Detección del apilamiento inseguro de palés con Ultralytics YOLO26

La seguridad es fundamental en las operaciones de almacén. Los palés inestables, las cargas que 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 la seguridad y la eficiencia de un almacén. Afecta directamente a la estabilidad de las cargas, la facilidad con que se desplazan los materiales por el espacio y la seguridad con la que pueden trabajar las personas.

Hasta las pequeñas irregularidades pueden generar riesgos mayores. Una ligera inclinación, una distribución desigual del peso o una carga mal asegurada pueden desestabilizar los palés. La falta de film retráctil o una mala alineación pueden reducir aún más su estabilidad y aumentar la probabilidad de que se dañen productos o se produzcan accidentes laborales.

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

Para prevenir estos problemas, organizaciones como la Administración de Seguridad y Salud Ocupacional (OSHA) proporcionan directrices para almacenar y manipular materiales de forma segura. Estas directrices de seguridad destacan la importancia de 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 sistemática en almacenes con mucha actividad no siempre es fácil. Los palés se mueven, se vuelven a apilar y se manipulan a lo largo del día. Por eso, resulta difícil supervisar en tiempo real el estado de cada carga o detectar los primeros indicios 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 de imágenes y vídeos. Con modelos de IA de visión como Ultralytics YOLO26, los almacenes pueden supervisar en tiempo real el estado de los palés y detectar pronto configuraciones inestables, lo que permite a los equipos intervenir antes de que los problemas vayan a más.

En este artículo exploraremos 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 de los almacenes#

Los palés están diseñados para soportar un peso determinado y apilarse de forma estable. Cuando se sobrecargan o no están bien equilibrados, esa estabilidad empieza a resentirse.

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

Esto también afecta a las operaciones diarias. Si hay que reparar un palé durante la carga o el transporte, el trabajo puede ralentizarse y producir retrasos. El problema se nota más durante la manipulación, sobre todo cuando intervienen carretillas elevadoras y transpaletas.

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

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

Retos de los métodos tradicionales de inspección de palés#

La mayoría de los almacenes confían en 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 contribuyen a la seguridad de los palés y a aplicar prácticas de apilado adecuadas, pero su aplicación uniforme en entornos con mucho movimiento es limitada.

Una limitación importante es que las inspecciones solo registran un momento concreto. Las operaciones de almacén implican cargar, mover y volver a apilar continuamente, pero las inspecciones solo muestran el aspecto de la pila en el momento de la revisión. Esto dificulta detectar problemas que aparecen entre revisiones, como desalineaciones graduales, cargas que se desplazan o primeros indicios de inestabilidad.

Algunos problemas también son más difíciles de detectar durante las revisiones rutinarias. Es posible que pasen desapercibidos los palés dañados, las tablas rotas o las pequeñas astillas, aunque puedan debilitar la estructura y afectar a la estabilidad de la carga durante su manipulación.

La escala añade otra dificultad. En los grandes almacenes, resulta complicado mantener inspecciones periódicas en todas las zonas, especialmente cerca de las estanterías para palés y de las zonas de transportadores. Estas lagunas de cobertura dificultan seguir de manera uniforme las prácticas de seguridad y garantizar que los palés estén apilados de forma estable en todas las operaciones.

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

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

Por ejemplo, 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, que pueden ayudar a analizar cómo se distribuyen los palés y las cargas por el espacio del almacén.

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

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

Mientras tanto, la segmentación de instancias permite identificar con precisión cada elemento de una pila, delimitando cada objeto a nivel de píxel. Así resulta más fácil separar los elementos superpuestos o muy juntos. Cuando la alineación es fundamental, se pueden utilizar 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 pose se centra en detectar puntos clave para seguir la posición y el movimiento de los trabajadores o los equipos, lo que permite comprender cómo interactúan con los palés e identificar manipulaciones potencialmente 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 crearlo desde cero.

Sin embargo, los entornos de almacén tienen particularidades propias, como los distintos tipos de palés, los patrones de apilado, el estado de las cargas y las inconsistencias del mundo real. Por eso resulta valiosa la posibilidad de entrenar de forma personalizada modelos de 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. El proceso empieza por recopilar imágenes y fotogramas de vídeo en las instalaciones del almacén, captando distintas condiciones de apilado en varios 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 inestables. Una vez preparado un conjunto de datos con las imágenes anotadas, se puede entrenar Ultralytics YOLO26 con estos ejemplos del mundo real para adaptarlo a las variaciones de distribución, iluminación y operaciones.

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

Simplifica el entrenamiento de modelos con Ultralytics Platform#

Gestionar flujos de trabajo de visión artificial, desde la preparación y anotación de conjuntos de datos hasta el entrenamiento, la evaluación y la implementación, puede ser complejo. Ultralytics Platform aborda este reto reuniendo todos estos pasos en un único entorno.

Por ejemplo, los usuarios pueden organizar y etiquetar datos de imágenes de entornos de almacén y utilizarlos para entrenar modelos con situaciones del mundo real. Así, los modelos aprenden qué aspecto tienen los palés con distintas distribuciones, condiciones de iluminación y formas de apilado, lo que les permite ser más precisos y fiables en las operaciones reales.

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

Una vez entrenados, los modelos se pueden probar con imágenes nuevas que no se hayan visto antes desde la pestaña Predict integrada, para verificar su rendimiento antes de implementarlos.

Tras la validación, los modelos se pueden implementar de distintas formas a través de Ultralytics Platform, según el caso de uso: mediante inferencia compartida para desarrollo y pruebas, con endpoints dedicados para implementaciones en producción o exportándolos para ejecutarlos en sistemas externos o dispositivos periféricos.

Aspectos que debes tener en cuenta al colocar cámaras para lograr detecciones precisas#

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

Fig. 4. Ejemplo de uso de una cámara cenital para supervisar la actividad del almacén (Fuente)

Estos son algunos aspectos prácticos que debes tener en cuenta al 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 detectar el exceso de apilado y las cargas inclinadas.
• Vistas en ángulo para captar la profundidad y la inclinación: Las vistas en ángulo, normalmente de unos 30–45°, pueden ofrecer una mejor visibilidad de la profundidad, la inclinación y los huecos entre las pilas, que quizá no se aprecien desde una perspectiva frontal.
• Vistas cenitales para zonas densamente ocupadas: Las vistas desde arriba son útiles en zonas muy concurridas, donde las vistas laterales pueden quedar obstruidas y resulta más difícil distinguir los palés individuales.
• Puntos de supervisión de entrada y salida: Las cámaras situadas cerca de las cintas transportadoras y las zonas de muelle pueden captar los palés antes y después de moverlos, lo que ayuda a hacer un seguimiento de los cambios en su estabilidad durante el transporte.
• Zonas de interacción con carretillas elevadoras: Supervisar las zonas de recogida y descarga cercanas a las rutas de las carretillas elevadoras permite conocer mejor la estabilidad de las cargas durante su manipulación, momento en que suelen producirse muchos problemas.

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

A continuación, repasaremos algunos ejemplos prácticos de cómo se utiliza la IA visual en los almacenes para detectar y abordar problemas habituales relacionados con el apilado de palés.

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

Los límites de altura determinan hasta qué altura se pueden apilar palés de forma segura, especialmente en las zonas de almacenamiento donde se colocan 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 en periodos de mucha actividad, como durante operaciones de recepción de gran volumen. Para vigilar mejor estas actividades, modelos como Ultralytics YOLO26 pueden analizar las imágenes de las cámaras para detectar y contar palés individuales y seguir cómo crece la pila con el tiempo.

Al supervisar el número y la posición de los palés detectados, un sistema basado en visión puede calcular la altura total de la pila e identificar cuándo se acerca a los límites de seguridad o los supera. Esto permite a los operarios del almacén detectar posibles problemas con antelación y ajustar el apilado o redistribuir las cargas antes de que supongan un riesgo para la seguridad.

Detección de desequilibrios en las cargas y de estructuras inclinadas#

Aunque un palé esté apilado hasta la altura adecuada, puede volverse inestable si no está bien equilibrado. Una distribución desigual del peso, cajas colocadas sin firmeza o pequeñas desalineaciones pueden hacer que un palé cargado se incline poco a poco.

Al principio, estos cambios suelen ser sutiles y pueden pasar desapercibidos en las revisiones rutinarias. Sin embargo, con modelos de visión artificial como Ultralytics YOLO26, estas revisiones se pueden realizar de forma continua mediante imágenes de cámaras.

Por ejemplo, la compatibilidad de Ultralytics YOLO26 con cajas delimitadoras orientadas (OBBs) facilita captar el ángulo y la orientación de cada palé o caja, no solo su posición. Al seguir estas orientaciones a lo largo del tiempo, el modelo puede detectar pequeños desplazamientos, como leves inclinaciones o cambios de alineación.

Cuando estos ángulos empiezan a desviarse de la vertical o dejan de ser uniformes entre las distintas capas, puede ser señal de que la pila comienza a inclinarse. Si los desequilibrios se detectan pronto, se pueden corregir antes de que empeoren.

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

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

• Visibilidad en tiempo real de las operaciones: Los sistemas de visión pueden supervisar continuamente el 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 se pueden revisar más adelante para averiguar cuándo y cómo se produjo un problema.
• Integración con los sistemas existentes: Los modelos de visión se pueden conectar a sistemas de gestión de almacenes o de alertas para activar notificaciones o flujos de trabajo.
• Supervisión escalable en distintas zonas: Se pueden implementar modelos de visión avanzados en varias zonas del almacén, lo que permite mantener una visibilidad uniforme incluso en instalaciones grandes o distribuidas.

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

• Sensibilidad al entorno: La iluminación, las sombras y los obstáculos pueden afectar a la nitidez con la que se captan las pilas de palés.
• Dependencia de una configuración adecuada: Para obtener resultados fiables, es necesario planificar bien la ubicación de las cámaras y cubrir suficientemente 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: Es posible que haya que limpiar y calibrar las cámaras con regularidad, además de comprobarlas para garantizar un rendimiento uniforme.

Conclusiones clave#

El apilado inseguro de palés no suele convertirse en un problema de inmediato. Se va agravando con el tiempo debido a pequeñas desalineaciones y cargas que se desplazan. Con una supervisión visual continua, estos cambios sutiles se pueden detectar pronto, lo que facilita actuar antes de que los problemas empeoren. Modelos como Ultralytics YOLO26 lo hacen posible al ofrecer detecciones rápidas 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 descubre aplicaciones como la IA en logística y la IA visual en el comercio minorista. Consulta nuestras opciones de licencia para empezar.