اكتشاف تكديس المنصات النقالة غير الآمن باستخدام Ultralytics YOLO26

تُعد السلامة أمرًا بالغ الأهمية عندما يتعلق الأمر بـعمليات المستودعات. فقد تؤدي المنصات غير المستقرة والأحمال المتساقطة والممرات المسدودة إلى تلف المنتجات وتعطّل سير العمل وإصابات خطيرة للعمال.

ويؤدي تكديس المنصات، على وجه الخصوص، دورًا محوريًا في الحفاظ على مستودع آمن وفعّال. فهو يؤثر مباشرةً في مدى استقرار الأحمال، وسهولة نقل المواد عبر المكان، ومدى أمان عمل العمال.

يمكن حتى لأوجه عدم الاتساق البسيطة أن تُنشئ مخاطر أكبر. فقد يجعل الميل الطفيف أو التوزيع غير المتساوي للوزن أو الحمولة المثبتة بشكل غير محكم المنصات غير مستقرة. كما يمكن أن يؤدي غياب التغليف المطاطي أو سوء المحاذاة إلى إضعاف الاستقرار أكثر، ما يزيد احتمال تلف المنتجات أو وقوع حوادث في مكان العمل.

الشكل 1. المستودع مساحة ديناميكية يتحرك فيها العمال باستمرار ويكدسون المنصات. (المصدر)

للوقاية من هذه المشكلات، تقدم مؤسسات مثل إدارة السلامة والصحة المهنية (OSHA) إرشادات لتخزين المواد ومناولتها بأمان. وتؤكد إرشادات السلامة هذه أهمية الحفاظ على استقرار الأحمال، والالتزام بحدود الحمولة الآمنة، واتباع ممارسات المناولة السليمة للوقاية من مخاطر مثل سقوط الأكوام أو انهيارها.

ومع ذلك، ليس من السهل دائمًا تطبيق هذه المعايير باستمرار في بيئات المستودعات سريعة الحركة. فعادةً ما تُنقل المنصات ويُعاد تكديسها ومناولتها طوال اليوم. ويجعل ذلك مراقبة حالة كل حمولة في الوقت الفعلي أو اكتشاف العلامات المبكرة لعدم الاستقرار أمرًا صعبًا.

يتمثل نهج أكثر فعالية في استخدام الرؤية الحاسوبية. وباعتبارها فرعًا من فروع الذكاء الاصطناعي، تتيح الرؤية الحاسوبية للآلات تفسير البيانات المرئية وتحليلها من الصور وتدفقات الفيديو. وباستخدام نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO26، يمكن للمستودعات مراقبة حالات المنصات في الوقت الفعلي واكتشاف التكوينات غير المستقرة مبكرًا، ما يتيح للفرق الاستجابة قبل تفاقم المشكلات.

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

تأثير تكديس المنصات في سلامة المستودعات#

صُممت المنصات لحمل مقدار معين من الوزن ولتُكدّس بطريقة مستقرة. وعندما تكون محمّلة بأكثر من طاقتها أو غير متوازنة على نحو صحيح، يبدأ هذا الاستقرار في الانهيار.

يمكن حتى لعدم المحاذاة البسيط أثناء التكديس أن يتراكم بمرور الوقت ويزيد احتمال فشل الحمولة أثناء المناولة. وتحدث هذه المشكلات عادةً في البيئات سريعة الوتيرة التي تُحمّل فيها المنصات وتُنقل ويُعاد تكديسها باستمرار. وقد تؤثر الأخطاء التي تبدو بسيطة في البداية تدريجيًا في توزيع الوزن وتؤدي إلى أكوام غير مستقرة.

ويؤثر ذلك أيضًا في العمليات اليومية. فإذا احتاجت منصة إلى الإصلاح أثناء التحميل أو النقل، فقد يؤدي ذلك إلى إبطاء العمل والتسبب في تأخيرات. وتصبح المشكلة أكثر وضوحًا أثناء المناولة، ولا سيما عند استخدام الرافعات الشوكية ورافعات المنصات.

وبما أن هذه المعدات تكون دائمًا في حالة حركة، فإن التعامل مع الأحمال غير المستقرة يجعل حتى المهام الاعتيادية أكثر خطورة. وقد يؤدي ذلك إلى تلف البضائع أو تعطّل سير العمل أو التحميل الزائد.

وفي الحالات الأكثر خطورة، قد يؤدي ذلك إلى إصابات العمال والتأثير في سلسلة الإمداد الأوسع، ما يزيد التكاليف التشغيلية والمالية على حد سواء.

تحديات أساليب فحص المنصات التقليدية#

تعتمد معظم المستودعات على عمليات فحص يدوية للمنصات، وغالبًا ما تسترشد بمعايير OSHA ولوائح السلامة وقوائم التحقق من الفحص. وتدعم هذه الأساليب سلامة المنصات وممارسات التكديس السليمة، لكنها محدودة من حيث مدى اتساق تطبيقها في البيئات المزدحمة.

يتمثل أحد القيود الرئيسية في أن عمليات الفحص لا تلتقط سوى لحظة زمنية واحدة. وتتضمن عمليات المستودع تحميلًا وحركة وإعادة تكديس مستمرة، لكن عمليات الفحص لا تسجل سوى شكل الكومة وقت إجراء الفحص. ويجعل ذلك اكتشاف المشكلات التي تتطور بين عمليات الفحص، مثل عدم المحاذاة التدريجي أو تحرك الأحمال أو العلامات المبكرة لعدم الاستقرار، أمرًا صعبًا.

كما يصعب اكتشاف بعض المشكلات أثناء الفحوص الروتينية. فقد تمر المنصات التالفة أو الألواح المكسورة أو الشظايا الصغيرة دون ملاحظة، رغم أنها قد تضعف الهيكل وتؤثر في استقرار الحمولة أثناء المناولة.

ويضيف حجم العمليات طبقة أخرى من الصعوبة. ففي المستودعات الكبيرة، يصعب الحفاظ على عمليات فحص منتظمة في جميع المناطق، ولا سيما حول مناطق رفوف المنصات والناقلات. وتجعل هذه الفجوات في التغطية اتباع ممارسات السلامة باستمرار وضمان تكديس المنصات المستقر عبر العمليات أمرًا أكثر صعوبة.

دور الذكاء الاصطناعي للرؤية في عمليات المستودعات#

بدأت المستودعات في اعتماد أنظمة رؤية حاسوبية يمكنها مراقبة العمليات اليومية. وتتعلم هذه الأنظمة من كميات كبيرة من الصور المشروحة، ويمكنها تتبع التفاصيل الخاصة بالمنصات باستمرار عبر مناطق التخزين المختلفة.

فعلى سبيل المثال، تدعم نماذج الرؤية الحاسوبية المتطورة مثل YOLO26 مهام الرؤية مثل اكتشاف الكائنات، وتصنيف الصور، واكتشاف مربعات الإحاطة الموجّهة (OBB)، وتقدير الوضعية، وتقسيم المثيلات، ما يمكن أن يساعد في تحليل كيفية ترتيب المنصات والأحمال في أنحاء المستودعات.

وعلى وجه التحديد، يمكن استخدام اكتشاف الكائنات لتحديد مواقع المنصات 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)

وفي الوقت نفسه، يتيح تقسيم المثيلات تحديد العناصر الفردية داخل الكومة بدقة من خلال رسم حدود كل كائن على مستوى البكسل. ويسهّل ذلك فصل العناصر المتداخلة أو المتقاربة في التكديس. وفي الحالات التي تكون فيها المحاذاة بالغة الأهمية، يمكن استخدام مربعات الإحاطة الموجّهة لتقييم مواضع الأحمال، مع التقاط زواياها واتجاهاتها بدقة أكبر.

وبالمثل، يمكن استخدام تصنيف الصور لتحليل الحالة العامة لمنصة أو مشهد وإسناد تسميات مثل «مستقرة» أو «غير مستقرة» أو «تالفة». كما يركز تقدير الوضعية على اكتشاف النقاط الرئيسية لتتبع موضع العمال أو المعدات وحركتهم، ما يتيح فهم كيفية تفاعلهم مع المنصات وتحديد أساليب المناولة التي قد تكون غير آمنة.

كيف يتيح Ultralytics YOLO26 تكديس المنصات في الواقع العملي#

يتوفر Ultralytics YOLO26، فورًا ومن دون إعدادات إضافية، كنموذج مُدرّب مسبقًا. وبعبارة أخرى، لقد دُرّب بالفعل على مجموعات بيانات كبيرة، لذا يمكنه التعرف على الكائنات الشائعة من دون الحاجة إلى بنائه من الصفر.

ومع ذلك، تطرح بيئات المستودعات خصائصها الخاصة، مثل اختلاف أنواع المنصات وأنماط التكديس وحالات الأحمال وأوجه عدم الاتساق في العالم الحقيقي. وهنا تصبح إمكانية التدريب المخصص لـنماذج Ultralytics YOLO مثل YOLO26 ذات قيمة.

يتيح تدريب نموذج على بيانات خاصة بالمستودعات فهم هذه الاختلافات على نحو أفضل وتقديم نتائج أكثر دقة وموثوقية. وتبدأ هذه العملية بجمع الصور وإطارات الفيديو من أرضيات المستودعات، مع التقاط حالات تكديس مختلفة عبر البيئات.

ثم تُشرح هذه الصور (تُضاف التسميات إليها)، على سبيل المثال، من خلال رسم مربعات إحاطة (مربعات مستطيلة) حول المنصات أو تحديد مناطق عدم الاستقرار. وبعد إعداد مجموعة بيانات باستخدام البيانات المشروحة، يمكن تدريب Ultralytics YOLO26 على هذه الأمثلة الواقعية، وتكييفه مع الاختلافات في التخطيط والإضاءة والعمليات.

يمكن إجراء التدريب إما باستخدام حزمة Ultralytics Python، التي توفر أدوات مدمجة لتحميل البيانات وتدريب النماذج وتشغيل التنبؤات باستخدام التعليمات البرمجية، أو عبر منصة Ultralytics، وهي منصة رؤية حاسوبية متكاملة تجمع إدارة البيانات والتوسيم والتدريب والنشر في مكان واحد.

تبسيط تدريب النماذج باستخدام منصة Ultralytics#

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

فعلى سبيل المثال، يمكن للمستخدمين تنظيم بيانات الصور من بيئات المستودعات وتسميتها، ثم استخدامها لتدريب النماذج على سيناريوهات واقعية. ويتيح ذلك للنماذج تعلم كيفية ظهور المنصات عبر التخطيطات وظروف الإضاءة وأنماط التكديس المختلفة، ما يجعلها أكثر دقة وموثوقية في العمليات الفعلية.

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

بعد تدريب النماذج، يمكن اختبارها على صور جديدة لم تُشاهد من قبل باستخدام علامة التبويب Predict المدمجة للتحقق من الأداء قبل النشر.

بعد التحقق، يمكن نشر النماذج بطرق مختلفة عبر منصة Ultralytics، بحسب حالة الاستخدام، بما في ذلك الاستدلال المشترك للتطوير والاختبار، ونقاط النهاية المخصصة لعمليات النشر الإنتاجية، أو تصدير النماذج لتشغيلها على أنظمة خارجية أو أجهزة طرفية.

اعتبارات وضع الكاميرات لتحقيق اكتشاف دقيق#

عند بناء نظام لمراقبة المنصات قائم على الرؤية، يمكن أن يؤثر وضع الكاميرات مباشرةً في مدى موثوقية التقاط مشكلات التكديس. ويدعم الإعداد المناسب أتمتة أنظمة المراقبة بفاعلية أكبر.

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

فيما يلي بعض الاعتبارات العملية لوضع الكاميرات:

• مناظر الرفوف المواجهة للأمام: يمكن للكاميرات الموضوعة في مواجهة رفوف المنصات التقاط الارتفاع الكامل للأكوام، ما يسهل ملاحظة التكديس الزائد والأحمال المائلة.
• مناظر مائلة لإظهار العمق والميل: يمكن لمناظر الكاميرا المائلة، بزاوية تتراوح عادةً بين 30 و45°، أن توفر رؤية أفضل للعمق والميل والفجوات داخل الأكوام التي قد لا تكون ظاهرة من المناظير المواجهة مباشرةً.
• مناظر علوية للمناطق الكثيفة: تفيد المناظر من أعلى إلى أسفل في المناطق المكتظة، حيث قد تُحجب المناظر الجانبية ويصبح تمييز المنصات الفردية أكثر صعوبة.
• نقاط مراقبة الدخول والخروج: يمكن للكاميرات الموضوعة بالقرب من أحزمة النقل ومناطق الأرصفة التقاط المنصات قبل الحركة وبعدها، ما يساعد في تتبع التغيرات في الاستقرار أثناء النقل.
• مناطق تفاعل الرافعات الشوكية: يمكن أن توفر مراقبة مناطق الالتقاط والإنزال بالقرب من مسارات الرافعات الشوكية رؤى حول استقرار الحمولة أثناء المناولة، حيث تميل كثير من المشكلات إلى الحدوث.

التطبيقات الواقعية للذكاء الاصطناعي للرؤية في تكديس المنصات#

بعد ذلك، سنستعرض بعض الأمثلة العملية على كيفية استخدام الذكاء الاصطناعي للرؤية في المستودعات لاكتشاف مشكلات تكديس المنصات الشائعة ومعالجتها.

اكتشاف مخالفات ارتفاع الأكوام في مناطق التخزين#

تحدد حدود ارتفاع التكديس مدى الارتفاع الذي يمكن بناء أكوام المنصات إليه بأمان، ولا سيما في مناطق التخزين التي تُكدّس فيها المنصات متقاربة للاستفادة القصوى من المساحة المتاحة. وتساعد هذه الحدود في منع الأحمال غير المستقرة والحفاظ على خلوص آمن حول رفوف المنصات والأنظمة العلوية مثل المرشات.

ومع ذلك، قد يجري تجاوز هذه الحدود خلال الفترات المزدحمة، مثل عمليات الاستلام الواردة ذات الحجم الكبير. ولمراقبة هذا النشاط عن كثب، يمكن لنماذج مثل Ultralytics YOLO26 تحليل تدفقات الكاميرات لاكتشاف المنصات الفردية وعدّها وتتبع نمو الكومة بمرور الوقت.

ومن خلال مراقبة عدد المنصات المكتشفة ومواضعها، يمكن لنظام مزود بقدرات الرؤية تقدير الارتفاع الإجمالي للكومة وتحديد وقت اقترابها من الحدود الآمنة أو تجاوزها. ويمنح ذلك مشغلي المستودعات رؤية مبكرة للمشكلات المحتملة، ما يتيح لهم تعديل التكديس أو إعادة توزيع الأحمال قبل أن تتحول إلى خطر على السلامة.

تحديد اختلال توازن الحمولة والهياكل المائلة#

عندما تُكدّس منصة إلى الارتفاع الصحيح لكنها لا تكون متوازنة على نحو مناسب، فقد تصبح غير مستقرة مع ذلك. ويمكن أن يؤدي التوزيع غير المتساوي للوزن أو الصناديق الموضوعة بشكل غير محكم أو عدم المحاذاة الطفيف إلى ميل المنصة المحمّلة تدريجيًا بمرور الوقت.

غالبًا ما تكون هذه التغيرات طفيفة في البداية وقد لا تكون واضحة أثناء الفحوص الروتينية. لكن باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26، يمكن إجراء هذه الفحوص باستمرار باستخدام تدفقات الكاميرات.

فعلى سبيل المثال، يجعل دعم Ultralytics YOLO26 لمربعات الإحاطة الموجّهة (OBBs) من السهل التقاط زاوية كل منصة أو صندوق واتجاهه، بدلًا من موضعه فحسب. ومن خلال تتبع هذه الاتجاهات بمرور الوقت، يمكن للنموذج اكتشاف التحولات الصغيرة مثل الميول الطفيفة أو التغيرات في المحاذاة.

وعندما تبدأ هذه الزوايا في الانحراف عن المحاذاة الرأسية أو تصبح غير متسقة بين الطبقات، فقد يشير ذلك إلى أن الكومة بدأت تميل. وعند اكتشاف الاختلالات مبكرًا، يمكن تصحيحها قبل تفاقمها.

إيجابيات وسلبيات استخدام الذكاء الاصطناعي للرؤية لتكديس المنصات بأمان#

فيما يلي بعض الفوائد الرئيسية لاستخدام الأنظمة القائمة على الرؤية في تكديس المنصات:

• رؤية آنية عبر العمليات: يمكن لأنظمة الرؤية توفير مراقبة مستمرة لحالات المنصات، ما يسهل اتباع معايير OSHA وممارسات التكديس السليمة.
• تتبع أفضل للحوادث: يمكن مراجعة البيانات المرئية المسجلة لاحقًا لفهم وقت تطور المشكلة وكيفيته.
• التكامل مع الأنظمة الحالية: يمكن ربط نماذج الرؤية بأنظمة إدارة المستودعات أو أنظمة التنبيه لتفعيل الإشعارات أو عمليات سير العمل.
• مراقبة قابلة للتوسع عبر المناطق: يمكن نشر نماذج الرؤية المتقدمة عبر مناطق متعددة في المستودع، ما يتيح رؤية متسقة حتى في المنشآت الكبيرة أو الموزعة.

مع أن استخدام الذكاء الاصطناعي للرؤية في تكديس المنصات يوفر مزايا عديدة، فإليك بعض العوامل المقيدة التي ينبغي وضعها في الاعتبار:

• الحساسية للبيئة: يمكن أن تؤثر ظروف الإضاءة والظلال والعوائق في مدى وضوح التقاط أكوام المنصات.
• الاعتماد على الإعداد المناسب: تتطلب النتائج الموثوقة وضعًا مخططًا جيدًا للكاميرات وتغطية كافية للمناطق التشغيلية الرئيسية.
• انحراف أداء النموذج: قد تتطلب التغييرات في تخطيط المستودع أو الإضاءة أو العمليات تحديث النماذج أو إعادة تدريبها دوريًا.
• صيانة الكاميرات: قد تتطلب الكاميرات تنظيفًا ومعايرة وفحوصًا منتظمة لضمان أداء متسق.

أهم النقاط#

لا يصبح تكديس المنصات غير الآمن مشكلة عادةً على الفور، بل يتراكم بمرور الوقت نتيجة حالات عدم المحاذاة الطفيفة وتحرك الأحمال. ومن خلال المراقبة المرئية المستمرة، يمكن اكتشاف هذه التغيرات الدقيقة مبكرًا، ما يسهل اتخاذ الإجراءات قبل تفاقم المشكلات. وتدعم نماذج مثل Ultralytics YOLO26 ذلك من خلال تمكين الاكتشاف السريع في الوقت الفعلي.

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