Erkennung unsicherer Palettenstapel mit Ultralytics YOLO26

Sicherheit ist bei Lagerabläufen von entscheidender Bedeutung. Instabile Paletten, herabfallende Lasten und versperrte Gänge können zu Produktschäden, Störungen der Arbeitsabläufe und schweren Verletzungen von Mitarbeitenden führen.

Insbesondere das Stapeln von Paletten spielt eine wichtige Rolle für die Sicherheit und Effizienz eines Lagers. Es wirkt sich direkt darauf aus, wie stabil Lasten sind, wie leicht Materialien durch die Lagerfläche bewegt werden können und wie sicher Mitarbeitende arbeiten können.

Selbst kleine Unregelmäßigkeiten können größere Risiken verursachen. Eine leichte Neigung, eine ungleichmäßige Gewichtsverteilung oder eine unzureichend gesicherte Last kann Paletten instabil machen. Fehlende Stretchfolie oder eine schlechte Ausrichtung können die Stabilität zusätzlich schwächen und die Wahrscheinlichkeit von Produktschäden oder Arbeitsunfällen erhöhen.

Abb. 1. Ein Lager ist ein dynamischer Ort, an dem Mitarbeitende ständig Paletten bewegen und stapeln. (Quelle)

Um solche Probleme zu vermeiden, stellen Organisationen wie die Behörde für Arbeitsschutz und Gesundheitsschutz (OSHA) Richtlinien für die sichere Lagerung und Handhabung von Materialien bereit. Diese Sicherheitsrichtlinien betonen die Stabilität von Lasten, die Einhaltung sicherer Belastungsgrenzen und geeignete Handhabungspraktiken, um Gefahren wie herabfallende oder einstürzende Stapel zu verhindern.

Die konsequente Anwendung dieser Standards in schnelllebigen Lagerumgebungen ist jedoch nicht immer einfach. Paletten werden im Laufe des Tages typischerweise bewegt, neu gestapelt und gehandhabt. Dadurch ist es schwierig, jeden Zustand einer Last in Echtzeit zu überwachen oder frühe Anzeichen von Instabilität zu erkennen.

Ein effektiverer Ansatz ist der Einsatz von Computer Vision. Als Teilgebiet der KI ermöglicht sie Maschinen, visuelle Daten aus Bildern und Videostreams zu interpretieren und zu analysieren. Mit Vision-KI-Modellen wie Ultralytics YOLO26 können Lager den Zustand von Paletten in Echtzeit überwachen und instabile Anordnungen frühzeitig erkennen, sodass Teams reagieren können, bevor sich Probleme verschärfen.

In diesem Artikel untersuchen wir die Risiken unsicheren Palettenstapelns und wie visionsbasierte Systeme helfen können, diese zu erkennen und zu verhindern. Legen wir los!

Der Einfluss des Palettenstapelns auf die Sicherheit im Lager#

Paletten sind dafür ausgelegt, ein bestimmtes Gewicht zu tragen und stabil gestapelt zu werden. Wenn sie überladen oder nicht richtig ausbalanciert sind, nimmt diese Stabilität ab.

Selbst kleine Verschiebungen beim Stapeln können sich mit der Zeit verstärken und die Wahrscheinlichkeit erhöhen, dass eine Last bei der Handhabung versagt. Diese Probleme treten häufig in schnelllebigen Umgebungen auf, in denen Paletten ständig beladen, bewegt und neu gestapelt werden. Was zunächst wie ein kleiner Fehler wirkt, kann allmählich die Gewichtsverteilung beeinflussen und zu instabilen Stapeln führen.

Dies wirkt sich auch auf die täglichen Abläufe aus. Wenn eine Palette beim Beladen oder Transportieren korrigiert werden muss, kann dies die Abläufe verlangsamen und Verzögerungen verursachen. Besonders bei der Handhabung wird das Problem deutlich, vor allem wenn Gabelstapler und Hubwagen zum Einsatz kommen.

Da sich solche Geräte ständig bewegen, werden selbst routinemäßige Aufgaben durch instabile Lasten riskanter. Dies kann zu beschädigten Waren, Störungen der Arbeitsabläufe oder Überlastung führen.

In schwerwiegenderen Fällen kann es zu Verletzungen von Mitarbeitenden kommen und die gesamte Lieferkette beeinträchtigt werden, wodurch sowohl die betrieblichen als auch die finanziellen Kosten steigen.

Herausforderungen herkömmlicher Methoden zur Paletteninspektion#

Die meisten Lager verlassen sich auf manuelle Inspektionsprozesse für Paletten, die sich häufig an OSHA-Standards, Sicherheitsvorschriften und Inspektionschecklisten orientieren. Diese Methoden unterstützen die Sicherheit von Paletten und ordnungsgemäße Stapelpraktiken, sind jedoch hinsichtlich ihrer einheitlichen Anwendung in stark ausgelasteten Umgebungen begrenzt.

Eine wichtige Einschränkung besteht darin, dass Inspektionen nur einen Zeitpunkt erfassen. Lagerabläufe umfassen kontinuierliches Beladen, Bewegen und erneutes Stapeln, doch Inspektionen zeigen nur, wie der Stapel zum Zeitpunkt der Prüfung aussieht. Dadurch ist es schwierig, Probleme zu erkennen, die zwischen den Prüfungen entstehen, etwa allmähliche Verschiebungen, verrutschende Lasten oder erste Anzeichen von Instabilität.

Einige Probleme sind bei Routineprüfungen ebenfalls schwerer zu erkennen. Beschädigte Paletten, gebrochene Bretter oder kleine Splitter können unbemerkt bleiben, obwohl sie die Struktur schwächen und die Stabilität der Last bei der Handhabung beeinträchtigen können.

Die Größe des Betriebs bringt eine weitere Schwierigkeit mit sich. In großen Lagern ist es anspruchsvoll, regelmäßige Inspektionen in allen Bereichen aufrechtzuerhalten, insbesondere rund um Palettenregale und Förderzonen. Diese Lücken bei der Abdeckung erschweren die konsequente Einhaltung von Sicherheitspraktiken und die Gewährleistung stabiler Palettenstapel im gesamten Betrieb.

Die Rolle von Vision-KI in Lagerabläufen#

Lager beginnen, Computer-Vision-Systeme einzusetzen, die den täglichen Betrieb überwachen können. Diese Systeme lernen aus großen Mengen beschrifteter Bilder und können palettenspezifische Details in verschiedenen Lagerbereichen kontinuierlich verfolgen.

Beispielsweise unterstützen moderne Computer-Vision-Modelle wie YOLO26 Vision-Aufgaben wie Objekterkennung, Bildklassifizierung, Erkennung orientierter Begrenzungsrahmen (OBB), Posenschätzung und Instanzsegmentierung. Damit lässt sich analysieren, wie Paletten und Lasten in Lagerbereichen angeordnet sind.

Die Objekterkennung kann insbesondere dazu verwendet werden, Paletten, Kartons und Geräte zur Materialhandhabung in Gängen und Lagerzonen zu identifizieren und zu lokalisieren. Dadurch können Systeme verfolgen, wie Materialien platziert und bewegt werden.

Abb. 2. Erkennung gestapelter Kartons mit einem Ultralytics-YOLO-Modell (Quelle)

Die Instanzsegmentierung ermöglicht dagegen die präzise Identifizierung einzelner Elemente innerhalb eines Stapels, indem jedes Objekt auf Pixelebene umrandet wird. Dadurch lassen sich überlappende oder eng gepackte Elemente leichter voneinander unterscheiden. Wenn die Ausrichtung entscheidend ist, können orientierte Begrenzungsrahmen verwendet werden, um die Position von Lasten zu beurteilen und ihre Winkel und Ausrichtungen genauer zu erfassen.

Ebenso kann die Bildklassifizierung verwendet werden, um den Gesamtzustand einer Palette oder Szene zu analysieren und Bezeichnungen wie „stabil“, „instabil“ oder „beschädigt“ zu vergeben. Die Posenschätzung konzentriert sich außerdem auf die Erkennung von Schlüsselpunkten, um Position und Bewegung von Mitarbeitenden oder Geräten zu verfolgen. So lässt sich nachvollziehen, wie sie mit Paletten interagieren, und potenziell unsichere Handhabung erkennen.

Wie Ultralytics YOLO26 das Palettenstapeln in der Praxis ermöglicht#

Ultralytics YOLO26 ist sofort einsatzbereit als vortrainiertes Modell verfügbar. Das bedeutet, dass es bereits mit großen Datensätzen trainiert wurde und daher gängige Objekte erkennen kann, ohne von Grund auf erstellt werden zu müssen.

Lagerumgebungen bringen jedoch eigene Besonderheiten mit sich, etwa unterschiedliche Palettentypen, Stapelmuster, Lastzustände und Unregelmäßigkeiten in der Praxis. Hier erweist sich die Möglichkeit, Ultralytics-YOLO-Modelle wie YOLO26 individuell zu trainieren, als besonders wertvoll.

Durch das Training eines Modells mit lagerspezifischen Daten kann es diese Variationen besser verstehen und genauere sowie zuverlässigere Ergebnisse liefern. Der Prozess beginnt mit dem Sammeln von Bildern und Videoframes aus den Lagerbereichen, wobei unterschiedliche Stapelbedingungen in verschiedenen Umgebungen erfasst werden.

Diese Bilder werden anschließend annotiert (mit Bezeichnungen versehen), beispielsweise indem Begrenzungsrahmen (rechteckige Rahmen) um Paletten gezeichnet oder instabile Bereiche markiert werden. Sobald ein Datensatz mit den annotierten Daten vorbereitet ist, kann Ultralytics YOLO26 anhand dieser Beispiele aus der Praxis trainiert und an Variationen bei Layout, Beleuchtung und Abläufen angepasst werden.

Das Training kann entweder mit dem Ultralytics-Python-Paket durchgeführt werden, das integrierte Werkzeuge zum Laden von Daten, Trainieren von Modellen und Ausführen von Vorhersagen per Code bereitstellt, oder über die Ultralytics Platform, eine durchgängige Computer-Vision-Plattform, die Datenverwaltung, Annotation, Training und Bereitstellung an einem Ort vereint.

Modelltraining mit der Ultralytics Platform vereinfachen#

Die Verwaltung von Computer-Vision-Workflows – von der Vorbereitung und Annotation von Datensätzen bis hin zu Training, Bewertung und Bereitstellung – kann komplex sein. Die Ultralytics Platform begegnet dieser Herausforderung, indem sie diese Schritte in einer einzigen Umgebung zusammenführt.

So können Nutzer beispielsweise Bilddaten aus Lagerumgebungen organisieren und beschriften und sie zum Trainieren von Modellen anhand realer Szenarien verwenden. Dadurch lernen Modelle, wie Paletten bei unterschiedlichen Layouts, Lichtverhältnissen und Stapelarten aussehen, und werden im tatsächlichen Betrieb genauer und zuverlässiger.

Abb. 3. Ein Blick auf einen Datensatz in der Ultralytics Platform (Quelle)

Nach dem Training können Modelle mithilfe des integrierten Tabs „Predict“ mit neuen, bisher unbekannten Bildern getestet werden, um ihre Leistung vor der Bereitstellung zu überprüfen.

Nach der Validierung können Modelle je nach Anwendungsfall auf unterschiedliche Weise über die Ultralytics Platform bereitgestellt werden: durch gemeinsame Inferenz für Entwicklung und Tests, über dedizierte Endpunkte für Produktivbereitstellungen oder durch den Export von Modellen zur Ausführung auf externen Systemen oder Edge-Geräten.

Überlegungen zur Kameraplatzierung für eine genaue Erkennung#

Beim Aufbau eines visionsgestützten Systems zur Palettenüberwachung kann die Kameraplatzierung direkt beeinflussen, wie zuverlässig Probleme beim Stapeln erfasst werden. Die richtige Einrichtung unterstützt eine effektivere Automatisierung von Überwachungssystemen.

Abb. 4. Beispiel für den Einsatz einer nach unten gerichteten Kamera zur Überwachung von Aktivitäten im Lager (Quelle)

Hier sind einige praktische Überlegungen zur Kameraplatzierung:

• Frontale Ansichten der Regale: Kameras, die auf Palettenregale gerichtet sind, können die vollständige Höhe der Stapel erfassen. Dadurch lassen sich überhöhte Stapel und geneigte Lasten leichter beobachten.
• Schrägansichten für Tiefe und Neigung: Schräge Kameraansichten, typischerweise mit einem Winkel von etwa 30–45°, können eine bessere Sicht auf Tiefe, Neigung und Lücken innerhalb von Stapeln bieten, die aus einer frontalen Perspektive möglicherweise nicht sichtbar sind.
• Ansichten von oben für dicht belegte Bereiche: Draufsichten sind in eng gepackten Zonen hilfreich, in denen die seitliche Sicht versperrt sein kann und die Unterscheidung einzelner Paletten schwieriger wird.
• Überwachungspunkte an Ein- und Ausgängen: Kameras in der Nähe von Förderbändern und Verladebereichen können Paletten vor und nach der Bewegung erfassen und so dabei helfen, Stabilitätsveränderungen während des Transports zu verfolgen.
• Bereiche mit Gabelstaplerinteraktion: Die Überwachung von Aufnahme- und Abstellbereichen in der Nähe von Fahrwegen für Gabelstapler kann Einblicke in die Stabilität von Lasten während der Handhabung geben, da dort viele Probleme auftreten.

Praktische Anwendungen von Vision-KI beim Palettenstapeln#

Als Nächstes sehen wir uns einige praktische Beispiele dafür an, wie Vision-KI in Lagern eingesetzt wird, um häufige Probleme beim Palettenstapeln zu erkennen und zu bewältigen.

Verstöße gegen die Stapelhöhe in Lagerzonen erkennen#

Grenzen für die Stapelhöhe legen fest, wie hoch Palettenstapel sicher aufgebaut werden dürfen. Das gilt insbesondere für Lagerbereiche, in denen Paletten eng beieinander gestapelt werden, um den verfügbaren Platz optimal zu nutzen. Diese Grenzen helfen, instabile Lasten zu verhindern und einen sicheren Abstand zu Palettenregalen und Deckensystemen wie Sprinklern einzuhalten.

Diese Grenzen können jedoch in Stoßzeiten, etwa bei hohem Wareneingangsvolumen, überschritten werden. Um solche Aktivitäten genauer zu überwachen, können Modelle wie Ultralytics YOLO26 Kamerastreams analysieren, einzelne Paletten erkennen und zählen sowie verfolgen, wie der Stapel mit der Zeit wächst.

Durch die Überwachung der Anzahl und Position erkannter Paletten kann ein visionsgestütztes System die Gesamthöhe des Stapels schätzen und erkennen, wann sie sich sicheren Grenzen nähert oder diese überschreitet. Dadurch erhalten Lagerverantwortliche frühzeitig Einblick in mögliche Probleme und können das Stapeln anpassen oder Lasten umverteilen, bevor sie zu einem Sicherheitsrisiko werden.

Ungleichgewicht von Lasten und geneigte Strukturen erkennen#

Wenn eine Palette auf die richtige Höhe gestapelt, aber nicht ordnungsgemäß ausbalanciert ist, kann sie trotzdem instabil werden. Eine ungleichmäßige Gewichtsverteilung, lose platzierte Kartons oder eine leichte Verschiebung können dazu führen, dass sich eine beladene Palette mit der Zeit zunehmend neigt.

Diese Veränderungen sind anfangs oft subtil und bei Routineprüfungen möglicherweise nicht offensichtlich. Mit Computer-Vision-Modellen wie Ultralytics YOLO26 können solche Prüfungen jedoch kontinuierlich anhand von Kamerastreams durchgeführt werden.

Die Unterstützung von orientierten Begrenzungsrahmen (OBBs) durch Ultralytics YOLO26 erleichtert beispielsweise die Erfassung von Winkel und Ausrichtung jeder Palette oder jedes Kartons, statt nur deren Position zu bestimmen. Durch die zeitliche Verfolgung dieser Ausrichtungen kann das Modell kleine Verschiebungen wie leichte Neigungen oder Veränderungen der Ausrichtung erkennen.

Wenn diese Winkel beginnen, von der vertikalen Ausrichtung abzuweichen, oder zwischen den einzelnen Schichten uneinheitlich werden, kann dies darauf hindeuten, dass ein Stapel allmählich instabil wird. Werden Ungleichgewichte früh erkannt, können sie korrigiert werden, bevor sie sich verschärfen.

Vor- und Nachteile von Vision-KI für das sichere Palettenstapeln#

Hier sind einige der wichtigsten Vorteile visionsbasierter Systeme beim Palettenstapeln:

• Echtzeit-Überblick über alle Abläufe: Vision-Systeme können den Zustand von Paletten kontinuierlich überwachen und so die Einhaltung von OSHA-Standards und ordnungsgemäßen Stapelpraktiken erleichtern.
• Bessere Nachverfolgung von Vorfällen: Aufgezeichnete visuelle Daten können später überprüft werden, um zu verstehen, wann und wie sich ein Problem entwickelt hat.
• Integration in bestehende Systeme: Vision-Modelle können mit Lagerverwaltungssystemen oder Warnsystemen verbunden werden, um Benachrichtigungen oder Workflows auszulösen.
• Skalierbare Überwachung über mehrere Zonen hinweg: Moderne Vision-Modelle können in mehreren Lagerbereichen bereitgestellt werden und ermöglichen auch in großen oder verteilten Einrichtungen einen einheitlichen Überblick.

Der Einsatz von Vision-KI beim Palettenstapeln bietet zwar viele Vorteile, dennoch solltest du die folgenden Einschränkungen berücksichtigen:

• Empfindlichkeit gegenüber Umgebungsbedingungen: Lichtverhältnisse, Schatten und Hindernisse können beeinflussen, wie deutlich Palettenstapel erfasst werden.
• Abhängigkeit von einer geeigneten Einrichtung: Zuverlässige Ergebnisse erfordern eine gut geplante Kameraplatzierung und eine ausreichende Abdeckung wichtiger Betriebsbereiche.
• Veränderung der Modellleistung: Änderungen am Lagerlayout, an der Beleuchtung oder an den Abläufen können regelmäßige Modellaktualisierungen oder ein erneutes Training erforderlich machen.
• Wartung der Kameras: Kameras müssen möglicherweise regelmäßig gereinigt, kalibriert und überprüft werden, um eine gleichbleibende Leistung sicherzustellen.

Die wichtigsten Erkenntnisse#

Unsicheres Palettenstapeln wird normalerweise nicht sofort zum Problem. Es entwickelt sich mit der Zeit durch kleine Verschiebungen und verrutschende Lasten. Durch kontinuierliche visuelle Überwachung können diese subtilen Veränderungen früh erkannt werden, sodass sich leichter Maßnahmen ergreifen lassen, bevor sich Probleme verschärfen. Modelle wie Ultralytics YOLO26 unterstützen dies, indem sie eine schnelle Erkennung in Echtzeit ermöglichen.

Möchtest du mehr über Vision-KI erfahren? Besuche unser GitHub-Repository, um mehr zu erfahren. Tritt unserer Community bei und entdecke Anwendungen wie KI in der Logistik und Vision-KI im Einzelhandel. Sieh dir unsere Lizenzoptionen an und starte jetzt!