Je viens de parcourir le forum et je constate qu’il existe deux manière de mesurer le niveau de fioul :
par ultrason,
par pesée.
Pour la méthode par ultrason il faut percer la cuve de fioul par le dessus ou utiliser une trappe de visite, deux méthodes impossibles dans mon cas. Il y a aussi des problèmes de norme, donc d’assurance.
J’envisage une méthode simple : mettre une caméra devant la cuve et prendre une photo toutes les 6 heures pour mesurer le niveau du liquide.
Ci-dessous des photos de la cuve de 1000l. Il y a trois cuves toutes au même niveau.
Sur cette photo, je dirais qu’il y a environ 900 litres (300x3). Vu que le niveau est très approximatif, une lecture par jour est envisagable.
J’envisage d’utiliser LLM Vision avec Ollama en local ou Groq.
Avant de débuter le projet, j’aimerais savoir si une telle solution d’analyse d’image ou d’IA existe déjà sous Home Assistant et si cela a déjà été fait.
Je réponds à mon propre post. Claude AI me suggère :
automations.yaml
automation:
- alias: "Niveau cuve fioul"
triggers:
- trigger: time
at: "07:00:00"
- trigger: time
at: "19:00:00"
actions:
- action: light.turn_on
target:
entity_id: light.cave
- delay: "00:00:03"
- action: llmvision.image_analyzer
data:
provider: Ollama
model: llama3.2-vision:11b
message: >
Regarde la paroi de cette cuve blanche.
Le fioul est un liquide sombre visible en bas de la cuve.
Estime le niveau de remplissage en pourcentage entier de 0 à 100.
Réponds uniquement avec le nombre, sans texte ni unité.
image_entity: camera.cave_cuve
max_tokens: 10
target_width: 640
response_variable: analyse
- action: light.turn_off
target:
entity_id: light.cave
- action: input_number.set_value
target:
entity_id: input_number.niveau_cuve_fioul
data:
value: "{{ analyse.response_text | int(0) }}"
Dans mon serveur Debian R720XD, il y a une petite carte Nvidia. J’utilise Docker et j’installe installé ollama dans un container de cette manière :
cat docker-compose.yml
services:
ollama:
image: ollama/ollama:latest
container_name: ollama
restart: on-failure
ports:
- "11434:11434"
volumes:
- /tank/ollama:/root/.ollama
- /usr/lib/x86_64-linux-gnu/nvidia/current:/usr/local/nvidia/lib64:ro
environment:
- OLLAMA_HOST=0.0.0.0
- OLLAMA_MAX_LOADED_MODELS=3 # ajuster selon modèle et RAM disponible
- OLLAMA_CONTEXT_LENGTH=8192
- OLLAMA_NUM_PARALLEL=1
- OLLAMA_MAX_RAM=230G # limite Ollama pour ne pas toucher ARC
- OLLAMA_KEEP_ALIVE=5m
- NVIDIA_VISIBLE_DEVICES=all
- NVIDIA_DRIVER_CAPABILITIES=compute,utility
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: all
capabilities: [gpu]
Je lance une interrogation test pour voir si cela fonctionne :
curl http://192.168.10.196:11434/api/generate \
-d "{
\"model\": \"llama3.2-vision:11b\",
\"prompt\": \"This is a white plastic fuel oil tank. The dark area at the bottom is fuel oil visible through the translucent wall. Estimate the fill level as an integer percentage from 0 to 100. Reply with the number only.\",
\"images\": [\"$(base64 -i ~/Desktop/IMG_4084.jpg)\"],
\"stream\": false,
\"options\": {\"num_predict\": 5}
}"
Durant l’interrogation, mon serveur monte à 50% d’utilisation environ (il semblerait qu’il utilise beaucoup le CPU car c’est une petite carte nvidia) :
Après 10 minutes, il me répond 50% donc je modifie le prompt :
curl http://192.168.10.196:11434/api/generate \
-d "{
\"model\": \"llama3.2-vision:11b\",
\"prompt\": \"This is a single white translucent plastic fuel oil tank. There is a vertical metal fixing bar in the center of the tank - ignore it completely. The dark brownish area at the very bottom is fuel oil visible through the translucent plastic wall. The light beige upper area contains no fuel. Measure the height of the dark fuel area compared to the total visible height of the tank. Give only an integer from 0 to 100 representing this ratio in percent. Reply with the number only, no text.\",
\"images\": [\"$(base64 -i ~/Desktop/IMG_4084.jpg)\"],
\"stream\": false,
\"options\": {\"num_predict\": 5}
}"
Il me répond 20.
Le problème vient de l’absence de graduation. Donc je passe commande sur Amazon d’une règle graduée autocollante de 2 m :
Enfin je configure ma carte nvidia. Le calcul utilise 30% de GPU et 70% de CPU, mais la réponse est donnée en 37 secondes. Donc inutile d’utiliser Croq. Cependant, pour ceux qui n’ont pas de GPU, Croq c’est vraiment la solution.
La suite la semaine prochaine …
Il me reste à :
Placer un caméra de surveillance (j’ai commandé une R520A),
J’ai déplacé une webcam Reolink pour faire un test et l’image est assez nette, donc pas besoin d’allumer la lumière. Quand il y aura une graduation, ce sera bien lisible.
Bonjour,
Dans le même ordre d’idée mais avec une jauge avec aiguille présente sur le dessus de la citerne à mazout (la citerne est à l’intérieur de l’habitation).
prendre une image de la jauge avec une caméra ou un appareil photo d’un Raspberry Pi 3b.
utiliser un script Python sur le Raspberry permettant d’analyser l’image reçue avec OpenCV.
en fonction de la position de l’aiguille, transmettre l’information (l’état) à Home Assistant via wifi (en mqtt ?).
Afin de ne pas polluer ce post, je vais ouvrir un nouveau sujet …Le sujet en question
alias: Niveau fioul
description: ""
triggers:
- trigger: time
at: "04:02:00"
conditions: []
actions:
- action: llmvision.image_analyzer
metadata: {}
data:
store_in_timeline: false
use_memory: false
include_filename: false
target_width: 1280
generate_result: false
expose_images: false
response_format: text
provider: 01KQMY12WNCXRR54TNBTR8W1ZY
image_entity:
- camera.reolink_rlc_520a_snapshots_main
message: >-
There are three white translucent plastic fuel oil tanks side by side.
The lower darker gray portion of each tank contains fuel oil. The upper
lighter portion is empty. What percentage of the MIDDLE tank height is
filled with fuel? Answer with a single integer only.
model: llama3.2-vision:11b
max_tokens: 10
temperature: 1
response_variable: analyse
- action: input_number.set_value
metadata: {}
target:
entity_id: input_number.niveau_cuve_fioul
data:
value: "{{ analyse.response_text | regex_search('\\d+') | int(0) }}"
mode: single
Sans bande graduée, le modèle non-déterministe répond n’importe quoi : parfois 0, parfois 1 et parfois 57. Donc j’attends la bande graduée pour reprendre.
Par ailleurs, il s’est passé quelque chose de bizarre : après une première valeur de input_number.niveau_cuve_fioul à 57% au bout de quelques minutes la variable est repassée à 0. Je ne me souviens pas avoir cliqué pour relancer l’automatisation.
Cet après-midi, j’ai acheté un lot de 11 caméras PoE Dahua sur LBC à un prix défiant toute concurrence. Ce sont de très bonnes caméras récentes, très bien supportées. Dès que je les reçois, je tente de lire la consommation d’eau sur le compteur, ce qui ne devrait pas poser de problème à Ollama.
Cependant il faut une sonde ATEX certifiée hydrocarbures. C’est le cas de la sonde citée ? Je suis assez réservé quant à plonger une sonde et un matériel électrique dans du fioul et laisser le fioul agir durant 10 ans. Je doute que les joints tiennent et cela ne me convient pas nécessairement. Cela nécessitera que je sorte régulièrement chaque année la sonde pour la contrôler. Les bouchons de cuve sont rigides et la question de l’immersion de la sonde se pose.
Ceci dit je souhaite explorer la piste de l’IA à fond, car on peut lire toutes sortes de données avec une simple webcam et il n’y a aucun contact avec le fioul. Par ailleurs, mon compteur d’eau n’est pas domotisable et je compte bien lire la consommation d’eau de cette manière.
Il y a énormément de développements possibles avec LLM vision …
En usage domestique, tu n’est pas dans le domaine de l’ATEX (directive).
D’ailleurs, il n’y a pas de zonage ATEX autour d’une cuve fuel.
Le point éclair du Fuel domestique est de 55°C.
Cela veut dire que ce fuel à température ambiante n’émet pas suffisamment de vapeur pour créer une ATEX.
Maintenant, effectivement, cela ne veut pas dire que l’on peu faire tout et n’importe quoi.
Ce qui me dérange, c’est de plonger une sonde électrique dans le fioul où elle séjournera des années. Il faut être organisé pour extraire et vérifier la sonde à intervalle régulier et en avoir les compétences et je ne les ai pas …
J’ai reçu la règle graduée, elle fait 2cm de large, donc lecture difficile à distance. Il faudra envoyer une grande image au LLM … Mais si cela ne fonctionne pas, il reste la possibilité de faire ma propre graduation. C’est assez facile …
