Détection des empilements de palettes dangereux avec Ultralytics YOLO26

La sécurité est essentielle dans les opérations d’entrepôt. Des palettes instables, des charges qui tombent et des allées obstruées peuvent endommager les produits, perturber les flux de travail et provoquer de graves blessures chez les travailleurs.

L’empilage des palettes joue notamment un rôle clé dans la sécurité et l’efficacité d’un entrepôt. Il a une incidence directe sur la stabilité des charges, la facilité avec laquelle les matériaux circulent dans l’espace et la sécurité des opérations des travailleurs.

Même de petites irrégularités peuvent entraîner 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 rétractable ou un mauvais alignement peut encore réduire leur stabilité et augmenter le risque de dommages aux produits ou d’accidents du travail.

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

Des organismes comme l’Administration de la sécurité et de la santé au travail (OSHA) publient des directives pour le stockage et la manutention sécuritaires des matériaux. Ces directives insistent sur le maintien de la stabilité des charges, le respect des limites de charge sécuritaires et l’application de bonnes pratiques de manutention afin d’éviter les risques, comme la chute ou l’effondrement de piles.

Cependant, il n’est pas toujours facile d’appliquer ces normes de façon cohérente dans des environnements d’entrepôt où les activités s’enchaînent rapidement. Les palettes sont déplacées, empilées à nouveau et manipulées tout au long de la journée. Il est donc difficile de surveiller en temps réel l’état de chaque charge ou de repérer les premiers signes d’instabilité.

Une approche plus efficace consiste à utiliser la vision par ordinateur. Branche de l’IA, elle permet aux machines d’interpréter et d’analyser des données visuelles provenant d’images et de flux vidéo. Grâce à 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, afin que les équipes puissent intervenir avant que la situation ne s’aggrave.

Dans cet article, nous allons examiner les risques liés à l’empilage dangereux des palettes et voir comment les systèmes de vision peuvent aider à les détecter et à les prévenir. Commençons !

L’incidence de l’empilage 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, leur stabilité commence à se dégrader.

Même de petits défauts d’alignement lors de l’empilage peuvent s’accumuler avec le temps et augmenter le risque de chute d’une charge pendant la manutention. Ces problèmes surviennent généralement dans des environnements très actifs, où les palettes sont constamment chargées, déplacées et empilées à nouveau. Ce qui semble d’abord être une erreur mineure peut progressivement affecter la répartition du poids et rendre les piles instables.

Cela a également des répercussions sur les opérations quotidiennes. Si une palette doit être réajustée pendant le chargement ou le transport, cela peut ralentir les opérations et entraîner des retards. Le problème devient plus visible pendant la manutention, surtout lorsque des chariots élévateurs et des transpalettes sont utilisés.

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

Dans les cas les plus graves, cela peut provoquer des blessures chez les travailleurs et avoir des répercussions sur l’ensemble de la chaîne d’approvisionnement, augmentant les coûts opérationnels et financiers.

Défis 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 de l’OSHA, les réglementations de sécurité et des listes de contrôle d’inspection. Ces méthodes contribuent à la sécurité des palettes et aux bonnes pratiques d’empilage, mais leur application uniforme dans des environnements très actifs reste limitée.

L’une des principales limites est que les inspections ne donnent qu’un aperçu à un instant donné. Les opérations en entrepôt comprennent le chargement, le déplacement et le réempilage continus des palettes, mais les inspections ne montrent que l’état de la pile au moment du contrôle. Il est 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 qu’ils risquent d’affaiblir la structure et de compromettre la stabilité de la charge pendant la manutention.

L’ampleur des opérations ajoute une difficulté supplémentaire. Dans les grands entrepôts, il est difficile d’effectuer régulièrement des inspections dans toutes les zones, en particulier près des rayonnages à palettes et des zones de convoyeurs. Ces lacunes dans la couverture compliquent l’application cohérente des pratiques de sécurité et le maintien d’un empilage stable des palettes dans l’ensemble des opérations.

Le rôle de l’IA visuelle dans les opérations en 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 caractéristiques 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, qui peuvent aider à analyser la disposition des palettes et des charges dans les espaces d’entreposage.

Plus précisément, la détection d’objets peut servir à identifier et à localiser les palettes, les boîtes 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. Détection de boîtes empilées à l’aide d’un modèle Ultralytics YOLO (Source)

La segmentation d’instances permet quant à elle d’identifier précisément chaque article d’une pile en délimitant chaque objet au niveau du pixel. Il est ainsi plus facile de distinguer les articles qui se chevauchent ou sont serrés les uns contre les autres. Lorsque l’alignement est essentiel, les boîtes englobantes orientées peuvent servir à évaluer le positionnement des charges et à mesurer plus précisément leurs angles et leur orientation.

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, quant à elle, se concentre sur la détection de points clés pour suivre la position et les mouvements des travailleurs ou des équipements. Elle permet ainsi de comprendre leurs interactions avec les palettes et de repérer les manipulations potentiellement dangereuses.

Comment Ultralytics YOLO26 permet l’empilage de palettes dans des conditions 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 reconnaître des objets courants sans qu’il soit nécessaire de le créer de zéro.

Cependant, les environnements d’entreposage présentent leurs propres particularités : diversité des types de palettes, des schémas d’empilage, de l’état des charges et des conditions réelles. C’est là que la possibilité d’entraîner sur mesure des modèles Ultralytics YOLO comme YOLO26 prend toute son importance.

L’entraînement d’un modèle sur des données propres aux entrepôts lui permet de mieux comprendre ces variations et de fournir des résultats plus précis et fiables. Le processus commence par la collecte d’images et d’images extraites de vidéos prises dans les entrepôts, afin de capturer différentes conditions d’empilage dans divers 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 instables. Une fois un jeu de données constitué à partir de ces données annotées, Ultralytics YOLO26 peut être entraîné sur ces exemples du monde réel et adapté aux variations d’agencement, d’éclairage et d’opérations.

L’entraînement peut se faire avec le package Python Ultralytics, qui fournit des outils intégrés pour charger des données, entraîner des modèles et effectuer des prédictions à l’aide de code, ou avec 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 au même endroit.

Simplifier l’entraînement des modèles avec Ultralytics Platform#

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

Par exemple, les utilisateurs peuvent organiser et annoter des images provenant d’environnements d’entreposage, puis les utiliser pour entraîner des modèles sur des scénarios du monde réel. Les modèles apprennent ainsi à reconnaître les palettes dans différents agencements, conditions d’éclairage et styles d’empilage, ce qui améliore leur précision et leur fiabilité 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 le déploiement.

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

Considérations sur le positionnement des caméras pour une détection précise#

Lors de la création d’un système de surveillance des palettes basé sur la vision, le positionnement des caméras peut avoir une incidence directe sur la fiabilité de la détection des problèmes d’empilage. Une configuration adaptée facilite l’automatisation des systèmes de surveillance.

Fig. 4. Exemple de surveillance des activités d’un entrepôt à l’aide d’une caméra en hauteur (Source)

Voici quelques conseils pratiques pour le positionnement des caméras :

• Vues de face des rayonnages : les caméras placées face aux rayonnages à palettes peuvent capturer toute la hauteur des piles, ce qui facilite le repérage des empilages excessifs et des charges inclinées.
• Vues en biais pour la profondeur et l’inclinaison : les vues en biais, généralement autour de 30–45°, offrent une meilleure visibilité de la profondeur, de l’inclinaison et des espaces entre les palettes, qui peuvent être invisibles depuis une vue de face.
• Vues en plongée pour les zones encombrées : les vues du dessus sont utiles dans les zones où les palettes sont serrées les unes contre les autres, car les vues latérales peuvent être obstruées et il devient plus difficile de distinguer les palettes.
• Points de surveillance des entrées et des sorties : les caméras placées près des convoyeurs et des zones de quai peuvent capturer les palettes avant et après leur déplacement, afin de suivre l’évolution de leur stabilité pendant le transport.
• Zones d’interaction avec les chariots élévateurs : la surveillance des zones de prise et de dépose situées près des voies de circulation des chariots élévateurs peut donner des indications sur la stabilité des charges pendant la manutention, où surviennent de nombreux problèmes.

Applications concrètes de l’IA visuelle dans l’empilage des palettes#

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

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

Les limites de hauteur d’empilage définissent la hauteur maximale à laquelle les palettes peuvent être empilées en toute sécurité, en particulier dans les zones de stockage où elles sont rapprochées pour optimiser l’espace disponible. Ces limites contribuent à éviter les charges instables et à maintenir un dégagement suffisant autour des rayonnages à palettes et des équipements en hauteur, comme les sprinkleurs.

Cependant, ces limites peuvent être dépassées pendant les périodes d’activité intense, par exemple lors d’opérations de réception à fort volume. Pour surveiller ces activités de plus près, des modèles comme Ultralytics YOLO26 peuvent analyser les flux des caméras afin de détecter et de compter les palettes individuellement, et de suivre l’évolution des piles au fil du temps.

En surveillant le nombre et la position des palettes détectées, un système de vision peut estimer la hauteur totale d’une pile et déterminer quand elle approche des limites de sécurité ou les dépasse. Les opérateurs d’entrepôt sont ainsi informés à l’avance des problèmes potentiels et peuvent ajuster l’empilage ou répartir les charges autrement avant qu’elles ne présentent un risque pour la sécurité.

Repérer les déséquilibres des charges et les structures inclinées#

Même empilée à la bonne hauteur, une palette mal équilibrée peut devenir instable. Une répartition inégale du poids, des boîtes mal positionnées ou un léger défaut d’alignement peuvent progressivement faire pencher une palette chargée.

Au début, ces changements sont souvent subtils et peuvent passer inaperçus lors des contrôles de routine. Toutefois, des modèles de vision par ordinateur comme Ultralytics YOLO26 permettent d’effectuer ces contrôles en continu à l’aide des flux des caméras.

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

Lorsque ces angles commencent à s’écarter de la verticale ou deviennent incohérents d’une couche à l’autre, cela peut indiquer qu’une pile commence à pencher. Si les déséquilibres sont détectés tôt, il est possible de les corriger avant qu’ils ne s’aggravent.

Avantages et inconvénients de l’IA visuelle pour un empilage sûr des palettes#

Voici quelques-uns des principaux avantages de l’utilisation de systèmes basés sur la vision pour l’empilage des palettes :

• Visibilité en temps réel des opérations : les systèmes de vision peuvent surveiller en continu l’état des palettes, ce qui facilite le respect des normes de l’OSHA et des bonnes pratiques d’empilage.
• Meilleur suivi des incidents : les données visuelles enregistrées peuvent être examinées ultérieurement pour 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 pour déclencher des notifications ou des flux de travail.
• Surveillance évolutive de plusieurs zones : des modèles de vision avancés peuvent être déployés dans plusieurs zones d’entrepôt, afin d’assurer une visibilité uniforme, même dans les installations vastes ou réparties sur plusieurs sites.

L’utilisation de l’IA visuelle pour l’empilage des palettes présente de nombreux avantages, mais voici quelques limites à prendre en compte :

• Sensibilité à l’environnement : l’éclairage, les ombres et les obstacles peuvent nuire à la netteté des images de piles de palettes.
• Dépendance à une configuration adaptée : pour obtenir des résultats fiables, il faut bien planifier le positionnement des caméras et assurer une couverture suffisante des zones opérationnelles clés.
• Dérive des performances du modèle : les changements d’agencement, d’éclairage ou d’opérations dans l’entrepôt peuvent nécessiter des mises à jour ou un nouvel entraînement périodiques du modèle.
• Entretien des caméras : un nettoyage, un étalonnage et des contrôles réguliers peuvent être nécessaires pour garantir des performances constantes.

Points clés à retenir#

Un empilage dangereux des palettes ne pose généralement pas de problème immédiatement. La situation se dégrade au fil du temps, à cause de petits défauts d’alignement et du déplacement des charges. Une surveillance visuelle continue permet de détecter ces changements subtils à un stade précoce et d’intervenir plus facilement avant que les problèmes ne s’aggravent. Des modèles comme Ultralytics YOLO26 facilitent cette surveillance grâce à une détection rapide en temps réel.

Tu souhaites en savoir plus sur 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 te lancer !