Detección de apilamientos inseguros de palés con Ultralytics YOLO26

La seguridad es fundamental en las operaciones de almacén. Los palés inestables, las cargas que se caen y los pasillos bloqueados pueden provocar daños en los productos, interrupciones del flujo de trabajo y lesiones graves a los trabajadores.

En particular, el apilado de palés desempeña un papel clave para mantener un almacén seguro y eficiente. Afecta directamente a la estabilidad de las cargas, a la facilidad con la que los materiales se desplazan por el espacio y a la seguridad con la que pueden trabajar los empleados.

Incluso las pequeñas irregularidades pueden generar riesgos mayores. Una ligera inclinación, una distribución desigual del peso o una carga mal asegurada pueden hacer que los palés sean inestables. La falta de film retráctil o una mala alineación pueden debilitar aún más la estabilidad y aumentar la probabilidad de daños en los productos o accidentes laborales.

Fig. 1. Un almacén es un espacio dinámico donde los trabajadores están moviendo y apilando palés constantemente. (Fuente)

Para prevenir estos problemas, organizaciones como la Administración de Seguridad y Salud Ocupacional (OSHA) proporcionan directrices para el almacenamiento y la manipulación seguros de materiales. Estas directrices de seguridad hacen hincapié en mantener la estabilidad de las cargas, respetar los límites de carga seguros y seguir prácticas de manipulación adecuadas para prevenir riesgos como la caída o el derrumbe de pilas.

Sin embargo, aplicar estas normas de forma constante en entornos de almacén con mucha actividad no siempre es fácil. Los palés suelen moverse, volver a apilarse y manipularse a lo largo del día. Esto dificulta supervisar en tiempo real el estado de cada carga o detectar los primeros signos de inestabilidad.

Un enfoque más eficaz consiste en utilizar la visión por ordenador. Como rama de la IA, permite a las máquinas interpretar y analizar datos visuales procedentes de imágenes y secuencias de vídeo. Con modelos de IA visual como Ultralytics YOLO26, los almacenes pueden supervisar el estado de los palés en tiempo real y detectar configuraciones inestables desde el principio, lo que permite a los equipos actuar antes de que los problemas se agraven.

En este artículo, analizaremos los riesgos asociados al apilado inseguro de palés y cómo los sistemas basados en visión pueden ayudar a detectarlos y prevenirlos. ¡Empecemos!

El impacto del apilado de palés en la seguridad del almacén#

Los palés están diseñados para soportar una determinada cantidad de peso y apilarse de forma estable. Cuando se sobrecargan o no se equilibran correctamente, esa estabilidad empieza a deteriorarse.

Incluso las pequeñas desalineaciones durante el apilado pueden acumularse con el tiempo y aumentar las probabilidades de que una carga falle durante la manipulación. Estos problemas suelen producirse en entornos de ritmo acelerado, donde los palés se cargan, mueven y vuelven a apilar constantemente. Lo que al principio parecen errores menores puede afectar gradualmente a la distribución del peso y provocar pilas inestables.

Esto también afecta a las operaciones diarias. Si es necesario corregir un palé durante la carga o el transporte, el proceso puede ralentizarse y provocar retrasos. El problema se hace más evidente durante la manipulación, especialmente cuando intervienen carretillas elevadoras y transpaletas.

Como estos equipos están siempre en movimiento, manipular cargas inestables hace que incluso las tareas rutinarias sean más arriesgadas. Esto puede provocar daños en las mercancías, interrupciones del flujo de trabajo o sobrecargas.

En los casos más graves, puede provocar lesiones a los trabajadores y afectar a toda la cadena de suministro, aumentando tanto los costes operativos como los financieros.

Retos de los métodos tradicionales de inspección de palés#

La mayoría de los almacenes dependen de procesos manuales de inspección de palés, a menudo guiados por las normas de OSHA, la normativa de seguridad y las listas de comprobación de inspección. Estos métodos favorecen la seguridad de los palés y unas prácticas de apilado adecuadas, pero están limitados en cuanto a la constancia con la que pueden aplicarse en entornos con mucha actividad.

Una limitación importante es que las inspecciones solo capturan un momento concreto. Las operaciones de almacén implican una carga, un movimiento y un reapilado continuos, pero las inspecciones solo muestran el aspecto de la pila en el momento de la comprobación. Esto dificulta detectar problemas que se desarrollan entre inspecciones, como desalineaciones graduales, desplazamientos de las cargas o primeros signos de inestabilidad.

Algunos problemas también son más difíciles de detectar durante las comprobaciones rutinarias. Los palés dañados, las tablas rotas o las pequeñas astillas pueden pasar desapercibidos, aunque pueden debilitar la estructura y afectar a la estabilidad de la carga durante la manipulación.

La escala añade otra dificultad. En los almacenes grandes, resulta complicado mantener inspecciones periódicas en todas las zonas, especialmente alrededor de las estanterías para palés y las áreas de transportadores. Estas lagunas de cobertura dificultan el seguimiento constante de las prácticas de seguridad y la garantía de un apilado estable de los palés en todas las operaciones.

El papel de la IA visual en las operaciones de almacén#

Los almacenes están empezando a adoptar sistemas de visión por ordenador capaces de supervisar las operaciones diarias. Estos sistemas aprenden a partir de grandes volúmenes de imágenes etiquetadas y pueden realizar un seguimiento continuo de detalles específicos de los palés en distintas zonas de almacenamiento.

Por ejemplo, los modelos de visión por ordenador de última generación, como YOLO26, permiten realizar tareas de visión, como la detección de objetos, la clasificación de imágenes, la detección de cajas delimitadoras orientadas (OBB), la estimación de poses y la segmentación de instancias, lo que puede ayudar a analizar cómo se distribuyen los palés y las cargas por los espacios del almacén.

En concreto, la detección de objetos puede utilizarse para identificar y localizar palés, cajas y equipos de manipulación en pasillos y zonas de almacenamiento. Esto permite a los sistemas realizar un seguimiento de cómo se colocan y se mueven los materiales.

Fig. 2. Uso de un modelo Ultralytics YOLO para detectar cajas apiladas (Fuente)

Por su parte, la segmentación de instancias permite identificar con precisión elementos individuales dentro de una pila delimitando cada objeto a nivel de píxel. Esto facilita separar elementos superpuestos o muy juntos. En situaciones en las que la alineación es fundamental, pueden utilizarse las cajas delimitadoras orientadas para evaluar cómo están colocadas las cargas y captar sus ángulos y orientaciones con mayor precisión.

Del mismo modo, la clasificación de imágenes puede utilizarse para analizar el estado general de un palé o una escena y asignar etiquetas como «estable», «inestable» o «dañado». Además, la estimación de poses se centra en detectar puntos clave para realizar un seguimiento de la posición y el movimiento de los trabajadores o los equipos, lo que permite comprender cómo interactúan con los palés e identificar posibles manipulaciones inseguras.

Cómo permite Ultralytics YOLO26 apilar palés en situaciones reales#

Ultralytics YOLO26 está disponible desde el primer momento como modelo preentrenado. En otras palabras, ya se ha entrenado con grandes conjuntos de datos, por lo que puede reconocer objetos comunes sin tener que crearse desde cero.

Sin embargo, los entornos de almacén presentan sus propias particularidades, como distintos tipos de palés, patrones de apilado, estados de las cargas e irregularidades del mundo real. Aquí es donde resulta valiosa la posibilidad de entrenar modelos Ultralytics YOLO personalizados, como YOLO26.

Entrenar un modelo con datos específicos del almacén le permite comprender mejor estas variaciones y ofrecer resultados más precisos y fiables. El proceso comienza recopilando imágenes y fotogramas de vídeo de las instalaciones del almacén, capturando distintas condiciones de apilado en diferentes entornos.

A continuación, se anotan estas imágenes (se añaden etiquetas), por ejemplo, dibujando cajas delimitadoras (cajas rectangulares) alrededor de los palés o marcando las zonas de inestabilidad. Una vez preparado un conjunto de datos con los datos anotados, Ultralytics YOLO26 puede entrenarse con estos ejemplos del mundo real y adaptarse a las variaciones de distribución, iluminación y operaciones.

El entrenamiento puede realizarse mediante el paquete de Ultralytics para Python, que proporciona herramientas integradas para cargar datos, entrenar modelos y ejecutar predicciones mediante código, o a través de Ultralytics Platform, una plataforma de visión por ordenador integral que reúne en un mismo lugar la gestión de datos, la anotación, el entrenamiento y el despliegue.

Simplificación del entrenamiento de modelos con Ultralytics Platform#

Gestionar flujos de trabajo de visión por ordenador, desde la preparación y anotación de conjuntos de datos hasta el entrenamiento, la evaluación y el despliegue, puede ser complejo. Ultralytics Platform aborda este reto al reunir estos pasos en un único entorno.

Por ejemplo, los usuarios pueden organizar y etiquetar datos de imágenes procedentes de entornos de almacén y utilizarlos para entrenar modelos con situaciones del mundo real. Esto permite que los modelos aprendan cómo aparecen los palés en distintas distribuciones, condiciones de iluminación y estilos de apilado, lo que los hace más precisos y fiables en operaciones reales.

Fig. 3. Vista de un conjunto de datos en Ultralytics Platform (Fuente)

Una vez entrenados, los modelos pueden probarse con imágenes nuevas que no hayan visto antes mediante la pestaña Predict integrada, para verificar su rendimiento antes del despliegue.

Después de la validación, los modelos pueden desplegarse de distintas formas mediante Ultralytics Platform, según el caso de uso, incluido el uso compartido de inferencias para desarrollo y pruebas, los endpoints dedicados para despliegues en producción o la exportación de modelos para ejecutarlos en sistemas externos o dispositivos periféricos.

Consideraciones sobre la colocación de las cámaras para una detección precisa#

Al crear un sistema de supervisión de palés basado en visión, la colocación de las cámaras puede afectar directamente a la fiabilidad con la que se capturan los problemas de apilado. Una configuración adecuada permite automatizar de forma más eficaz los sistemas de supervisión.

Fig. 4. Ejemplo del uso de una cámara elevada para supervisar las actividades de un almacén (Fuente)

Estas son algunas consideraciones prácticas para colocar las cámaras:

• Vistas frontales de las estanterías: Las cámaras orientadas hacia las estanterías para palés pueden captar toda la altura de las pilas, lo que facilita observar el apilado excesivo y las cargas inclinadas.
• Vistas anguladas para captar profundidad e inclinación: Las vistas de cámara anguladas, normalmente de unos 30–45°, pueden ofrecer una mejor visibilidad de la profundidad, la inclinación y los huecos dentro de las pilas que quizá no sean visibles desde perspectivas frontales.
• Vistas elevadas para zonas densas: Las vistas cenitales son útiles en zonas muy compactas, donde las vistas laterales pueden quedar obstruidas y resulta más difícil distinguir los palés individuales.
• Puntos de supervisión de entrada y salida: Las cámaras colocadas cerca de las cintas transportadoras y las zonas de carga pueden captar los palés antes y después del movimiento, lo que ayuda a realizar un seguimiento de los cambios en la estabilidad durante el transporte.
• Zonas de interacción con carretillas elevadoras: Supervisar las áreas de recogida y depósito cercanas a las rutas de las carretillas elevadoras puede proporcionar información sobre la estabilidad de las cargas durante la manipulación, donde suelen producirse muchos problemas.

Aplicaciones reales de la IA visual en el apilado de palés#

A continuación, veremos algunos ejemplos prácticos de cómo se utiliza la IA visual en los almacenes para detectar y gestionar problemas habituales de apilado de palés.

Detección de incumplimientos de altura de las pilas en zonas de almacenamiento#

Los límites de altura del apilado definen hasta qué altura pueden construirse las pilas de palés de forma segura, especialmente en zonas de almacenamiento donde los palés se apilan muy juntos para aprovechar al máximo el espacio disponible. Estos límites ayudan a prevenir cargas inestables y a mantener una distancia de seguridad alrededor de las estanterías para palés y de los sistemas elevados, como los rociadores.

Sin embargo, estos límites pueden superarse durante periodos de mucha actividad, como las operaciones de recepción de gran volumen. Para supervisar más de cerca esta actividad, modelos como Ultralytics YOLO26 pueden analizar las imágenes de las cámaras para detectar y contar palés individuales y realizar un seguimiento de cómo crece la pila con el tiempo.

Al supervisar el número y la posición de los palés detectados, un sistema basado en visión puede estimar la altura total de la pila e identificar cuándo se aproxima a los límites seguros o los supera. Esto proporciona a los operadores del almacén una visibilidad temprana de posibles problemas y les permite ajustar el apilado o redistribuir las cargas antes de que se conviertan en un riesgo para la seguridad.

Identificación de desequilibrios en las cargas y estructuras inclinadas#

Cuando un palé está apilado hasta la altura adecuada, pero no está equilibrado correctamente, puede volverse inestable. Una distribución desigual del peso, cajas colocadas de forma poco firme o una ligera desalineación pueden hacer que un palé cargado se incline gradualmente con el tiempo.

Al principio, estos cambios suelen ser sutiles y pueden no resultar evidentes durante las comprobaciones rutinarias. Sin embargo, con modelos de visión por ordenador como Ultralytics YOLO26, estas comprobaciones pueden realizarse continuamente mediante imágenes de las cámaras.

Por ejemplo, la compatibilidad de Ultralytics YOLO26 con las cajas delimitadoras orientadas (OBBs) facilita captar el ángulo y la orientación de cada palé o caja, en lugar de limitarse a su posición. Al realizar un seguimiento de estas orientaciones a lo largo del tiempo, el modelo puede detectar pequeños desplazamientos, como ligeras inclinaciones o cambios en la alineación.

Cuando estos ángulos empiezan a desviarse de la alineación vertical o se vuelven incoherentes entre las distintas capas, puede indicar que una pila empieza a inclinarse. Si los desequilibrios se detectan pronto, pueden corregirse antes de que se agraven.

Ventajas e inconvenientes del uso de IA visual para apilar palés de forma segura#

Estas son algunas de las principales ventajas de utilizar sistemas basados en visión para el apilado de palés:

• Visibilidad en tiempo real de todas las operaciones: Los sistemas de visión pueden proporcionar una supervisión continua del estado de los palés, lo que facilita seguir las normas de OSHA y aplicar prácticas de apilado adecuadas.
• Mejor seguimiento de incidentes: Los datos visuales grabados pueden revisarse posteriormente para comprender cuándo y cómo se desarrolló un problema.
• Integración con los sistemas existentes: Los modelos de visión pueden conectarse a sistemas de gestión de almacenes o de alertas para activar notificaciones o flujos de trabajo.
• Supervisión escalable en distintas zonas: Los modelos de visión avanzados pueden desplegarse en varias áreas del almacén, lo que permite mantener una visibilidad uniforme incluso en instalaciones grandes o distribuidas.

Aunque el uso de IA visual para el apilado de palés ofrece muchas ventajas, hay algunos factores limitantes que debes tener en cuenta:

• Sensibilidad al entorno: Las condiciones de iluminación, las sombras y las obstrucciones pueden afectar a la nitidez con la que se captan las pilas de palés.
• Dependencia de una configuración adecuada: Para obtener resultados fiables se necesita una colocación de las cámaras bien planificada y una cobertura suficiente de las zonas operativas clave.
• Deriva del rendimiento del modelo: Los cambios en la distribución, la iluminación o las operaciones del almacén pueden requerir actualizaciones periódicas o un nuevo entrenamiento del modelo.
• Mantenimiento de las cámaras: Las cámaras pueden requerir una limpieza, calibración y comprobaciones periódicas para garantizar un rendimiento constante.

Conclusiones clave#

El apilado inseguro de palés normalmente no se convierte en un problema de inmediato. Se desarrolla con el tiempo debido a pequeñas desalineaciones y desplazamientos de las cargas. Con una supervisión visual continua, estos cambios sutiles pueden detectarse pronto, lo que facilita actuar antes de que los problemas se agraven. Modelos como Ultralytics YOLO26 contribuyen a ello al permitir una detección rápida en tiempo real.

¿Quieres explorar más a fondo la IA visual? Visita nuestro repositorio de GitHub para obtener más información. Únete a nuestra comunidad y explora aplicaciones como la IA en la logística y la IA visual en el comercio minorista. ¡Consulta nuestras opciones de licencia para empezar!