اكتشاف تكديس المنصات النقالة غير الآمن باستخدام Ultralytics YOLO26

تُعد السلامة أمرًا بالغ الأهمية في عمليات المستودعات. فقد تؤدي المنصات غير المستقرة، والحمولات الساقطة، والممرات المسدودة إلى تلف المنتجات وتعطيل سير العمل وإصابة العاملين إصابات خطيرة.

ويؤدي تكديس المنصات دورًا أساسيًا في الحفاظ على سلامة المستودع وكفاءته. فهو يؤثر مباشرةً في مدى استقرار الحمولات، وسهولة نقل المواد داخل المكان، ومدى أمان عمل الموظفين.

وقد تؤدي حتى الاختلالات البسيطة إلى مخاطر أكبر. فالميل الطفيف أو توزيع الوزن غير المتساوي أو الحمولة غير المثبتة بإحكام قد يجعل المنصات غير مستقرة. كما أن غياب غلاف التغليف المطاطي أو سوء المحاذاة قد يزيد من ضعف الثبات، ما يرفع احتمال تلف المنتجات أو وقوع حوادث في مكان العمل.

الشكل 1. المستودع مساحة ديناميكية يتحرك فيها العاملون باستمرار ويتولون تكديس المنصات. (المصدر)

للوقاية من هذه المشكلات، تقدم منظمات مثل إدارة السلامة والصحة المهنية (OSHA) إرشادات للتخزين الآمن للمواد ومناولتها. وتشدد إرشادات السلامة هذه على الحفاظ على استقرار الحمولات، والالتزام بحدود التحميل الآمنة، واتباع ممارسات المناولة السليمة لمنع مخاطر مثل سقوط الرصّات أو انهيارها.

لكن تطبيق هذه المعايير باستمرار في بيئات المستودعات سريعة الحركة ليس سهلًا دائمًا. فعادةً ما تُنقل المنصات ويُعاد تكديسها ومناولتها طوال اليوم. وهذا يصعّب مراقبة حالة كل حمولة في الوقت الفعلي أو رصد العلامات المبكرة لعدم الاستقرار.

ومن الأساليب الأكثر فاعلية استخدام الرؤية الحاسوبية. وبوصفها فرعًا من الذكاء الاصطناعي، تتيح الرؤية الحاسوبية للآلات تفسير البيانات المرئية من الصور ومقاطع الفيديو وتحليلها. وباستخدام نماذج الذكاء الاصطناعي المرئي مثل Ultralytics YOLO26، تستطيع المستودعات مراقبة حالة المنصات في الوقت الفعلي واكتشاف الترتيبات غير المستقرة مبكرًا، ما يتيح للفرق الاستجابة قبل تفاقم المشكلات.

في هذه المقالة، سنستكشف المخاطر المرتبطة بتكديس المنصات على نحو غير آمن، وكيف يمكن للأنظمة القائمة على الرؤية المساعدة في اكتشافها والوقاية منها. لنبدأ!

أثر تكديس المنصات في سلامة المستودعات#

صُممت المنصات النقالة لحمل وزن محدد ولتُكدّس بطريقة مستقرة. وعندما تُحمّل فوق طاقتها أو لا تُرصّ بشكل متوازن، تبدأ هذه الاستقرارية بالتراجع.

حتى حالات عدم المحاذاة البسيطة أثناء التكديس قد تتفاقم بمرور الوقت وتزيد احتمالات انهيار الحمولة أثناء المناولة. تحدث هذه المشكلات عادةً في البيئات سريعة الوتيرة، حيث تُحمّل المنصات النقالة وتُنقل ويُعاد تكديسها باستمرار. وما يبدو في البداية أخطاءً بسيطة قد يؤثر تدريجيًا في توزيع الوزن ويؤدي إلى أكوام غير مستقرة.

يؤثر ذلك أيضًا في العمليات اليومية. فإذا لزم إصلاح منصة نقالة أثناء التحميل أو النقل، فقد يؤدي ذلك إلى إبطاء العمل والتسبب في التأخير. وتصبح المشكلة أكثر وضوحًا أثناء المناولة، ولا سيما عند استخدام الرافعات الشوكية ورافعات المنصات النقالة.

وبما أن هذه المعدات تتحرك باستمرار، فإن التعامل مع الحمولات غير المستقرة يجعل حتى المهام الروتينية أكثر خطورة. وقد يؤدي ذلك إلى تلف البضائع أو تعطّل سير العمل أو التحميل الزائد.

وفي الحالات الأشد خطورة، قد يتسبب ذلك في إصابات العاملين ويؤثر في سلسلة التوريد الأوسع، مما يزيد التكاليف التشغيلية والمالية.

تحديات أساليب فحص المنصات النقالة التقليدية#

تعتمد معظم المستودعات على إجراءات يدوية لفحص المنصات النقالة، وغالبًا ما تسترشد بمعايير OSHA ولوائح السلامة وقوائم التحقق الخاصة بالفحص. تدعم هذه الأساليب سلامة المنصات النقالة وممارسات التكديس السليمة، لكنها محدودة من حيث اتساق تطبيقها في البيئات المزدحمة.

من أبرز القيود أن عمليات الفحص لا ترصد سوى لحظة زمنية واحدة. وتشمل عمليات المستودعات تحميلًا وحركةً وإعادة تكديس مستمرة، لكن الفحص لا يسجل إلا شكل الرصة وقت إجراء الفحص. وهذا يصعّب اكتشاف المشكلات التي تظهر بين عمليات الفحص، مثل عدم المحاذاة التدريجي أو تحرك الحمولات أو العلامات المبكرة لعدم الاستقرار.

يصعب أيضًا اكتشاف بعض المشكلات أثناء الفحوصات الدورية. فقد لا تُلاحظ المنصات النقالة التالفة أو الألواح المكسورة أو الشظايا الصغيرة، رغم أنها قد تضعف البنية وتؤثر في استقرار الحمولة أثناء المناولة.

ويضيف النطاق تحديًا آخر. ففي المستودعات الكبيرة، يصعب إجراء فحوصات دورية في جميع المناطق، ولا سيما حول أرفف المنصات النقالة ومناطق السيور الناقلة. وتجعل هذه الثغرات في التغطية الالتزام بممارسات السلامة وضمان استقرار تكديس المنصات النقالة في مختلف العمليات أكثر صعوبة.

دور الذكاء الاصطناعي البصري في عمليات المستودعات#

بدأت المستودعات باعتماد أنظمة الرؤية الحاسوبية القادرة على مراقبة العمليات اليومية. وتتعلّم هذه الأنظمة من كميات كبيرة من الصور المصنفة، ويمكنها تتبع التفاصيل الخاصة بالمنصات النقالة باستمرار في مختلف مناطق التخزين.

على سبيل المثال، تدعم نماذج الرؤية الحاسوبية المتطورة مثل YOLO26 مهام الرؤية مثل اكتشاف الكائنات وتصنيف الصور واكتشاف مربعات الإحاطة الموجّهة (OBB) وتقدير الوضعية وتقسيم الكائنات، مما يساعد على تحليل كيفية ترتيب المنصات النقالة والحمولات في مختلف أرجاء المستودع.

على وجه التحديد، يمكن استخدام اكتشاف الكائنات لتحديد مواقع المنصات النقالة والصناديق ومعدات المناولة في الممرات ومناطق التخزين. ويتيح ذلك للأنظمة تتبع كيفية وضع المواد ونقلها.

الشكل 2. استخدام نموذج Ultralytics YOLO لاكتشاف الصناديق المكدسة (المصدر)

في المقابل، يتيح تقسيم الكائنات تحديد العناصر الفردية داخل الرصة بدقة، وذلك برسم حدود كل كائن على مستوى البكسل. وهذا يسهل فصل العناصر المتداخلة أو المتراصة بإحكام. وفي الحالات التي تكون فيها المحاذاة بالغة الأهمية، يمكن استخدام مربعات الإحاطة الموجّهة لتقييم مواضع الحمولات والتقاط زواياها واتجاهاتها بدقة أكبر.

وبالمثل، يمكن استخدام تصنيف الصور لتحليل الحالة العامة للمنصة النقالة أو المشهد وإسناد تسميات مثل «مستقر» أو «غير مستقر» أو «تالف». ويركز تقدير الوضعية أيضًا على اكتشاف النقاط المفتاحية لتتبع مواضع العاملين أو المعدات وحركتهم، مما يتيح فهم كيفية تفاعلهم مع المنصات النقالة وتحديد ممارسات المناولة التي قد تكون غير آمنة.

كيف تتيح Ultralytics YOLO26 تكديس المنصات النقالة في الواقع العملي#

يتوفر Ultralytics YOLO26 جاهزًا للاستخدام كنموذج مدرّب مسبقًا. وبعبارة أخرى، فقد دُرّب بالفعل على مجموعات بيانات كبيرة، لذا يمكنه التعرّف على الكائنات الشائعة دون الحاجة إلى بنائه من الصفر.

لكن بيئات المستودعات تنطوي على خصائصها الدقيقة، مثل اختلاف أنواع المنصات النقالة وأنماط التكديس وحالات الحمولات والتباينات الواقعية. وهنا تبرز قيمة القدرة على تدريب نماذج Ultralytics YOLO المخصصة، مثل YOLO26.

يتيح تدريب النموذج على بيانات خاصة بالمستودعات فهم هذه الاختلافات على نحو أفضل وتقديم نتائج أدق وأكثر موثوقية. وتبدأ هذه العملية بجمع الصور وإطارات الفيديو من أرضيات المستودعات، لتوثيق حالات التكديس المختلفة في بيئات متنوعة.

ثم تُعلَّق هذه الصور (أي تُضاف إليها التسميات)، على سبيل المثال، برسم مربعات إحاطة (مستطيلات) حول المنصات النقالة أو تحديد مناطق عدم الاستقرار. وبعد إعداد مجموعة بيانات باستخدام البيانات المشروحة، يمكن تدريب Ultralytics YOLO26 على هذه الأمثلة الواقعية ليتكيف مع الاختلافات في التخطيط والإضاءة والعمليات.

يمكن إجراء التدريب باستخدام حزمة Ultralytics Python، التي توفر أدوات مدمجة لتحميل البيانات وتدريب النماذج وتشغيل التنبؤات باستخدام التعليمات البرمجية، أو عبر منصة Ultralytics، وهي منصة شاملة للرؤية الحاسوبية تجمع إدارة البيانات والتعليق والتدريب والنشر في مكان واحد.

تبسيط تدريب النماذج باستخدام منصة Ultralytics#

قد تكون إدارة مسارات عمل الرؤية الحاسوبية، بدءًا من إعداد مجموعة البيانات والتعليق عليها وصولًا إلى التدريب والتقييم والنشر، معقدة. وتعالج منصة Ultralytics هذا التحدي من خلال جمع هذه الخطوات في بيئة واحدة.

على سبيل المثال، يمكن للمستخدمين تنظيم بيانات الصور من بيئات المستودعات وتصنيفها، ثم استخدامها لتدريب النماذج على سيناريوهات واقعية. ويتيح ذلك للنماذج تعلّم أشكال المنصات النقالة في ظل اختلافات التخطيط وظروف الإضاءة وأساليب التكديس، مما يزيد دقتها وموثوقيتها في العمليات الفعلية.

الشكل 3. نظرة على مجموعة بيانات ضمن منصة Ultralytics (المصدر)

بعد التدريب، يمكن اختبار النماذج على صور جديدة لم يسبق لها رؤيتها باستخدام علامة التبويب Predict المدمجة، للتحقق من الأداء قبل النشر.

بعد التحقق من صحة النماذج، يمكن نشرها بطرق مختلفة عبر منصة Ultralytics بحسب حالة الاستخدام، بما في ذلك الاستدلال المشترك لأغراض التطوير والاختبار، أو نقاط النهاية المخصصة لعمليات النشر الإنتاجية، أو تصدير النماذج لتشغيلها على أنظمة خارجية أو أجهزة طرفية.

اعتبارات وضع الكاميرات لتحقيق دقة الاكتشاف#

عند بناء نظام لمراقبة المنصات النقالة قائم على الرؤية، يمكن لموضع الكاميرا أن يؤثر مباشرةً في مدى موثوقية رصد مشكلات التكديس. ويساعد الإعداد المناسب على أتمتة أنظمة المراقبة بفاعلية أكبر.

الشكل 4. مثال على استخدام كاميرا علوية لمراقبة الأنشطة في المستودع (المصدر)

فيما يلي بعض الاعتبارات العملية لوضع الكاميرات:

• مناظر أمامية للأرفف: يمكن للكاميرات الموجهة نحو أرفف المنصات النقالة التقاط الارتفاع الكامل للأكوام، مما يسهل رصد التكديس المفرط والحمولات المائلة.
• مناظر مائلة لإظهار العمق والميل: تتيح زوايا التصوير المائلة، التي تتراوح عادةً بين 30 و45°، رؤية أوضح للعمق والميل والفجوات داخل الأكوام، وهي أمور قد لا تظهر عند التصوير من الأمام مباشرةً.
• مناظر علوية للمناطق المكتظة: تفيد المناظر من أعلى إلى أسفل في المناطق المكتظة، حيث قد تُحجب الرؤية الجانبية ويصبح تمييز المنصات النقالة الفردية أكثر صعوبة.
• نقاط مراقبة الدخول والخروج: يمكن للكاميرات الموضوعة بالقرب من السيور الناقلة ومناطق الأرصفة التقاط المنصات النقالة قبل نقلها وبعده، مما يساعد على تتبع التغيرات في استقرارها أثناء النقل.
• مناطق تفاعل الرافعات الشوكية: يمكن أن توفر مراقبة مناطق الالتقاط والتنزيل القريبة من مسارات الرافعات الشوكية معلومات عن استقرار الحمولات أثناء المناولة، إذ تحدث مشكلات كثيرة في هذه المرحلة.

تطبيقات الذكاء الاصطناعي البصري في تكديس المنصات النقالة في الواقع العملي#

والآن، لنستعرض بعض الأمثلة العملية على استخدام الذكاء الاصطناعي البصري في المستودعات لرصد مشكلات تكديس المنصات النقالة الشائعة والتعامل معها.

اكتشاف تجاوزات ارتفاع الأكوام في مناطق التخزين#

تحدد حدود ارتفاع التكديس أقصى ارتفاع يمكن أن تصل إليه أكوام المنصات النقالة بأمان، ولا سيما في مناطق التخزين التي تُكدّس فيها المنصات النقالة متقاربة للاستفادة القصوى من المساحة المتاحة. وتساعد هذه الحدود على منع الحمولات غير المستقرة والحفاظ على مسافة أمان حول أرفف المنصات النقالة والأنظمة العلوية مثل رشاشات المياه.

لكن قد تُتجاوز هذه الحدود في أوقات الذروة، مثل عمليات استلام البضائع الواردة بكميات كبيرة. ولمراقبة هذا النشاط عن كثب، يمكن لنماذج مثل Ultralytics YOLO26 تحليل بث الكاميرات لاكتشاف المنصات النقالة الفردية وعدّها وتتبع نمو الرصة بمرور الوقت.

من خلال مراقبة عدد المنصات النقالة المكتشفة ومواضعها، يمكن لنظام مدعوم بالرؤية تقدير الارتفاع الإجمالي للرصة وتحديد الوقت الذي تقترب فيه من الحدود الآمنة أو تتجاوزها. ويمنح ذلك مشغلي المستودعات رؤية مبكرة للمشكلات المحتملة، مما يتيح لهم تعديل التكديس أو إعادة توزيع الحمولات قبل أن تتحول إلى خطر على السلامة.

تحديد اختلال توازن الحمولة وهياكل التكديس المائلة#

حتى عندما تُكدّس المنصة النقالة إلى الارتفاع المناسب، فإنها قد تصبح غير مستقرة إذا لم تكن متوازنة على نحو صحيح. وقد يؤدي التوزيع غير المتكافئ للوزن أو وضع الصناديق بشكل غير محكم أو عدم المحاذاة الطفيف إلى ميل المنصة المحملة تدريجيًا بمرور الوقت.

غالبًا ما تكون هذه التغيرات طفيفة في البداية وقد لا تتضح أثناء الفحوصات الدورية. لكن باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26، يمكن إجراء هذه الفحوصات باستمرار عبر بث الكاميرات.

على سبيل المثال، يسهّل دعم Ultralytics YOLO26 لمربعات الإحاطة الموجّهة (OBBs) التقاط زاوية كل منصة نقالة أو صندوق واتجاهه، بدلًا من الاكتفاء بموضعه. ومن خلال تتبع هذه الاتجاهات بمرور الوقت، يمكن للنموذج اكتشاف التحولات الطفيفة، مثل الميل الخفيف أو تغير المحاذاة.

عندما تبدأ هذه الزوايا بالانحراف عن المحاذاة الرأسية أو تصبح غير متسقة بين الطبقات، فقد يشير ذلك إلى بدء ميل الرصة. ويمكن تصحيح اختلالات التوازن عند اكتشافها مبكرًا قبل تفاقمها.

إيجابيات وسلبيات استخدام الذكاء الاصطناعي البصري لضمان تكديس المنصات النقالة بأمان#

فيما يلي بعض الفوائد الرئيسية لاستخدام الأنظمة القائمة على الرؤية لتكديس المنصات النقالة:

• رؤية آنية عبر العمليات: يمكن لأنظمة الرؤية أن توفر مراقبة مستمرة لحالة المنصات النقالة، مما يسهل الالتزام بمعايير OSHA وممارسات التكديس السليمة.
• تحسين تتبع الحوادث: يمكن مراجعة البيانات المرئية المسجلة لاحقًا لفهم توقيت نشوء المشكلة وكيفيته.
• التكامل مع الأنظمة الحالية: يمكن ربط نماذج الرؤية بأنظمة إدارة المستودعات أو أنظمة التنبيه لإطلاق الإشعارات أو مسارات العمل.
• مراقبة قابلة للتوسع عبر المناطق: يمكن نشر نماذج الرؤية المتقدمة في مناطق متعددة من المستودع، مما يتيح رؤية متسقة حتى في المنشآت الكبيرة أو الموزعة.

مع أن استخدام الذكاء الاصطناعي البصري لتكديس المنصات النقالة يوفر مزايا عديدة، إليك بعض العوامل المقيّدة التي ينبغي أخذها في الحسبان:

• الحساسية للبيئة: قد تؤثر ظروف الإضاءة والظلال والعوائق في وضوح صور أكوام المنصات النقالة.
• الاعتماد على الإعداد السليم: تتطلب النتائج الموثوقة تخطيطًا جيدًا لمواضع الكاميرات وتغطية كافية لمناطق العمليات الرئيسية.
• تراجع أداء النموذج: قد تستدعي التغييرات في تخطيط المستودع أو الإضاءة أو العمليات تحديث النماذج أو إعادة تدريبها دوريًا.
• صيانة الكاميرات: قد تتطلب الكاميرات تنظيفًا ومعايرة وفحوصات دورية لضمان ثبات أدائها.

أبرز النقاط#

لا يصبح تكديس المنصات النقالة بشكل غير آمن مشكلةً عادةً بين ليلة وضحاها، بل يتراكم بمرور الوقت نتيجة حالات عدم المحاذاة البسيطة وتحرك الحمولات. ويمكن رصد هذه التغيرات الطفيفة مبكرًا بفضل المراقبة البصرية المستمرة، مما يسهل اتخاذ الإجراءات قبل تفاقم المشكلات. وتدعم نماذج مثل Ultralytics YOLO26 ذلك من خلال إتاحة الاكتشاف السريع والآني.

هل ترغب في استكشاف الذكاء الاصطناعي البصري بمزيد من التفصيل؟ تفضل بزيارة مستودع GitHub للتعرف على المزيد. انضم إلى مجتمعنا واستكشف تطبيقات مثل الذكاء الاصطناعي في الخدمات اللوجستية والذكاء الاصطناعي البصري في قطاع التجزئة. اطّلع على خيارات الترخيص للبدء!