Rilevamento dell'impilaggio non sicuro dei pallet con Ultralytics YOLO26

La sicurezza è fondamentale nelle operazioni di magazzino. Pallet instabili, carichi che cadono e corridoi bloccati possono causare danni ai prodotti, interruzioni del flusso di lavoro e gravi infortuni ai lavoratori.

In particolare, l'impilaggio 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 nello spazio e sulla sicurezza con cui i lavoratori possono operare.

Anche piccole incoerenze possono creare rischi maggiori. Una leggera inclinazione, una distribuzione non uniforme del peso o un carico fissato male possono rendere instabili i pallet. L'assenza di pellicola estensibile o uno scarso allineamento possono indebolire ulteriormente la stabilità, aumentando la probabilità 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 sulla sicurezza sottolineano l'importanza di mantenere la stabilità dei carichi, rispettare i limiti di carico sicuri e seguire procedure di movimentazione corrette per prevenire rischi come la caduta o il crollo delle pile.

Tuttavia, applicare questi standard in modo coerente negli ambienti di magazzino caratterizzati da ritmi elevati non è sempre facile. I pallet vengono generalmente spostati, reimpilati e movimentati durante tutta la giornata. Questo rende difficile monitorare in tempo reale le condizioni di ogni carico o individuare i primi segnali di instabilità.

Un approccio più efficace consiste nell'utilizzare la visione artificiale. Essendo un ramo dell'IA, consente alle macchine di interpretare e analizzare i dati visivi provenienti da immagini e flussi video. Con modelli di IA per la visione 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 analizzeremo i rischi associati all'impilaggio non sicuro dei pallet e il modo in cui i sistemi basati sulla visione possono aiutare a rilevarli e prevenirli. Iniziamo!

L'impatto dell'impilaggio dei pallet sulla sicurezza del magazzino#

I pallet sono progettati per sostenere una determinata quantità di peso ed essere impilati in modo stabile. Quando vengono sovraccaricati o non sono bilanciati correttamente, questa stabilità inizia a venir meno.

Anche piccoli disallineamenti durante l'impilaggio possono accumularsi nel tempo e aumentare la probabilità che un carico ceda durante la movimentazione. Questi problemi si verificano solitamente in ambienti caratterizzati da ritmi elevati, dove i pallet vengono costantemente caricati, spostati e reimpilati. Quelli che inizialmente sembrano errori minori possono influire gradualmente sulla distribuzione del peso e portare a pile instabili.

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 sono coinvolti 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 alle merci, interruzioni del flusso di lavoro o sovraccarichi.

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

Le difficoltà dei metodi tradizionali di ispezione dei pallet#

La maggior parte dei magazzini si affida a processi manuali di ispezione dei pallet, spesso guidati dagli standard OSHA, dalle normative sulla sicurezza e dalle liste di controllo per le ispezioni. Questi metodi favoriscono la sicurezza dei pallet e le corrette pratiche di impilaggio, ma sono limitati in termini di uniformità di applicazione negli ambienti operativi più intensi.

Una limitazione fondamentale è che le ispezioni registrano solo un momento specifico. Le operazioni di magazzino prevedono carico, spostamento e reimpilaggio continui, ma le ispezioni rilevano soltanto l'aspetto della pila al momento del controllo. Questo rende difficile rilevare i problemi che si sviluppano tra un controllo e l'altro, come disallineamenti graduali, carichi che si spostano o primi segnali di instabilità.

Alcuni problemi sono inoltre 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.

La dimensione delle strutture aggiunge un ulteriore livello di difficoltà. Nei grandi magazzini è difficile mantenere ispezioni regolari in tutte le aree, soprattutto nei pressi delle scaffalature per pallet e delle zone dei trasportatori. Queste lacune nella copertura rendono più difficile seguire in modo coerente le pratiche di sicurezza e garantire un impilaggio stabile dei pallet in tutte le operazioni.

Il ruolo dell'IA per la visione 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 annotate e possono monitorare continuamente dettagli specifici dei pallet nelle diverse aree di stoccaggio.

Ad esempio, modelli di visione artificiale all'avanguardia come YOLO26 supportano attività di visione quali il rilevamento degli oggetti, la classificazione delle immagini, il rilevamento dei riquadri di delimitazione orientati (OBB), la stima della posa e la segmentazione delle istanze, aiutando ad analizzare la disposizione di pallet e carichi negli spazi del magazzino.

In particolare, il rilevamento degli oggetti può essere utilizzato per identificare e localizzare pallet, scatole e attrezzature di movimentazione nei corridoi e nelle zone di stoccaggio. Questo consente ai sistemi di tenere traccia del modo in cui i materiali vengono posizionati e spostati.

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

La segmentazione delle istanze, invece, consente di identificare con precisione i singoli elementi all'interno di una pila delineando ogni oggetto a livello di pixel. Questo facilita la separazione degli elementi sovrapposti o molto ravvicinati. Nelle situazioni in cui l'allineamento è fondamentale, è possibile utilizzare i riquadri di delimitazione orientati per valutare la posizione dei carichi, acquisendone con maggiore precisione angoli e orientamenti.

Analogamente, la classificazione delle immagini può essere utilizzata per analizzare le condizioni generali di un pallet o di una scena e assegnare etichette come “stabile”, “instabile” o “danneggiato”. Inoltre, la stima della posa si concentra sul rilevamento dei punti chiave per monitorare la posizione e il movimento dei lavoratori o delle attrezzature, consentendo di comprendere come interagiscono con i pallet e di identificare operazioni di movimentazione potenzialmente non sicure.

Come Ultralytics YOLO26 consente di gestire l'impilaggio dei pallet nella realtà#

Ultralytics YOLO26 è disponibile come modello preaddestrato e pronto all'uso. In altre parole, è già stato addestrato su grandi dataset, quindi è in grado di riconoscere oggetti comuni senza dover essere sviluppato da zero.

Tuttavia, gli ambienti di magazzino presentano caratteristiche specifiche, come diversi tipi di pallet, schemi di impilaggio, condizioni dei carichi e variazioni del mondo reale. È qui che diventa preziosa la possibilità di addestrare su misura i modelli Ultralytics YOLO, come YOLO26.

Addestrare un modello su dati specifici del magazzino gli consente di comprendere meglio queste variazioni e fornire risultati più precisi e affidabili. Il processo inizia raccogliendo immagini e fotogrammi video dai pavimenti del magazzino, acquisendo diverse condizioni di impilaggio in vari ambienti.

Queste immagini vengono quindi annotate (aggiungendo le etichette), ad esempio disegnando riquadri di delimitazione (riquadri rettangolari) attorno ai pallet o contrassegnando le aree di instabilità. Una volta preparato un dataset con i dati annotati, Ultralytics YOLO26 può essere addestrato su questi esempi del mondo reale, adattandosi alle variazioni di layout, illuminazione e operazioni.

L'addestramento può essere eseguito utilizzando il pacchetto Python di Ultralytics, che fornisce strumenti integrati per caricare dati, addestrare modelli ed eseguire predizioni tramite codice, oppure attraverso Ultralytics Platform, una piattaforma di visione artificiale end-to-end che riunisce gestione dei dati, annotazione, addestramento e deployment in un unico ambiente.

Semplificare l'addestramento dei modelli con Ultralytics Platform#

La gestione dei flussi di lavoro di visione artificiale, dalla preparazione e annotazione del dataset all'addestramento, alla valutazione e al deployment, può essere complessa. Ultralytics Platform affronta questa sfida riunendo questi passaggi in un unico ambiente.

Ad esempio, gli utenti possono organizzare e annotare i dati delle immagini provenienti dagli ambienti di magazzino e utilizzarli per addestrare modelli su scenari del mondo reale. Questo consente ai modelli di apprendere l'aspetto dei pallet in diversi layout, condizioni di illuminazione e stili di impilaggio, rendendoli più precisi e affidabili nelle operazioni reali.

Fig. 3. Uno sguardo a un dataset all'interno di Ultralytics Platform (Fonte)

Una volta addestrati, i modelli possono essere testati su immagini nuove e mai viste prima utilizzando la scheda Predict integrata, per verificarne le prestazioni prima del deployment.

Dopo la convalida, i modelli possono essere sottoposti a deployment in diversi modi tramite Ultralytics Platform, a seconda del caso d'uso, tra cui l'inferenza condivisa per sviluppo e test, endpoint dedicati per i deployment in produzione oppure l'esportazione dei modelli per eseguirli su sistemi esterni o dispositivi edge.

Considerazioni sul posizionamento delle telecamere per un rilevamento accurato#

Quando costruisci un sistema di monitoraggio dei pallet basato sulla visione, il posizionamento delle telecamere può influire direttamente sull'affidabilità con cui vengono rilevati i problemi di impilaggio. La configurazione corretta favorisce un'automazione più efficace dei sistemi di monitoraggio.

Fig. 4. Un 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:

• Viste frontali delle scaffalature: le telecamere posizionate di fronte alle scaffalature per pallet possono acquisire l'intera altezza delle pile, facilitando l'osservazione di impilaggi eccessivi e carichi inclinati.
• Viste angolate per profondità e inclinazione: le viste delle telecamere angolate, generalmente tra 30 e 45°, possono offrire una visibilità migliore della profondità, dell'inclinazione e degli spazi all'interno delle pile, che potrebbero non essere visibili da prospettive frontali.
• Viste dall'alto per le aree dense: le viste dall'alto sono utili nelle zone molto affollate, dove le viste laterali possono essere ostruite e distinguere i singoli pallet diventa più difficile.
• Punti di monitoraggio di ingresso e uscita: le telecamere posizionate vicino ai nastri trasportatori e alle aree delle banchine possono acquisire i pallet prima e dopo lo spostamento, aiutando a monitorare i cambiamenti di stabilità durante il transito.
• Zone di interazione con i carrelli elevatori: il monitoraggio delle aree di prelievo e deposito nei pressi dei percorsi dei carrelli elevatori può fornire informazioni sulla stabilità dei carichi durante la movimentazione, momento in cui tendono a verificarsi molti problemi.

Applicazioni reali dell'IA per la visione nell'impilaggio dei pallet#

Passiamo ora ad alcuni esempi pratici di come l'IA per la visione viene utilizzata nei magazzini per individuare e gestire i problemi comuni legati all'impilaggio dei pallet.

Rilevare le violazioni dell'altezza delle pile nelle zone di stoccaggio#

I limiti di altezza dell'impilaggio definiscono quanto possono essere costruite in sicurezza le pile di pallet, soprattutto nelle aree di stoccaggio in cui i pallet vengono impilati ravvicinati per sfruttare al meglio lo spazio disponibile. Questi limiti aiutano a prevenire carichi instabili e a mantenere una distanza di sicurezza intorno alle scaffalature per pallet e ai sistemi sopraelevati come gli sprinkler.

Tuttavia, questi limiti possono essere superati durante i periodi di intensa attività, come le operazioni di ricezione ad alto volume. Per tenere sotto controllo più attentamente queste attività, modelli come Ultralytics YOLO26 possono analizzare i flussi delle telecamere per 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 dotato di visione può stimare l'altezza complessiva della pila e identificare quando si avvicina o supera i limiti di sicurezza. Questo offre agli operatori del magazzino una visibilità precoce sui potenziali problemi, permettendo loro di modificare l'impilaggio o ridistribuire i carichi prima che diventino un rischio per la sicurezza.

Identificare squilibri dei carichi e strutture inclinate#

Quando un pallet è impilato all'altezza corretta ma non è bilanciato adeguatamente, può comunque diventare instabile. Una distribuzione non uniforme del peso, scatole posizionate senza fissaggio o un leggero disallineamento possono far inclinare gradualmente un pallet carico nel tempo.

All'inizio questi cambiamenti sono spesso impercettibili e potrebbero non essere evidenti durante i controlli di routine. Tuttavia, con modelli di visione artificiale come Ultralytics YOLO26, questi controlli possono essere eseguiti continuamente utilizzando i flussi delle telecamere.

Ad esempio, il supporto di Ultralytics YOLO26 per i riquadri di delimitazione orientati (OBB) facilita l'acquisizione dell'angolo e dell'orientamento di ogni pallet o scatola, anziché soltanto della loro posizione. Monitorando questi orientamenti nel tempo, il modello può rilevare piccoli spostamenti, come lievi inclinazioni o cambiamenti di allineamento.

Quando questi angoli iniziano ad allontanarsi dall'allineamento verticale o diventano incoerenti tra i diversi strati, ciò può indicare che una pila sta iniziando a inclinarsi. Se gli squilibri vengono rilevati tempestivamente, possono essere corretti prima che peggiorino.

Vantaggi e svantaggi dell'utilizzo dell'IA per la visione per un impilaggio sicuro dei pallet#

Ecco alcuni dei principali vantaggi dell'utilizzo di sistemi basati sulla visione per l'impilaggio dei pallet:

• Visibilità in tempo reale su tutte le operazioni: i sistemi di visione possono fornire un monitoraggio continuo delle condizioni dei pallet, facilitando il rispetto degli standard OSHA e delle corrette pratiche di impilaggio.
• Migliore tracciamento degli incidenti: i dati visivi registrati possono essere esaminati in un secondo momento per comprendere 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 tra le zone: i modelli di visione avanzati possono essere implementati in diverse aree del magazzino, consentendo una visibilità uniforme anche in strutture grandi o distribuite.

Sebbene l'utilizzo dell'IA per la visione nell'impilaggio dei pallet offra numerosi vantaggi, ecco alcuni fattori limitanti da tenere presenti:

• Sensibilità all'ambiente: le condizioni di illuminazione, le ombre e le ostruzioni possono influire sulla nitidezza con cui vengono acquisite le pile di pallet.
• Dipendenza da una configurazione corretta: risultati affidabili richiedono un posizionamento ben pianificato delle telecamere e una copertura adeguata delle principali zone operative.
• Deriva delle prestazioni del modello: i cambiamenti nel layout, nell'illuminazione o nelle operazioni del magazzino possono richiedere aggiornamenti o un nuovo addestramento periodico del modello.
• Manutenzione delle telecamere: le telecamere possono richiedere pulizia, calibrazione e controlli regolari per garantire prestazioni uniformi.

Punti chiave#

L'impilaggio non sicuro dei pallet di solito non diventa un problema immediatamente. Si sviluppa nel tempo attraverso piccoli disallineamenti e carichi che si spostano. Con un monitoraggio visivo continuo, questi cambiamenti impercettibili possono essere rilevati tempestivamente, facilitando l'intervento prima che i problemi peggiorino. Modelli come Ultralytics YOLO26 supportano questo processo consentendo un rilevamento rapido in tempo reale.

Vuoi approfondire l'IA per la visione? Visita il nostro repository GitHub per saperne di più. Unisciti alla nostra community ed esplora applicazioni come l'IA nella logistica e l'IA per la visione nel retail. Consulta le nostre opzioni di licenza per iniziare!