Détection d’un empilage dangereux de palettes avec Ultralytics YOLO26

La sécurité est essentielle dans le cadre des opérations d’entrepôt. Les palettes instables, les charges qui tombent et les allées bloquées peuvent entraîner des dommages aux produits, des perturbations des flux de travail et de graves blessures pour les employés.

L’empilement des palettes joue notamment un rôle clé dans le maintien d’un entrepôt sûr et efficace. Il influence directement la stabilité des charges, la facilité de déplacement des matériaux dans l’espace et la sécurité des employés pendant leurs opérations.

Même de petites irrégularités peuvent créer des risques plus importants. Une légère inclinaison, une répartition inégale du poids ou une charge mal arrimée peuvent rendre les palettes instables. L’absence de film étirable ou un mauvais alignement peut encore réduire la stabilité et augmenter le risque de dommages aux produits ou d’accidents du travail.

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

Pour éviter ce type de problème, des organisations telles que l’Occupational Safety and Health Administration (OSHA) fournissent des directives pour le stockage et la manutention sûrs des matériaux. Ces directives de sécurité mettent l’accent sur le maintien de la stabilité des charges, le respect des limites de charge sûres et l’application de bonnes pratiques de manutention afin de prévenir les risques tels que les chutes ou les effondrements de piles.

Cependant, appliquer systématiquement ces normes dans des environnements d’entrepôt où les activités se déroulent rapidement n’est pas toujours simple. Les palettes sont généralement déplacées, réempilées et manipulées tout au long de la journée. Il devient donc difficile de surveiller en temps réel l’état de chaque charge ou de détecter les premiers 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 d’IA visuelle comme Ultralytics YOLO26, les entrepôts peuvent surveiller l’état des palettes en temps réel et détecter rapidement les configurations instables, ce qui permet aux équipes d’intervenir avant que les problèmes ne s’aggravent.

Dans cet article, nous allons examiner les risques associés à l’empilement dangereux des palettes et voir comment les systèmes fondés sur la vision peuvent aider à les détecter et à les prévenir. Commençons !

L’impact de l’empilement des palettes sur la sécurité des entrepôts#

Les palettes sont conçues pour supporter un certain poids et être empilées de manière stable. Lorsqu’elles sont surchargées ou mal équilibrées, cette stabilité commence à se dégrader.

Même de légers défauts d’alignement lors de l’empilement peuvent s’accentuer au fil du temps et augmenter le risque de rupture d’une charge pendant la manutention. Ces problèmes surviennent généralement dans des environnements où le rythme est soutenu et où les palettes sont constamment chargées, déplacées et réempilées. Ce qui semble d’abord être une erreur mineure peut progressivement modifier la répartition du poids et provoquer des piles instables.

Cela affecte également les opérations quotidiennes. Si une palette doit être corrigée pendant le chargement ou le transport, cela peut ralentir les activités et provoquer des retards. Le problème devient plus visible pendant la manutention, notamment lorsque des chariots élévateurs et des transpalettes sont utilisés.

Comme ces équipements sont constamment en mouvement, la gestion de charges instables rend même les tâches courantes plus risquées. Cela peut entraîner des marchandises endommagées, des perturbations des flux de travail ou une surcharge.

Dans les cas les plus graves, cela peut provoquer des blessures chez les employés et affecter l’ensemble de la chaîne d’approvisionnement, en augmentant les coûts opérationnels et financiers.

Les difficultés des 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 de l’OSHA, les réglementations de sécurité et des listes de contrôle d’inspection. Ces méthodes favorisent la sécurité des palettes et les bonnes pratiques d’empilement, mais leur application systématique est limitée dans les environnements très actifs.

L’une des principales limites est que les inspections ne capturent qu’un instant donné. Les opérations d’entrepôt comprennent le chargement, les déplacements et le réempilement continus, mais les inspections ne montrent que l’apparence de la pile au moment du contrôle. Il devient donc difficile de détecter les problèmes qui apparaissent entre deux contrôles, comme un défaut d’alignement progressif, le déplacement des charges ou les premiers signes d’instabilité.

Certains problèmes sont également plus difficiles à repérer lors des contrôles de routine. Des palettes endommagées, des planches cassées ou de petits éclats peuvent passer inaperçus, alors même qu’ils peuvent fragiliser la structure et affecter la stabilité de la charge pendant la manutention.

L’échelle des opérations ajoute une difficulté supplémentaire. Dans les grands entrepôts, il est difficile d’effectuer régulièrement des inspections dans toutes les zones, notamment autour des rayonnages à palettes et des zones de convoyeurs. Ces lacunes dans la couverture rendent plus difficile le respect systématique des pratiques de sécurité et la garantie d’un empilement stable des palettes dans l’ensemble des opérations.

Le rôle de l’IA visuelle 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 annotées et peuvent suivre en continu des détails propres aux 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’instances. Ils peuvent ainsi aider à analyser la disposition des palettes et des charges dans les espaces de l’entrepôt.

Plus précisément, la détection d’objets peut servir à identifier et localiser les palettes, les cartons et les équipements de manutention dans les allées et les zones de stockage. Les systèmes peuvent ainsi suivre la manière dont les matériaux sont placés et déplacés.

Fig. 2. Utilisation d’un modèle Ultralytics YOLO pour détecter des cartons empilés (Source)

Parallèlement, la segmentation d’instances permet d’identifier précisément les éléments individuels d’une pile en délimitant chaque objet au niveau du pixel. Il devient ainsi plus facile de séparer les éléments qui se chevauchent ou sont très rapprochés. Lorsque l’alignement est essentiel, les boîtes englobantes orientées peuvent servir à évaluer le positionnement des charges en capturant plus précisément leurs angles et leurs orientations.

De même, la classification d’images peut servir à analyser l’état général d’une palette ou d’une scène et à attribuer des étiquettes telles que « stable », « instable » ou « endommagée ». L’estimation de pose se concentre quant à elle sur la détection de points clés afin de suivre la position et les mouvements des employés ou des équipements, ce qui permet de comprendre comment ils interagissent avec les palettes et d’identifier les manipulations potentiellement dangereuses.

Comment Ultralytics YOLO26 permet l’empilement de palettes dans des situations réelles#

Ultralytics YOLO26 est disponible prêt à l’emploi sous la forme d’un modèle préentraîné. Autrement dit, il a déjà été entraîné sur de grands jeux de données et peut donc reconnaître des objets courants sans devoir être développé à partir de zéro.

Cependant, les environnements d’entrepôt présentent leurs propres particularités, comme la diversité des types de palettes, des configurations d’empilement, des états de charge et des variations du monde réel. C’est là que la possibilité d’entraîner sur mesure des modèles Ultralytics YOLO comme YOLO26 prend toute sa valeur.

En entraînant un modèle sur des données propres à l’entrepôt, tu lui permets de mieux comprendre ces variations et de produire des résultats plus précis et plus fiables. Le processus commence par la collecte d’images et d’images vidéo extraites des sols d’entrepôt, afin de capturer différentes conditions d’empilement dans divers environnements.

Ces images sont ensuite annotées (des étiquettes sont ajoutées), par exemple en traçant des boîtes englobantes (rectangles) autour des palettes ou en marquant les zones d’instabilité. Une fois le jeu de données préparé à partir des données annotées, Ultralytics YOLO26 peut être entraîné sur ces exemples du monde réel afin de s’adapter aux variations de disposition, d’éclairage et d’opérations.

L’entraînement peut être effectué soit avec le package Python Ultralytics, qui fournit des outils intégrés pour charger les données, entraîner les modèles et exécuter des prédictions au moyen de code, soit via Ultralytics Platform, une plateforme de vision par ordinateur de bout en bout qui réunit la gestion des données, l’annotation, l’entraînement et le déploiement au même endroit.

Simplifier l’entraînement des modèles avec Ultralytics Platform#

La gestion des workflows de vision par ordinateur, de la préparation et de l’annotation des jeux de données à l’entraînement, l’évaluation et le déploiement, peut être complexe. Ultralytics Platform relève ce défi en réunissant ces étapes dans un environnement unique.

Par exemple, les utilisateurs peuvent organiser et annoter des données d’images provenant d’environnements d’entrepôt, puis les utiliser pour entraîner des modèles sur des scénarios réels. Les modèles peuvent ainsi apprendre à reconnaître l’apparence des palettes selon différentes configurations, conditions d’éclairage et méthodes d’empilement, ce qui les rend plus précis et plus fiables dans les opérations réelles.

Fig. 3. Aperçu d’un jeu de données dans Ultralytics Platform (Source)

Une fois entraînés, les modèles peuvent être testés sur de nouvelles images inédites à l’aide de l’onglet Predict intégré, afin de vérifier leurs performances avant leur déploiement.

Après validation, les modèles peuvent être déployés de différentes manières via Ultralytics Platform, selon le cas d’usage : inférence partagée pour le développement et les tests, points de terminaison dédiés pour les déploiements en production, ou exportation des modèles pour les exécuter sur des systèmes externes ou des appareils périphériques.

Éléments à prendre en compte pour placer les caméras et obtenir une détection précise#

Lorsque tu construis un système de surveillance des palettes piloté par la vision, l’emplacement des caméras peut avoir un impact direct sur la fiabilité de la détection des problèmes d’empilement. Une configuration adaptée favorise une automatisation plus efficace des systèmes de surveillance.

Fig. 4. Exemple d’utilisation d’une caméra en hauteur pour surveiller les activités d’un entrepôt (Source)

Voici quelques éléments pratiques à prendre en compte pour placer les caméras :

• Vues frontales des racks : les caméras orientées vers les racks à palettes peuvent capturer toute la hauteur des piles, ce qui facilite l’observation des empilements excessifs et des charges inclinées.
• Vues inclinées pour la profondeur et l’inclinaison : les vues prises par une caméra inclinée, généralement à environ 30–45°, peuvent offrir une meilleure visibilité de la profondeur, de l’inclinaison et des espaces dans les piles, qui peuvent ne pas être visibles depuis une perspective frontale.
• Vues en hauteur pour les zones denses : les vues plongeantes sont utiles dans les zones très encombrées, où les vues latérales peuvent être obstruées et où il devient plus difficile de distinguer les palettes individuelles.
• Points de surveillance des entrées et sorties : les caméras placées près des convoyeurs et des zones de quais peuvent capturer les palettes avant et après leur déplacement, ce qui aide à suivre les changements de stabilité pendant le transport.
• Zones d’interaction avec les chariots élévateurs : la surveillance des zones de prise et de dépôt situées près des voies des chariots élévateurs peut fournir des informations sur la stabilité des charges pendant la manutention, moment où de nombreux problèmes surviennent.

Applications concrètes de l’IA visuelle pour l’empilement des palettes#

Passons maintenant en revue quelques exemples pratiques de l’utilisation de l’IA visuelle dans les entrepôts pour repérer et gérer les problèmes courants d’empilement des palettes.

Détecter les dépassements de hauteur des piles dans les zones de stockage#

Les limites de hauteur d’empilement définissent la hauteur maximale à laquelle les piles de palettes peuvent être constituées en toute sécurité, notamment dans les zones de stockage où les palettes sont empilées très près les unes des autres afin d’optimiser l’espace disponible. Ces limites contribuent à prévenir les charges instables et à maintenir un dégagement sûr autour des racks à palettes et des systèmes situés en hauteur, comme les sprinklers.

Cependant, ces limites peuvent être dépassées pendant les périodes d’activité intense, comme lors d’opérations d’entrée à fort volume. Pour surveiller cette activité de plus près, des modèles comme Ultralytics YOLO26 peuvent analyser les flux des caméras afin de détecter et de compter les palettes individuelles et de suivre la croissance de la pile au fil du temps.

En surveillant le nombre et la position des palettes détectées, un système doté de capacités de vision peut estimer la hauteur totale de la pile et déterminer quand elle approche des limites sûres ou les dépasse. Les opérateurs de l’entrepôt disposent ainsi rapidement d’informations sur les problèmes potentiels et peuvent ajuster l’empilement ou redistribuer les charges avant qu’elles ne deviennent un risque pour la sécurité.

Identifier les déséquilibres de charge et les structures inclinées#

Lorsqu’une palette est empilée à la bonne hauteur mais n’est pas correctement équilibrée, elle peut tout de même devenir instable. Une répartition inégale du poids, des cartons posés de manière lâche ou un léger défaut d’alignement peuvent faire progressivement pencher une palette chargée.

Ces changements sont souvent subtils au départ et peuvent ne pas être évidents lors des contrôles de routine. Cependant, avec des modèles de vision par ordinateur comme Ultralytics YOLO26, ces contrôles peuvent être effectués en continu à l’aide de flux de caméras.

Par exemple, la prise en charge des boîtes englobantes orientées (OBBs) par Ultralytics YOLO26 permet de capturer facilement l’angle et l’orientation de chaque palette ou carton, plutôt que leur seule position. En suivant ces orientations au fil du temps, le modèle peut détecter de petits déplacements, comme de légères inclinaisons ou des changements d’alignement.

Lorsque ces angles commencent à s’écarter de l’alignement vertical ou deviennent incohérents d’une couche à l’autre, cela peut indiquer qu’une pile commence à pencher. Lorsque les déséquilibres sont détectés suffisamment tôt, ils peuvent être corrigés avant de s’aggraver.

Avantages et inconvénients de l’utilisation de l’IA visuelle pour empiler les palettes en toute sécurité#

Voici quelques-uns des principaux avantages des systèmes fondés sur la vision pour l’empilement des palettes :

• Visibilité en temps réel de l’ensemble des opérations : les systèmes de vision peuvent assurer une surveillance continue de l’état des palettes, ce qui facilite le respect des normes de l’OSHA et des bonnes pratiques d’empilement.
• Meilleur suivi des incidents : les données visuelles enregistrées peuvent être examinées ultérieurement afin de comprendre quand et comment un problème est apparu.
• Intégration aux systèmes existants : les modèles de vision peuvent être connectés aux systèmes de gestion d’entrepôt ou d’alerte afin de déclencher des notifications ou des workflows.
• Surveillance évolutive de plusieurs zones : des modèles de vision avancés peuvent être déployés dans plusieurs zones d’un entrepôt, offrant une visibilité cohérente même dans les installations vastes ou réparties.

Bien que l’utilisation de l’IA visuelle pour l’empilement des palettes présente de nombreux avantages, voici quelques facteurs limitants à garder à l’esprit :

• Sensibilité à l’environnement : les conditions d’éclairage, les ombres et les obstructions peuvent affecter la netteté des images des piles de palettes.
• Dépendance à une configuration appropriée : des résultats fiables nécessitent un placement soigneusement planifié des caméras et une couverture suffisante des principales zones opérationnelles.
• Dérive des performances du modèle : les changements de configuration, d’éclairage ou d’opérations dans l’entrepôt 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 afin de garantir des performances constantes.

Points clés à retenir#

L’empilement dangereux des palettes ne devient généralement pas problématique immédiatement. Il se développe progressivement sous l’effet de petits défauts d’alignement et du déplacement des charges. Grâce à une surveillance visuelle continue, ces changements subtils peuvent être détectés rapidement, ce qui facilite l’intervention avant que les problèmes ne s’aggravent. Des modèles comme Ultralytics YOLO26 contribuent à cette démarche en permettant une détection rapide en temps réel.

Tu veux approfondir l’IA visuelle ? Consulte notre dépôt GitHub pour en savoir plus. Rejoins notre communauté et découvre des applications comme l’IA dans la logistique et l’IA visuelle dans le commerce de détail. Consulte nos options de licence pour commencer !