметкой.

6. Низкоуверенные случаи помечаются как low_confidence, чтобы не выдавать сомнительные значения как надёжные измерения.

Решение

Для задачи разработан MVP Ретинар DialWatch.

Модель выполняет computer vision inference и определяет на изображении:

1. Область прибора.

2. Центр стрелочного механизма.

3. Минимальную точку шкалы.

4. Максимальную точку шкалы.

5. Кончик стрелки.

После этого выполняется post-processing: уточнение геометрии, проверка положения стрелки на дуге шкалы и расчёт относительного положения стрелки.

Если пользователь задаёт параметры шкалы — scale_min, scale_max и unit — система работает в known-scale режиме и переводит относительное положение стрелки в физическое значение.

Если параметры шкалы не заданы, система не выдумывает единицы измерения и возвращает только normalized_position — относительное положение стрелки от 0 до 1.

Если уверенность по ключевым точкам недостаточна, модель не выдаёт физическое значение как надёжное, а помечает результат как low_confidence. При этом интерфейс может показать оценочное значение как предварительную подсказку, но оно не считается надёжным измерением.

Интерфейс на Qubu

Для модели настроен Gradio-интерфейс на платформе Qubu.

Пользователь может:

1. Загрузить изображение аналогового прибора.

2. Указать scale_min.

3. Указать scale_max.

4. Указать unit.

5. Запустить инференс.

6. Получить изображение с визуальной разметкой.

7. Получить JSON-результат.

8. Получить краткое текстовое пояснение.

Пример результата:

Статус: low_confidence
Оценочное значение: около 26.89 C
Относительное положение стрелки: 0.224
Уверенность: 0.576

В этом случае система честно сообщает, что физическое значение не выдано как надёжное из-за низкой уверенности, но показывает оценочную подсказку для оператора.

Результат MVP

В рамках MVP подготовлен полный проверяемый пайплайн:

1. Обученная CV-модель.

2. Рабочий Gradio-интерфейс на Qubu.

3. JSON-вывод результата.

4. Визуализация найденных элементов прибора.

5. Known-scale и unknown-scale режимы.

6. Логика low_confidence для сомнительных случаев.

7. Ручной validation-набор для оценки физического считывания.

Метрики детекции на тестовом наборе:

Показатель	Значение	Комментарий
mAP50	0.9186	Качество детекции ключевых элементов
mAP50-95	0.6473	Строгая метрика детекции
Ручной validation-набор	200 изображений	Визуальная разметка показаний
Пригодны для оценки	190 изображений	Исключены нечитаемые/плохие кадры
Coverage на основной промышленной подвыборке	около 0.72	Доля случаев, где модель выдаёт результат
Accuracy@tolerance overall	около 0.29	Попадание в допустимую ручную погрешность по всем случаям
Accuracy@tolerance on predicted	около 0.40	Попадание среди случаев, где предсказание выдано
low_confidence rate	около 0.28	Доля честных низкоуверенных результатов

Эти показатели отражают честный статус проекта: решение уже демонстрирует рабочий inference pipeline, но для промышленной точности требуется калибровка под конкретные типы приборов и проверка на объекте.

Практическая ценность

Ретинар DialWatch показывает, как можно использовать уже установленные аналоговые приборы как источник цифровых данных.

1. Снижение объёма ручного снятия показаний.

2. Снижение риска ошибок при переносе данных.

3. Создание цифрового журнала измерений.

4. Быстрый пилот без замены оборудования.

5. Возможность ретрофита существующих аналоговых приборов.

6. Контроль отклонений по приборам, которые раньше не были подключены к цифровому мониторингу.

7. Подготовка данных для дальнейшей аналитики, BI-дашбордов и производственного мониторинга.

Отрасли применения

Решение может быть полезно для объектов, где используются аналоговые стрелочные приборы:

1. Производственные предприятия.

2. Энергетика.

3. Котельные и насосные станции.

4. Пищевая промышленность.

5. Фармацевтические производства.

6. Горнодобывающая отрасль.

7. Лаборатории.

8. Объекты инженерной инфраструктуры.

9. Экологический и технический мониторинг.

10. Участки с большим количеством манометров, термометров и вакуумметров.

Ограничения

Текущая версия является MVP, а не production-grade измерительной системой.

1. Требуется видимая шкала и видимая стрелка.

2. Физическое значение корректно рассчитывается только при заданных параметрах шкалы.

3. Единицы измерения не определяются автоматически в базовом режиме.

4. Field-scene режим с маленьким прибором в промышленной сцене является экспериментальным.

5. Multi-scale приборы и нестандартные шкалы могут давать ошибки.

6. При низкой уверенности система возвращает low_confidence.

7. Для промышленного внедрения требуется калибровка под конкретные приборы предприятия.

8. Модель не заменяет поверку прибора и не является метрологическим средством измерения.

Дальнейшее развитие

Следующий этап развития — переход от bbox-based object detection к keypoint/pose-модели, которая будет точнее предсказывать координаты центра, кончика стрелки и ключевых точек шкалы.

Также планируется:

1. Дообучение под типовые приборы конкретного предприятия.

2. Улучшение работы с промышленными сценами.

3. Интеграция с видеопотоком.

4. Edge-инференс на локальном устройстве.

5. Интеграция с цифровым журналом.

6. Связка с PostgreSQL, BI-дашбордом, SCADA/MES/ERP или другой производственной системой.

7. Настройка тревог по выходу показаний за допустимые пределы.

Ссылка на модель

Ретинар DialWatch на Qubu:

https://qubu.ai/models/retinar-dial-watch

Итог

Ретинар DialWatch демонстрирует применимость компьютерного зрения для цифровизации аналоговых промышленных приборов без их немедленной замены. Текущая версия является честным MVP: модель уже запускается через Gradio-интерфейс на Qubu, возвращает визуализацию и JSON-результат, а сомнительные случаи помечает как low_confidence. Для промышленного внедрения требуется адаптация и калибровка под конкретные приборы объекта.

Кейс применения: Ретинар DialWatch — считывание аналоговых приборов без замены оборудования

Похожие статьи

Поделиться в соц. сетях

Комментарии