Rilevamento di impilamenti non sicuri di pallet con Ultralytics YOLO26

La sicurezza è fondamentale nelle operazioni di magazzino. Pallet instabili, carichi in caduta e corsie ostruite possono causare danni ai prodotti, interruzioni del flusso di lavoro e gravi infortuni ai lavoratori.

In particolare, l'impilamento dei pallet svolge un ruolo fondamentale per mantenere un magazzino sicuro ed efficiente. Influisce direttamente sulla stabilità dei carichi, sulla facilità con cui i materiali si spostano all'interno dello spazio e sulla sicurezza con cui i lavoratori possono operare.

Anche piccole irregolarità possono comportare rischi maggiori. Una lieve inclinazione, una distribuzione non uniforme del peso o un carico fissato male possono rendere instabili i pallet. L'assenza di pellicola estensibile o un allineamento scorretto possono compromettere ulteriormente la stabilità, aumentando il rischio di danni ai prodotti o incidenti sul lavoro.

Fig. 1. Un magazzino è uno spazio dinamico in cui i lavoratori spostano e impilano continuamente i pallet. (Fonte)

Per prevenire questi problemi, organizzazioni come l'Amministrazione per la sicurezza e la salute sul lavoro (OSHA) forniscono linee guida per lo stoccaggio e la movimentazione sicuri dei materiali. Queste linee guida sottolineano l'importanza di mantenere stabili i carichi, rispettare i limiti di carico sicuri e seguire le corrette procedure di movimentazione per prevenire pericoli come la caduta o il crollo delle pile.

Tuttavia, applicare questi standard in modo coerente in magazzini caratterizzati da ritmi intensi non è sempre facile. I pallet vengono normalmente spostati, reimpilati e movimentati durante tutta la giornata. Di conseguenza, è difficile monitorare in tempo reale le condizioni di ogni carico o individuare i primi segnali di instabilità.

Un approccio più efficace consiste nell'usare la computer vision. Come branca dell'IA, consente alle macchine di interpretare e analizzare i dati visivi provenienti da immagini e flussi video. Con modelli di IA visiva come Ultralytics YOLO26, i magazzini possono monitorare in tempo reale le condizioni dei pallet e rilevare tempestivamente le configurazioni instabili, permettendo ai team di intervenire prima che i problemi peggiorino.

In questo articolo esamineremo i rischi associati all'impilamento non sicuro dei pallet e il modo in cui i sistemi basati sulla visione possono aiutare a rilevarli e prevenirli. Iniziamo!

L'impatto dell'impilamento dei pallet sulla sicurezza in magazzino#

I pallet sono progettati per sostenere un determinato peso e per essere impilati in modo stabile. Quando vengono sovraccaricati o non sono bilanciati correttamente, la stabilità inizia a venir meno.

Anche piccoli disallineamenti durante l’impilamento possono accumularsi nel tempo e aumentare il rischio che un carico ceda durante la movimentazione. Questi problemi si verificano di solito in ambienti frenetici, dove i pallet vengono continuamente caricati, spostati e impilati di nuovo. Quelli che inizialmente sembrano piccoli errori possono gradualmente influire sulla distribuzione del peso e rendere instabili le pile.

Questo influisce anche sulle operazioni quotidiane. Se un pallet deve essere sistemato durante il carico o il trasporto, le operazioni possono rallentare e subire ritardi. Il problema diventa più evidente durante la movimentazione, soprattutto quando si usano carrelli elevatori e transpallet.

Poiché queste attrezzature sono sempre in movimento, gestire carichi instabili rende più rischiose anche le attività di routine. Questo può causare danni alla merce, interruzioni del flusso di lavoro o sovraccarichi.

Nei casi più gravi, può provocare infortuni ai lavoratori e ripercuotersi sull’intera catena di approvvigionamento, aumentando i costi operativi e finanziari.

Le difficoltà dei metodi tradizionali di ispezione dei pallet#

La maggior parte dei magazzini si affida a procedure manuali di ispezione dei pallet, spesso basate sugli standard OSHA, sulle norme di sicurezza e su liste di controllo. Questi metodi favoriscono la sicurezza dei pallet e le corrette pratiche di impilamento, ma la loro applicazione uniforme è difficile negli ambienti molto operativi.

Un limite importante è che le ispezioni fotografano la situazione in un preciso momento. Le operazioni di magazzino comportano carichi, spostamenti e nuovi impilamenti continui, ma le ispezioni mostrano soltanto l’aspetto della pila al momento del controllo. Per questo è difficile rilevare i problemi che si sviluppano tra un controllo e l’altro, come disallineamenti graduali, spostamenti dei carichi o i primi segnali di instabilità.

Alcuni problemi sono anche più difficili da individuare durante i controlli di routine. Pallet danneggiati, assi rotte o piccole schegge possono passare inosservati, anche se possono indebolire la struttura e compromettere la stabilità del carico durante la movimentazione.

Le dimensioni aggiungono un ulteriore livello di difficoltà. Nei grandi magazzini è complicato effettuare ispezioni regolari in tutte le aree, soprattutto intorno alle scaffalature per pallet e alle zone dei trasportatori. Queste lacune nella copertura rendono più difficile seguire con costanza le pratiche di sicurezza e garantire un impilamento stabile dei pallet in tutte le operazioni.

Il ruolo dell’IA visiva nelle operazioni di magazzino#

I magazzini stanno iniziando ad adottare sistemi di visione artificiale in grado di monitorare le operazioni quotidiane. Questi sistemi apprendono da grandi quantità di immagini etichettate e possono monitorare continuamente i dettagli specifici dei pallet nelle diverse aree di stoccaggio.

Ad esempio, modelli di visione artificiale all’avanguardia come YOLO26 supportano attività di visione come il rilevamento degli oggetti, la classificazione delle immagini, il rilevamento dei riquadri delimitatori orientati (OBB), la stima della posa e la segmentazione delle istanze, che possono aiutare ad analizzare come sono disposti i pallet e i carichi negli spazi del magazzino.

In particolare, il rilevamento degli oggetti può essere usato per identificare e localizzare pallet, scatole e attrezzature di movimentazione nei corridoi e nelle zone di stoccaggio. Ciò consente ai sistemi di tenere traccia di come i materiali vengono collocati e spostati.

Fig. 2. Utilizzo di un modello Ultralytics YOLO per rilevare scatole impilate (Fonte)

Nel frattempo, la segmentazione delle istanze consente di identificare con precisione i singoli elementi di una pila, tracciando ogni oggetto a livello di pixel. In questo modo è più facile distinguere gli elementi sovrapposti o molto ravvicinati. Quando l’allineamento è fondamentale, è possibile usare i riquadri delimitatori orientati per valutare la disposizione dei carichi e rilevarne con maggiore precisione gli angoli e l’orientamento.

Allo stesso modo, la classificazione delle immagini può essere usata per analizzare le condizioni generali di un pallet o di una scena e assegnare etichette come «stabile», «instabile» o «danneggiato». La stima della posa, invece, si concentra sul rilevamento dei punti chiave per monitorare la posizione e i movimenti dei lavoratori o delle attrezzature; ciò permette di capire come interagiscono con i pallet e di individuare modalità di movimentazione potenzialmente pericolose.

Come Ultralytics YOLO26 consente di gestire l’impilamento dei pallet nel mondo reale#

Ultralytics YOLO26 è disponibile già pronto all’uso come modello preaddestrato. In altre parole, è già stato addestrato su grandi set di dati e può quindi riconoscere oggetti comuni senza dover essere creato da zero.

Tuttavia, gli ambienti di magazzino presentano caratteristiche specifiche, come la varietà dei tipi di pallet, degli schemi di impilamento e delle condizioni di carico, oltre alle incongruenze del mondo reale. In questo contesto, la possibilità di addestrare su dati personalizzati i modelli Ultralytics YOLO, come YOLO26, si rivela preziosa.

Addestrare un modello su dati specifici dei magazzini gli consente di comprendere meglio queste variazioni e di fornire risultati più precisi e affidabili. Il processo inizia raccogliendo immagini e fotogrammi video dai magazzini, per documentare diverse condizioni di impilamento in vari ambienti.

Le immagini vengono quindi annotate (si aggiungono etichette), per esempio disegnando riquadri delimitatori (riquadri rettangolari) intorno ai pallet o contrassegnando le aree instabili. Una volta preparato un set di dati con le annotazioni, Ultralytics YOLO26 può essere addestrato su questi esempi del mondo reale e adattato alle variazioni di disposizione, illuminazione e operatività.

L’addestramento può essere svolto usando il pacchetto Python Ultralytics, che include strumenti per caricare dati, addestrare modelli ed eseguire previsioni tramite codice, oppure tramite Ultralytics Platform, una piattaforma di visione artificiale end-to-end che riunisce in un unico posto la gestione dei dati, l’annotazione, l’addestramento e la distribuzione.

Semplificare l’addestramento dei modelli con Ultralytics Platform#

Gestire i flussi di lavoro di visione artificiale, dalla preparazione e annotazione dei set di dati all’addestramento, alla valutazione e alla distribuzione, può essere complesso. Ultralytics Platform affronta questa sfida riunendo tutti questi passaggi in un unico ambiente.

Ad esempio, gli utenti possono organizzare ed etichettare le immagini provenienti dagli ambienti di magazzino e usarle per addestrare modelli su scenari reali. In questo modo, i modelli imparano come appaiono i pallet con diverse disposizioni, condizioni di illuminazione e modalità di impilamento, diventando più precisi e affidabili nelle operazioni reali.

Fig. 3. Panoramica di un set di dati in Ultralytics Platform (Fonte)

Dopo l’addestramento, i modelli possono essere testati su nuove immagini mai viste prima, usando la scheda Predict integrata per verificarne le prestazioni prima della distribuzione.

Dopo la convalida, i modelli possono essere distribuiti in modi diversi tramite Ultralytics Platform, a seconda del caso d’uso: si può ricorrere all’inferenza condivisa per lo sviluppo e i test, a endpoint dedicati per le distribuzioni in produzione oppure esportare i modelli per eseguirli su sistemi esterni o dispositivi edge.

Considerazioni sul posizionamento delle telecamere per un rilevamento accurato#

Quando realizzi un sistema di monitoraggio dei pallet basato sulla visione artificiale, il posizionamento delle telecamere può influire direttamente sull’affidabilità con cui vengono rilevati i problemi di impilamento. Una configurazione adeguata permette di automatizzare il monitoraggio in modo più efficace.

Fig. 4. Esempio di utilizzo di una telecamera dall’alto per monitorare le attività del magazzino (Fonte)

Ecco alcuni aspetti pratici da considerare per il posizionamento delle telecamere:

• Riprese frontali delle scaffalature: le telecamere orientate verso le scaffalature per pallet possono riprendere l’intera altezza delle pile, facilitando l’individuazione di impilamenti eccessivi e carichi inclinati.
• Riprese angolate per rilevare profondità e inclinazione: le riprese da angolazioni generalmente comprese tra 30 e 45° possono offrire una migliore visibilità della profondità, dell’inclinazione e degli spazi vuoti all’interno delle pile, che potrebbero non essere visibili da una prospettiva frontale.
• Riprese dall’alto nelle aree dense: le riprese dall’alto sono utili nelle zone con spazi molto ristretti, dove le riprese laterali potrebbero essere ostruite e distinguere i singoli pallet potrebbe risultare più difficile.
• Punti di monitoraggio in entrata e in uscita: le telecamere posizionate vicino ai nastri trasportatori e alle aree di carico possono riprendere i pallet prima e dopo lo spostamento, aiutando a monitorare le variazioni di stabilità durante il transito.
• Zone di interazione con i carrelli elevatori: monitorare le aree di prelievo e deposito vicino ai percorsi dei carrelli elevatori può fornire indicazioni sulla stabilità dei carichi durante la movimentazione, fase in cui tendono a verificarsi molti problemi.

Applicazioni dell’IA visiva nell’impilamento dei pallet nel mondo reale#

Vediamo ora alcuni esempi pratici di come l’IA visiva viene usata nei magazzini per individuare e gestire i problemi più comuni legati all’impilamento dei pallet.

Rilevare le violazioni dei limiti di altezza delle pile nelle zone di stoccaggio#

I limiti di altezza stabiliscono quanto possono essere alte le pile di pallet per garantire la sicurezza, soprattutto nelle aree di stoccaggio in cui i pallet vengono impilati vicini per sfruttare al meglio lo spazio disponibile. Questi limiti aiutano a evitare carichi instabili e a mantenere una distanza di sicurezza dalle scaffalature per pallet e dagli impianti a soffitto, come gli sprinkler.

Tuttavia, questi limiti possono essere superati nei periodi di intensa attività, come durante le operazioni di ricezione di grandi volumi. Per monitorare più attentamente queste attività, modelli come Ultralytics YOLO26 possono analizzare i flussi video delle telecamere, rilevare e contare i singoli pallet e monitorare la crescita della pila nel tempo.

Monitorando il numero e la posizione dei pallet rilevati, un sistema basato sulla visione artificiale può stimare l’altezza complessiva della pila e individuare quando si avvicina ai limiti di sicurezza o li supera. Ciò consente agli operatori del magazzino di individuare tempestivamente i potenziali problemi e di modificare l’impilamento o ridistribuire i carichi prima che diventino un rischio per la sicurezza.

Individuare gli squilibri dei carichi e le strutture inclinate#

Anche se un pallet è impilato fino all’altezza corretta, un bilanciamento inadeguato può renderlo instabile. Una distribuzione non uniforme del peso, scatole appoggiate in modo precario o un lieve disallineamento possono far inclinare gradualmente un pallet carico.

Inizialmente questi cambiamenti sono spesso impercettibili e potrebbero non essere evidenti durante i controlli di routine. Tuttavia, con modelli di visione artificiale come Ultralytics YOLO26, è possibile effettuare controlli continui usando i flussi video delle telecamere.

Ad esempio, il supporto di Ultralytics YOLO26 ai riquadri delimitatori orientati (OBBs) consente di rilevare facilmente l’angolo e l’orientamento di ogni pallet o scatola, anziché soltanto la posizione. Monitorando questi orientamenti nel tempo, il modello può rilevare piccoli spostamenti, come lievi inclinazioni o variazioni di allineamento.

Quando questi angoli iniziano a discostarsi dall’allineamento verticale o diventano incoerenti tra i diversi strati, potrebbe essere il segnale che la pila sta iniziando a inclinarsi. Rilevare tempestivamente gli squilibri permette di correggerli prima che peggiorino.

Vantaggi e svantaggi dell’uso dell’IA visiva per impilare i pallet in sicurezza#

Ecco alcuni dei principali vantaggi dei sistemi basati sulla visione artificiale per l’impilamento dei pallet:

• Visibilità in tempo reale su tutte le operazioni: i sistemi di visione possono monitorare costantemente le condizioni dei pallet, facilitando il rispetto degli standard OSHA e delle corrette pratiche di impilamento.
• Monitoraggio migliore degli incidenti: i dati visivi registrati possono essere riesaminati in seguito per capire quando e come si è sviluppato un problema.
• Integrazione con i sistemi esistenti: i modelli di visione possono essere collegati ai sistemi di gestione del magazzino o di allerta per attivare notifiche o flussi di lavoro.
• Monitoraggio scalabile in diverse zone: i modelli di visione avanzati possono essere distribuiti in più aree del magazzino, garantendo una visibilità uniforme anche in strutture grandi o distribuite.

L’uso dell’IA visiva per l’impilamento dei pallet offre molti vantaggi, ma ecco alcuni fattori limitanti da tenere presenti:

• Sensibilità alle condizioni ambientali: l’illuminazione, le ombre e gli ostacoli possono influire sulla nitidezza delle immagini delle pile di pallet.
• Dipendenza da una configurazione adeguata: risultati affidabili richiedono un posizionamento delle telecamere ben pianificato e una copertura adeguata delle principali zone operative.
• Variazione delle prestazioni del modello: i cambiamenti nella disposizione del magazzino, nell’illuminazione o nelle operazioni possono richiedere aggiornamenti periodici o un nuovo addestramento del modello.
• Manutenzione delle telecamere: per garantire prestazioni costanti, potrebbe essere necessario pulire e calibrare regolarmente le telecamere ed eseguire controlli periodici.

Punti chiave#

L’impilamento non sicuro dei pallet di solito non diventa un problema da un momento all’altro. Si sviluppa gradualmente a causa di piccoli disallineamenti e spostamenti dei carichi. Il monitoraggio visivo continuo permette di rilevare tempestivamente questi cambiamenti impercettibili, facilitando gli interventi prima che i problemi peggiorino. Modelli come Ultralytics YOLO26 lo rendono possibile grazie al rilevamento rapido in tempo reale.

Vuoi approfondire l’IA visiva? Visita il nostro repository GitHub per saperne di più. Unisciti alla nostra community e scopri applicazioni come l’IA nella logistica e l’IA visiva nel commercio al dettaglio. Dai un’occhiata alle opzioni di licenza per iniziare!