Refactorización de una solución basada en visión artificial utilizada en la detección de derrames en plataformas petrolíferas.

Las aplicaciones integradas, estructuradas como una entidad monolítica con subsistemas estrechamente acoplados y capas de abstracción de hardware (HAL) limitadas, impedían la integración de las pruebas unitarias en los procesos de integración continua/despliegue continuo (CI/CD). La adaptación de la solución a los distintos dispositivos de entrada/salida del sistema SRP resultaba compleja debido a las restricciones de las HAL. Además, los subsistemas interconectados dificultaban el uso de pilas de software dedicadas para el procesamiento de imágenes, la IA, el IoT y las HAL. La implementación de YOLOv4 para la detección de marcadores requirió una evaluación rigurosa de la fiabilidad, la eficiencia y la precisión. Fue fundamental comparar enfoques de inferencia alternativos como OpenCV, ONNX y OpenVINO con YOLOv4. Para mejorar el desarrollo, la implementación y la experiencia del usuario, fue necesario introducir mejoras en los sistemas de compilación, la gestión de dependencias, la supervisión remota, los sistemas de gestión y las aplicaciones web orientadas al cliente.

Abordamos el reto reestructurando la aplicación integrada, mejorando el proceso de CI/CD y actualizando las aplicaciones orientadas al cliente. Los subsistemas de la aplicación integrada se modularizaron con funciones y límites claros, y los que interactuaban con hardware externo se aislaron con HAL bien definidos. Se integraron pruebas automatizadas y evaluaciones de la calidad y la cobertura del código en los procesos de CI/CD para verificar los subsistemas individuales, y se mejoró el proceso de compilación con gestores de dependencias y paquetes. La arquitectura modular permitió el uso de microservicios y pilas de software personalizadas. La implementación de YOLOv4 para la detección de anclajes se sometió a rigurosas pruebas de rendimiento y tiempo de ejecución. Se exploraron enfoques de inferencia alternativos (OpenCV, ONNX, OpenVINO) y se facilitó una transición fluida desde YOLOv4 con la modularización y conjuntos de pruebas independientes.

Las mejoras aumentaron considerablemente la estabilidad del sistema, con registradores de eventos renovados que permiten una resolución sistemática de problemas para obtener soluciones rápidas. Las HAL recién implementadas permitieron el cambio dinámico entre configuraciones de entrada/salida y emulaciones de hardware. Las pilas de software personalizadas mejoraron la eficiencia y la precisión de los algoritmos de detección de fugas de aceite y los servicios de soporte (IoT, HAL). Los límites claramente definidos de los marcos de inferencia permitieron la configuración en tiempo de ejecución para obtener resultados óptimos. Las canalizaciones CI/CD optimizadas minimizaron la complejidad, el esfuerzo y el tiempo de implementación. Estas modificaciones simplificaron la personalización, lo que permitió al cliente ampliar su clientela.