Detección de apilamiento inseguro 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 en el flujo de trabajo y lesiones graves a los trabajadores.

En particular, el apilamiento de palés juega un papel clave en el mantenimiento de un almacén seguro y eficiente. Afecta directamente a la estabilidad de las cargas, a la facilidad con la que los materiales se mueven por el espacio y a la seguridad con la que los trabajadores pueden operar.

Incluso las pequeñas inconsistencias 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 estirable o una alineación deficiente pueden debilitar aún más la estabilidad, aumentando la probabilidad de daños en el producto o accidentes laborales.

Fig 1. Un almacén es un espacio dinámico donde los trabajadores se mueven constantemente y apilan palés. (Fuente)

Para evitar tales problemas, organizaciones como la Occupational Safety and Health Administration (OSHA) proporcionan directrices para el almacenamiento y la manipulación segura de materiales. Estas directrices de seguridad hacen hincapié en mantener la estabilidad de la carga, no exceder los límites de carga segura y seguir prácticas de manipulación adecuadas para prevenir peligros como la caída o el colapso de las pilas.

Sin embargo, aplicar estos estándares de forma coherente en entornos de almacén de ritmo rápido no siempre es fácil. Los palés se suelen mover, reapilar y manipular a lo largo del día. Esto dificulta supervisar cada condición de carga en tiempo real o detectar los primeros signos de inestabilidad.

Un enfoque más eficaz consiste en utilizar visión artificial. Como rama de la IA, permite a las máquinas interpretar y analizar datos visuales procedentes de imágenes y transmisiones de vídeo. Con modelos de IA de visión como Ultralytics YOLO26, los almacenes pueden supervisar las condiciones de los palés en tiempo real y detectar configuraciones inestables de forma temprana, lo que permite a los equipos reaccionar antes de que los problemas se agraven.

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

Link to this sectionEl impacto del apilamiento 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 pequeñas desalineaciones durante el apilamiento pueden acumularse con el tiempo y aumentar las posibilidades de que una carga falle durante la manipulación. Estos problemas suelen ocurrir en entornos de ritmo rápido donde los palés se cargan, mueven y reapilan 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 un palé necesita ser reparado durante la carga o el transporte, puede ralentizar las cosas y causar retrasos. El problema se vuelve más notable durante la manipulación, especialmente cuando intervienen carretillas elevadoras y transpaletas.

Dado que este tipo de equipos está siempre en movimiento, lidiar con cargas inestables hace que incluso las tareas rutinarias sean más arriesgadas. Esto puede provocar daños en las mercancías, interrupciones en el flujo de trabajo o sobrecargas.

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

Link to this sectionDesafíos de los métodos tradicionales de inspección de palés#

La mayoría de los almacenes confían en procesos de inspección manual de palés, a menudo guiados por las normas de la OSHA, las regulaciones de seguridad y las listas de control de inspección. Estos métodos apoyan la seguridad de los palés y las prácticas de apilamiento adecuadas, pero son limitados en cuanto a la coherencia con la que se pueden aplicar en entornos concurridos.

Una limitación clave es que las inspecciones solo capturan un momento en el tiempo. Las operaciones de almacén implican una carga, movimiento y reapilamiento continuos, pero las inspecciones solo capturan el aspecto de la pila en el momento del control. Esto dificulta la detección de problemas que aparecen entre comprobaciones, como la desalineación gradual, el desplazamiento de las cargas o los signos tempranos de inestabilidad.

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

La escala añade otra capa de dificultad. En los grandes almacenes, es complicado mantener inspecciones regulares en todas las áreas, especialmente en las zonas de estanterías de palés y de cintas transportadoras. Estas brechas en la cobertura dificultan el cumplimiento constante de las prácticas de seguridad y garantizan un apilamiento de palés estable en todas las operaciones.

Link to this sectionEl papel de la IA de visión en las operaciones de almacén#

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

Por ejemplo, los modelos de visión artificial de vanguardia como YOLO26 admiten tareas de visión como la detección de objetos, la clasificación de imágenes, la detección de cajas delimitadoras orientadas (OBB), la estimación de pose y la segmentación de instancias, lo que puede ayudar a analizar cómo se organizan los palés y las cargas en los espacios del almacén.

Específicamente, 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 mueven los materiales.

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

Mientras tanto, la segmentación de instancias permite una identificación precisa de los elementos individuales dentro de una pila al perfilar cada objeto a nivel de píxel. Esto facilita la separación de elementos superpuestos o muy juntos. En situaciones en las que la alineación es fundamental, se pueden utilizar cajas delimitadoras orientadas para evaluar cómo están colocadas las cargas, capturando sus ángulos y orientaciones con mayor precisión.

De forma similar, la clasificación de imágenes puede utilizarse para analizar la condición general de un palé o una escena y asignar etiquetas como «estable», «inestable» o «dañado». Además, la estimación de pose se centra en la detección de puntos clave para realizar el seguimiento de la posición y el movimiento de los trabajadores o los equipos, lo que permite comprender cómo interactúan con los palés e identificar una manipulación potencialmente insegura.

Link to this sectionCómo YOLO26 permite el apilamiento de palés en la vida real#

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

Sin embargo, los entornos de almacén introducen sus propios matices, como diferentes tipos de palés, patrones de apilamiento, condiciones de carga e inconsistencias del mundo real. Aquí es donde cobra valor la capacidad de entrenar de forma personalizada modelos Ultralytics YOLO como YOLO26.

Entrenar un modelo con datos específicos del almacén le permite comprender mejor estas variaciones y ofrecer resultados más precisos y fiables. Este proceso comienza con la recopilación de imágenes y fotogramas de vídeo de las plantas de los almacenes, capturando diferentes condiciones de apilamiento en varios entornos.

Estas imágenes se anotan (se añaden etiquetas), por ejemplo, dibujando cajas delimitadoras (cajas rectangulares) alrededor de los palés o marcando zonas de inestabilidad. Una vez preparado un conjunto de datos con los datos anotados, se puede entrenar YOLO26 con estos ejemplos del mundo real, adaptándolo a las variaciones en el diseño, la iluminación y las operaciones.

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

Link to this sectionSimplificación del entrenamiento de modelos con Ultralytics Platform#

Gestionar los flujos de trabajo de visión artificial, desde la preparación y anotación de conjuntos de datos hasta el entrenamiento, la evaluación y el despliegue, puede ser complejo. Ultralytics Platform aborda este desafío unificando estos pasos en un solo entorno.

Por ejemplo, los usuarios pueden organizar y etiquetar datos de imágenes de entornos de almacén y utilizarlos para entrenar modelos en escenarios del mundo real. Esto permite que los modelos aprendan el aspecto de los palés en diferentes diseños, condiciones de iluminación y estilos de apilamiento, haciéndolos más precisos y fiables en las operaciones reales.

Fig 3. Un vistazo a un conjunto de datos dentro de Ultralytics Platform (Fuente)

Una vez entrenados, los modelos pueden probarse con imágenes nuevas y no vistas utilizando la pestaña Predict integrada para verificar su rendimiento antes del despliegue.

Tras la validación, los modelos pueden desplegarse de diferentes formas a través de Ultralytics Platform, según el caso de uso, incluyendo la inferencia compartida para el desarrollo y las pruebas, puntos finales dedicados para despliegues de producción, o mediante la exportación de modelos para ejecutarlos en sistemas externos o dispositivos de borde.

Link to this sectionConsideraciones sobre la colocación de la cámara para una detección precisa#

Cuando construyes un sistema de supervisión de palés basado en visión, la colocación de la cámara puede afectar directamente a la fiabilidad con la que se capturan los problemas de apilamiento. La configuración correcta favorece una automatización más eficaz de los sistemas de supervisión.

Fig 4. Un ejemplo de uso de una cámara cenital para supervisar las actividades del almacén (Fuente)

Aquí tienes algunas consideraciones prácticas para la colocación de la cámara:

• Vistas frontales de las estanterías: Las cámaras colocadas frente a las estanterías de palés pueden capturar toda la altura de las pilas, lo que facilita la observación de sobreapilamientos y cargas inclinadas.
• Vistas anguladas para profundidad e inclinación: Las vistas de cámara anguladas, normalmente de 30–45°, pueden proporcionar una mejor visibilidad de la profundidad, la inclinación y los huecos dentro de las pilas que pueden no ser visibles desde perspectivas directas.
• Vistas cenitales para zonas densas: Las vistas desde arriba son útiles en zonas muy compactas, donde las vistas laterales pueden estar obstruidas y distinguir palés individuales resulta más difícil.
• Puntos de control de entrada y salida: Las cámaras colocadas cerca de las cintas transportadoras y las zonas de muelle pueden capturar los palés antes y después del movimiento, lo que ayuda a seguir los cambios en la estabilidad durante el tránsito.
• Zonas de interacción con carretillas elevadoras: La supervisión de las zonas de recogida y descarga cerca de las rutas de las carretillas elevadoras puede proporcionar información sobre la estabilidad de la carga durante la manipulación, donde tienden a ocurrir muchos problemas.

Link to this sectionAplicaciones reales de la IA de visión en el apilamiento de palés#

A continuación, veamos algunos ejemplos prácticos de cómo se utiliza la IA de visión en los almacenes para detectar y gestionar problemas comunes de apilamiento de palés.

Link to this sectionDetección de infracciones de altura de apilamiento en zonas de almacenamiento#

Los límites de altura de apilamiento definen la altura máxima a la que se pueden construir 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 evitar cargas inestables y a mantener un espacio libre seguro alrededor de las estanterías de palés y los sistemas superiores como los rociadores.

Sin embargo, estos límites pueden superarse durante periodos de mucha actividad, como las operaciones de entrada de gran volumen. Para seguir más de cerca dicha actividad, modelos como YOLO26 pueden analizar las transmisiones de las cámaras para detectar y contar palés individuales y realizar un seguimiento del crecimiento de la pila a lo largo del tiempo.

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

Link to this sectionIdentificación de desequilibrio de carga y estructuras inclinadas#

Cuando un palé está apilado a la altura correcta pero no equilibrado adecuadamente, aún puede volverse inestable. Una distribución desigual del peso, cajas mal colocadas o una ligera desalineación pueden hacer que un palé cargado se incline gradualmente con el tiempo.

Estos cambios suelen ser sutiles al principio y pueden no ser evidentes durante los controles rutinarios. Pero, con modelos de visión artificial como YOLO26, estas comprobaciones pueden realizarse continuamente utilizando transmisiones de cámara.

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

A medida que estos ángulos empiezan a desviarse de la alineación vertical o se vuelven inconsistentes entre capas, puede indicar que una pila está empezando a inclinarse. Cuando los desequilibrios se detectan a tiempo, pueden corregirse antes de que se agraven.

Link to this sectionPros y contras del uso de la IA de visión para un apilamiento de palés seguro#

Estas son algunas de las ventajas clave de utilizar sistemas basados en visión para el apilamiento de palés:

• Visibilidad en tiempo real en todas las operaciones: Los sistemas de visión pueden proporcionar una supervisión continua de las condiciones de los palés, facilitando el cumplimiento de las normas de la OSHA y las prácticas de apilamiento adecuadas.
• Mejor seguimiento de incidentes: Los datos visuales grabados pueden revisarse más tarde para comprender cuándo y cómo se produjo un problema.
• Integración con sistemas existentes: Los modelos de visión pueden conectarse a sistemas de gestión de almacenes o alertas para activar notificaciones o flujos de trabajo.
• Supervisión escalable en todas las zonas: Se pueden desplegar modelos de visión avanzados en múltiples áreas del almacén, permitiendo una visibilidad coherente incluso en instalaciones grandes o distribuidas.

Aunque el uso de la IA de visión para el apilamiento de palés ofrece muchas ventajas, estos son algunos factores limitantes que debes tener en cuenta:

• Sensibilidad ambiental: Las condiciones de iluminación, las sombras y las obstrucciones pueden afectar a la claridad con la que se capturan las pilas de palés.
• Dependencia de una configuración adecuada: Los resultados fiables requieren una colocación de la cámara bien planificada y una cobertura adecuada de las zonas operativas clave.
• Deriva del rendimiento del modelo: Los cambios en el diseño del almacén, la iluminación o las operaciones pueden requerir actualizaciones periódicas del modelo o un reentrenamiento.
• Mantenimiento de la cámara: Las cámaras pueden requerir una limpieza, calibración y comprobaciones periódicas para garantizar un rendimiento constante.

Link to this sectionPuntos clave#

El apilamiento de palés inseguro no suele convertirse en un problema inmediatamente. Se acumula con el tiempo a través de pequeñas desalineaciones y desplazamientos de carga. Con una supervisión visual continua, estos cambios sutiles pueden detectarse a tiempo, lo que facilita actuar antes de que los problemas se agraven. Modelos como YOLO26 lo respaldan al permitir una detección rápida y en tiempo real.

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