Détection de l'empilage dangereux de palettes avec Ultralytics YOLO26

La sécurité est cruciale dans les opérations d'entrepôt. Des palettes instables, des charges qui tombent et des allées bloquées peuvent entraîner des dommages aux produits, des interruptions de flux de travail et des blessures graves pour les travailleurs.

En particulier, l'empilement des palettes joue un rôle clé dans le maintien d'un entrepôt sûr et efficace. Il affecte directement la stabilité des charges, la facilité avec laquelle les matériaux se déplacent dans l'espace et la sécurité des travailleurs.

Même de petites incohérences peuvent créer des risques plus importants. Un léger inclinaison, une répartition inégale du poids ou une charge mal fixée peuvent rendre les palettes instables. L'absence de film étirable ou un mauvais alignement peut encore affaiblir la stabilité, augmentant la probabilité de dommages aux produits ou d'accidents de travail.

Fig 1. Un entrepôt est un espace dynamique où les travailleurs déplacent et empilent constamment des palettes. (Source)

Pour prévenir de tels problèmes, des organisations telles que l'Occupational Safety and Health Administration (OSHA) fournissent des lignes directrices pour le stockage et la manipulation en toute sécurité des matériaux. Ces consignes de sécurité soulignent l'importance de maintenir la stabilité des charges, de respecter les limites de charge sécurisées et de suivre des pratiques de manipulation appropriées pour éviter les dangers comme les chutes ou l'effondrement des piles.

Cependant, appliquer ces normes de manière cohérente dans des environnements d'entrepôt rapides n'est pas toujours facile. Les palettes sont généralement déplacées, réempilées et manipulées tout au long de la journée. Cela rend difficile la surveillance de l'état de chaque charge en temps réel ou la détection précoce des signes d'instabilité.

Une approche plus efficace consiste à utiliser la vision par ordinateur. En tant que branche de l'IA, elle permet aux machines d'interpréter et d'analyser des données visuelles provenant d'images et de flux vidéo. Avec des modèles de vision par IA comme Ultralytics YOLO26, les entrepôts peuvent surveiller les conditions des palettes en temps réel et détecter rapidement les configurations instables, permettant aux équipes de réagir avant que les problèmes ne s'aggravent.

Dans cet article, nous explorerons les risques associés à un empilement de palettes dangereux et la façon dont les systèmes basés sur la vision peuvent aider à les détecter et à les prévenir. Commençons !

Link to this sectionL'impact de l'empilement des palettes sur la sécurité en entrepôt#

Les palettes sont conçues pour supporter une certaine quantité de poids et être empilées de manière stable. Lorsqu'elles sont surchargées ou mal équilibrées, cette stabilité commence à se dégrader.

Même de légers désalignements pendant l'empilement peuvent s'accumuler avec le temps et augmenter les chances qu'une charge échoue lors de la manipulation. Ces problèmes surviennent généralement dans des environnements rythmés où les palettes sont constamment chargées, déplacées et réempilées. Ce qui semble être des erreurs mineures au départ peut progressivement affecter la répartition du poids et conduire à des piles instables.

Cela affecte également les opérations quotidiennes. Si une palette doit être réparée pendant le chargement ou le transport, cela peut ralentir les processus et provoquer des retards. Le problème devient plus visible lors de la manipulation, surtout lorsque des chariots élévateurs et des transpalettes sont impliqués.

Comme cet équipement est toujours en mouvement, manipuler des charges instables rend même les tâches routinières plus risquées. Cela peut entraîner des marchandises endommagées, des interruptions de flux de travail ou une surcharge.

Dans des cas plus graves, cela peut entraîner des blessures pour les travailleurs et impacter l'ensemble de la chaîne d'approvisionnement, augmentant à la fois les coûts opérationnels et financiers.

Link to this sectionDéfis liés aux méthodes traditionnelles d'inspection des palettes#

La plupart des entrepôts s'appuient sur des processus d'inspection manuelle des palettes, souvent guidés par les normes OSHA, les règlements de sécurité et les listes de contrôle d'inspection. Ces méthodes soutiennent la sécurité des palettes et les bonnes pratiques d'empilement, mais elles sont limitées en termes de constance d'application dans des environnements très fréquentés.

Une limite clé est que les inspections ne capturent qu'un instant T. Les opérations d'entrepôt impliquent un chargement, un déplacement et un réempilage continus, mais les inspections ne capturent que l'aspect de la pile au moment du contrôle. Cela rend difficile la détection des problèmes qui se développent entre les contrôles, comme un désalignement progressif, des charges qui bougent ou des premiers signes d'instabilité.

Certains problèmes sont également plus difficiles à repérer lors des contrôles de routine. Les palettes endommagées, les planches cassées ou les petites échardes peuvent passer inaperçues, même si elles peuvent affaiblir la structure et affecter la stabilité de la charge lors de la manipulation.

L'échelle ajoute une autre couche de difficulté. Dans les grands entrepôts, il est difficile de maintenir des inspections régulières dans toutes les zones, en particulier autour des rayonnages à palettes et des zones de convoyeurs. Ces lacunes dans la couverture rendent plus difficile le respect constant des pratiques de sécurité et la garantie d'un empilement stable des palettes dans toutes les opérations.

Link to this sectionLe rôle de l'IA de vision dans les opérations d'entrepôt#

Les entrepôts commencent à adopter des systèmes de vision par ordinateur capables de surveiller les opérations quotidiennes. Ces systèmes apprennent à partir de grands volumes d'images étiquetées et peuvent suivre en continu les détails spécifiques des palettes dans différentes zones de stockage.

Par exemple, des modèles de vision par ordinateur de pointe comme YOLO26 prennent en charge des tâches de vision telles que la détection d'objets, la classification d'images, la détection de boîtes englobantes orientées (OBB), l'estimation de pose et la segmentation d'instance, ce qui peut aider à analyser comment les palettes et les charges sont disposées dans les espaces d'entrepôt.

Plus précisément, la détection d'objets peut être utilisée pour identifier et localiser les palettes, les boîtes et l'équipement de manutention dans les allées et les zones de stockage. Cela permet aux systèmes de garder une trace de la façon dont les matériaux sont placés et déplacés.

Fig 2. Utilisation d'un modèle Ultralytics YOLO pour détecter des boîtes empilées (Source)

Parallèlement, la segmentation d'instance permet une identification précise des éléments individuels dans une pile en délimitant chaque objet au niveau du pixel. Cela facilite la séparation des articles qui se chevauchent ou qui sont étroitement emballés. Dans les situations où l'alignement est critique, les boîtes englobantes orientées peuvent être utilisées pour évaluer la position des charges, capturant leurs angles et leurs orientations avec plus de précision.

De même, la classification d'images peut être utilisée pour analyser l'état général d'une palette ou d'une scène et attribuer des étiquettes telles que « stable », « instable » ou « endommagé ». De plus, l'estimation de pose se concentre sur la détection de points clés pour suivre la position et le mouvement des travailleurs ou de l'équipement, permettant ainsi de comprendre comment ils interagissent avec les palettes et d'identifier une manipulation potentiellement dangereuse.

Link to this sectionComment YOLO26 permet de gérer l'empilement des palettes dans la vie réelle#

Ultralytics YOLO26 est disponible en standard sous forme de modèle pré-entraîné. En d'autres termes, il a déjà été entraîné sur de grands ensembles de données, de sorte qu'il peut reconnaître des objets courants sans avoir besoin d'être construit à partir de zéro.

Cependant, les environnements d'entrepôt introduisent leurs propres nuances comme des types de palettes variés, des modèles d'empilement, des conditions de charge et des incohérences réelles. C'est là que la capacité de personnaliser l'entraînement des modèles Ultralytics YOLO comme YOLO26 devient précieuse.

L'entraînement d'un modèle sur des données spécifiques à l'entrepôt lui permet de mieux comprendre ces variations et d'obtenir des résultats plus précis et fiables. Ce processus commence par la collecte d'images et de séquences vidéo des sols d'entrepôt, capturant différentes conditions d'empilement dans tous les environnements.

Ces images sont ensuite annotées (des étiquettes sont ajoutées), par exemple en dessinant des boîtes englobantes (rectangles) autour des palettes ou en marquant les zones d'instabilité. Une fois qu'un ensemble de données est préparé en utilisant les données annotées, YOLO26 peut être entraîné sur ces exemples concrets, l'adaptant aux variations de disposition, d'éclairage et d'opérations.

L'entraînement peut être effectué soit en utilisant le package Python d'Ultralytics, qui fournit des outils intégrés pour charger des données, entraîner des modèles et exécuter des prédictions à l'aide de code, soit via Ultralytics Platform, une plateforme de vision par ordinateur de bout en bout qui regroupe la gestion des données, l'annotation, l'entraînement et le déploiement en un seul endroit.

Link to this sectionSimplifier l'entraînement de modèles avec Ultralytics Platform#

La gestion des flux de travail de vision par ordinateur, de la préparation des ensembles de données et de l'annotation à l'entraînement, l'évaluation et le déploiement, peut être complexe. Ultralytics Platform résout ce défi en regroupant ces étapes dans un environnement unique.

Par exemple, tu peux organiser et étiqueter des données d'image provenant d'environnements d'entrepôt et les utiliser pour entraîner des modèles sur des scénarios réels. Cela permet aux modèles d'apprendre comment les palettes apparaissent selon différentes dispositions, conditions d'éclairage et styles d'empilement, les rendant plus précis et fiables dans les opérations réelles.

Fig 3. Un aperçu d'un ensemble de données au sein d'Ultralytics Platform (Source)

Une fois entraînés, les modèles peuvent être testés sur de nouvelles images inédites en utilisant l'onglet Predict intégré pour vérifier les performances avant le déploiement.

Après validation, les modèles peuvent être déployés de différentes manières via Ultralytics Platform, en fonction du cas d'utilisation, y compris l'inférence partagée pour le développement et les tests, des points de terminaison dédiés pour les déploiements en production, ou en exportant les modèles pour les exécuter sur des systèmes externes ou des appareils de périphérie.

Link to this sectionConsidérations sur le placement des caméras pour une détection précise#

Lorsque tu construis un système de surveillance des palettes basé sur la vision, le placement de la caméra peut affecter directement la fiabilité avec laquelle les problèmes d'empilement sont capturés. La bonne configuration favorise une automatisation plus efficace des systèmes de surveillance.

Fig 4. Un exemple d'utilisation d'une caméra aérienne pour surveiller les activités de l'entrepôt (Source)

Voici quelques considérations pratiques pour le placement des caméras :

• Vues frontales des rayonnages : Les caméras positionnées face aux rayonnages à palettes peuvent capturer toute la hauteur des piles, facilitant l'observation du sur-empilement et des charges inclinées.
• Vues inclinées pour la profondeur et l'inclinaison : Les vues inclinées de la caméra, généralement autour de 30–45°, peuvent offrir une meilleure visibilité sur la profondeur, l'inclinaison et les espaces au sein des piles qui pourraient ne pas être visibles de face.
• Vues aériennes pour les zones denses : Les vues de dessus sont utiles dans les zones très serrées, où les vues latérales peuvent être obstruées et où distinguer les palettes individuelles devient plus difficile.
• Points de surveillance d'entrée et de sortie : Les caméras placées près des convoyeurs et des zones de quai peuvent capturer les palettes avant et après leur mouvement, aidant à suivre les changements de stabilité pendant le transit.
• Zones d'interaction avec les chariots élévateurs : La surveillance des zones de ramassage et de dépôt près des trajectoires des chariots élévateurs peut fournir un aperçu de la stabilité de la charge pendant la manipulation, là où de nombreux problèmes ont tendance à se produire.

Link to this sectionApplications réelles de l'IA de vision dans l'empilement des palettes#

Ensuite, passons en revue quelques exemples pratiques de la façon dont l'IA de vision est utilisée dans les entrepôts pour repérer et gérer les problèmes courants d'empilement des palettes.

Link to this sectionDétection des violations de hauteur de pile dans les zones de stockage#

Les limites de hauteur d'empilement définissent jusqu'à quelle hauteur les piles de palettes peuvent être construites en toute sécurité, en particulier dans les zones de stockage où les palettes sont empilées à proximité les unes des autres pour optimiser l'espace disponible. Ces limites aident à prévenir les charges instables et à maintenir un dégagement sûr autour des rayonnages à palettes et des systèmes aériens tels que les sprinklers.

Cependant, ces limites peuvent être dépassées pendant les périodes chargées comme les opérations d'entrée à haut volume. Pour surveiller de plus près une telle activité, des modèles comme YOLO26 peuvent analyser les flux de caméra pour détecter et compter les palettes individuelles et suivre la croissance de la pile au fil du temps.

En surveillant le nombre et la position des palettes détectées, un système activé par la vision peut estimer la hauteur globale de la pile et identifier le moment où elle approche ou dépasse les limites de sécurité. Cela donne aux opérateurs d'entrepôt une visibilité précoce sur les problèmes potentiels, leur permettant d'ajuster l'empilement ou de redistribuer les charges avant qu'elles ne deviennent un risque pour la sécurité.

Link to this sectionIdentification du déséquilibre des charges et des structures inclinées#

Lorsqu'une palette est empilée à la bonne hauteur mais pas équilibrée correctement, elle peut tout de même devenir instable. Une répartition inégale du poids, des boîtes mal placées ou un léger désalignement peuvent provoquer l'inclinaison progressive d'une palette chargée au fil du temps.

Ces changements sont souvent subtils au début et peuvent ne pas être évidents lors des contrôles de routine. Mais, avec des modèles de vision par ordinateur comme YOLO26, ces contrôles peuvent être effectués en continu à l'aide de flux de caméra.

Par exemple, la prise en charge par YOLO26 des boîtes englobantes orientées (OBB) facilite la capture de l'angle et de l'orientation de chaque palette ou boîte, plutôt que juste leur position. En suivant ces orientations au fil du temps, le modèle peut détecter de légers décalages tels que de légères inclinaisons ou des changements d'alignement.

À mesure que ces angles commencent à dévier de l'alignement vertical ou deviennent incohérents entre les couches, cela peut indiquer qu'une pile commence à s'incliner. Lorsque les déséquilibres sont détectés tôt, ils peuvent être corrigés avant qu'ils ne s'aggravent.

Link to this sectionAvantages et inconvénients de l'utilisation de l'IA de vision pour un empilement sûr des palettes#

Voici certains des principaux avantages de l'utilisation de systèmes basés sur la vision pour l'empilement des palettes :

• Visibilité en temps réel sur toutes les opérations : Les systèmes de vision peuvent fournir une surveillance continue de l'état des palettes, facilitant le respect des normes OSHA et des bonnes pratiques d'empilement.
• Meilleur suivi des incidents : Les données visuelles enregistrées peuvent être examinées ultérieurement pour comprendre quand et comment un problème s'est développé.
• Intégration avec les systèmes existants : Les modèles de vision peuvent être connectés aux systèmes de gestion d'entrepôt ou d'alerte pour déclencher des notifications ou des flux de travail.
• Surveillance évolutive sur toutes les zones : Les modèles de vision avancés peuvent être déployés dans plusieurs zones d'entrepôt, permettant une visibilité cohérente même dans des installations vastes ou distribuées.

Bien que l'utilisation de l'IA de vision pour l'empilement des palettes offre de nombreux avantages, voici quelques facteurs limitants à garder à l'esprit :

• Sensibilité environnementale : Les conditions d'éclairage, les ombres et les obstructions peuvent affecter la clarté avec laquelle les piles de palettes sont capturées.
• Dépendance à une configuration correcte : Des résultats fiables nécessitent un placement de caméra bien planifié et une couverture adéquate des zones opérationnelles clés.
• Dérive des performances du modèle : Les changements dans la disposition de l'entrepôt, l'éclairage ou les opérations peuvent nécessiter des mises à jour ou un réentraînement périodique du modèle.
• Maintenance des caméras : Les caméras peuvent nécessiter un nettoyage, un étalonnage et des contrôles réguliers pour garantir des performances constantes.

Link to this sectionPoints clés à retenir#

Un empilement de palettes dangereux ne devient généralement pas un problème immédiatement. Il se construit avec le temps par le biais de petits désalignements et de charges qui bougent. Avec une surveillance visuelle continue, ces changements subtils peuvent être détectés tôt, facilitant l'action avant que les problèmes ne s'aggravent. Des modèles comme YOLO26 soutiennent cela en permettant une détection rapide et en temps réel.

Tu souhaites explorer davantage l'IA de vision ? Visite notre dépôt GitHub pour en savoir plus. Rejoins notre communauté et explore des applications comme l'IA dans la logistique et l'IA de vision dans le commerce de détail. Consulte nos options de licence pour commencer !