Rilevamento di accatastamento non sicuro di pallet con Ultralytics YOLO26

La sicurezza è fondamentale quando si parla di operazioni di magazzino. Pallet instabili, carichi in caduta e corridoi ostruiti possono causare danni ai prodotti, interruzioni del flusso di lavoro e gravi infortuni ai lavoratori.

In particolare, l'impilamento dei pallet gioca un ruolo chiave nel mantenere un magazzino sicuro ed efficiente. Influisce direttamente sulla stabilità dei carichi, sulla facilità di movimento dei materiali nello spazio e sulla sicurezza operativa dei lavoratori.

Anche piccole incongruenze possono creare rischi maggiori. Una leggera inclinazione, una distribuzione non uniforme del peso o un carico fissato in modo lasco possono rendere i pallet instabili. La mancanza di pellicola termoretraibile o un cattivo 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 costantemente pallet. (Fonte)

Per prevenire tali problemi, organizzazioni come l'Occupational Safety and Health Administration (OSHA) forniscono linee guida per lo stoccaggio e la movimentazione sicura dei materiali. Queste linee guida di sicurezza enfatizzano il mantenimento della stabilità del carico, il rispetto dei limiti di carico sicuro e l'adozione di pratiche di movimentazione corrette per evitare pericoli come la caduta o il crollo delle pile.

Tuttavia, applicare questi standard in modo coerente in ambienti di magazzino frenetici non è sempre facile. I pallet vengono solitamente spostati, ri-impilati e movimentati durante la giornata. Ciò rende difficile monitorare ogni condizione di carico in tempo reale o cogliere i primi segnali di instabilità.

Un approccio più efficace consiste nell'utilizzare la visione artificiale. Essendo un ramo dell'intelligenza artificiale, consente alle macchine di interpretare e analizzare dati visivi provenienti da immagini e feed video. Con modelli di visione AI come Ultralytics YOLO26, i magazzini possono monitorare le condizioni dei pallet in tempo reale e rilevare precocemente configurazioni instabili, consentendo ai team di intervenire prima che i problemi si aggravino.

In questo articolo, esploreremo i rischi associati all'impilamento non sicuro dei pallet e come i sistemi basati sulla visione possano aiutare a rilevarli e prevenirli. Iniziamo!

Link to this sectionL'impatto dell'impilamento dei pallet sulla sicurezza del magazzino#

I pallet sono progettati per trasportare una certa quantità di peso e per essere impilati in modo stabile. Quando sono sovraccaricati o non bilanciati correttamente, la stabilità inizia a venire meno.

Anche piccoli disallineamenti durante l'impilamento possono accumularsi nel tempo e aumentare le probabilità che un carico ceda durante la movimentazione. Questi problemi si verificano solitamente in ambienti frenetici in cui i pallet vengono costantemente caricati, spostati e ri-impilati. Quelli che all'inizio sembrano errori minori possono gradualmente influenzare la distribuzione del peso e portare a pile instabili.

Ciò influisce anche sulle operazioni quotidiane. Se un pallet deve essere sistemato durante il carico o il trasporto, può rallentare il lavoro e causare ritardi. Il problema diventa più evidente durante la movimentazione, specialmente quando sono coinvolti carrelli elevatori e transpallet.

Dato che tali attrezzature sono sempre in movimento, gestire carichi instabili rende più rischiose anche le attività di routine. Questo può portare a danni alle merci, interruzioni nel flusso di lavoro o sovraccarichi.

Nei casi più gravi, può causare infortuni ai lavoratori e avere un impatto sull'intera catena di fornitura, aumentando sia i costi operativi che quelli finanziari.

Link to this sectionLe sfide dei metodi di ispezione tradizionali dei pallet#

La maggior parte dei magazzini si affida a processi di ispezione manuale dei pallet, spesso guidati dagli standard OSHA, dalle normative di sicurezza e dalle checklist di ispezione. Questi metodi supportano la sicurezza dei pallet e le corrette pratiche di impilamento, ma sono limitati in termini di coerenza con cui possono essere applicati in ambienti affollati.

Un limite fondamentale è che le ispezioni colgono solo un momento specifico nel tempo. Le operazioni di magazzino comportano carico, movimento e ri-impilamento continui, ma le ispezioni catturano solo l'aspetto della pila al momento del controllo. Ciò rende difficile rilevare problemi che si sviluppano tra un controllo e l'altro, come il disallineamento graduale, lo spostamento dei carichi o i primi segni 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 influenzare la stabilità del carico durante la movimentazione.

La scala aggiunge un ulteriore livello di difficoltà. Nei grandi magazzini, è difficile mantenere ispezioni regolari in tutte le aree, specialmente intorno alle scaffalature per pallet e alle zone dei nastri trasportatori. Queste lacune nella copertura rendono più difficile seguire costantemente le pratiche di sicurezza e garantire un impilamento stabile dei pallet durante le operazioni.

Link to this sectionIl ruolo della visione AI nelle operazioni di magazzino#

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

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

Nello specifico, il rilevamento di oggetti può essere utilizzato per identificare e localizzare pallet, scatole e attrezzature di movimentazione lungo i corridoi e le zone di stoccaggio. Ciò consente ai sistemi di tenere traccia di come i materiali vengono posizionati e spostati.

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

Nel frattempo, la segmentazione delle istanze consente l'identificazione precisa dei singoli elementi all'interno di una pila delineando ogni oggetto a livello di pixel. Questo rende più facile separare oggetti sovrapposti o impacchettati strettamente. In situazioni in cui l'allineamento è fondamentale, è possibile utilizzare i box di delimitazione orientati per valutare come sono posizionati i carichi, catturando i loro angoli e orientamenti in modo più accurato.

Allo stesso modo, la classificazione delle immagini può essere utilizzata per analizzare la condizione generale di un pallet o di una scena e assegnare etichette come "stabile", "instabile" o "danneggiato". Inoltre, la stima della posa si concentra sul rilevamento di punti chiave per tracciare la posizione e il movimento di lavoratori o attrezzature, rendendo possibile comprendere come interagiscono con i pallet e identificare una movimentazione potenzialmente non sicura.

Link to this sectionCome YOLO26 abilita l'impilamento dei pallet nella vita reale#

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

Tuttavia, gli ambienti di magazzino presentano le proprie sfumature come tipi di pallet variabili, modelli di impilamento, condizioni di carico e incongruenze del mondo reale. È qui che diventa preziosa la capacità di addestrare personalizzatamente 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 accurati e affidabili. Questo processo inizia con la raccolta di immagini e fotogrammi video dai piani del magazzino, catturando diverse condizioni di impilamento negli ambienti.

Queste immagini vengono poi annotate (vengono aggiunte le etichette), ad esempio, disegnando box di delimitazione (box rettangolari) attorno ai pallet o contrassegnando aree di instabilità. Una volta preparato un set di dati utilizzando i dati annotati, YOLO26 può essere addestrato su questi esempi del mondo reale, adattandolo alle variazioni di layout, illuminazione e operazioni.

L'addestramento può essere effettuato utilizzando il pacchetto Python di Ultralytics, che fornisce strumenti integrati per caricare dati, addestrare modelli ed eseguire previsioni tramite codice, o tramite Ultralytics Platform, una piattaforma di visione artificiale end-to-end che riunisce gestione dei dati, annotazione, addestramento e distribuzione in un unico posto.

Link to this sectionSemplificare l'addestramento dei modelli con Ultralytics Platform#

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

Ad esempio, gli utenti possono organizzare ed etichettare i dati delle immagini provenienti dagli ambienti di magazzino e utilizzarli per addestrare modelli su scenari del mondo reale. Ciò consente ai modelli di imparare come appaiono i pallet in diversi layout, condizioni di illuminazione e stili di impilamento, rendendoli più accurati e affidabili nelle operazioni reali.

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

Una volta addestrati, i modelli possono essere testati su immagini nuove e inedite utilizzando la scheda Predict integrata per verificarne le prestazioni prima della distribuzione.

Dopo la convalida, i modelli possono essere distribuiti in vari modi tramite Ultralytics Platform, a seconda del caso d'uso, inclusa l'inferenza condivisa per lo sviluppo e il test, endpoint dedicati per le distribuzioni in produzione o esportando i modelli per l'esecuzione su sistemi esterni o dispositivi edge.

Link to this sectionConsiderazioni sul posizionamento delle telecamere per un rilevamento accurato#

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

Fig 4. Un esempio di utilizzo di una telecamera sopraelevata per monitorare le attività del magazzino (Fonte)

Ecco alcune considerazioni pratiche per il posizionamento delle telecamere:

• Viste frontali delle scaffalature: Le telecamere posizionate di fronte alle scaffalature per pallet possono catturare l'intera altezza delle pile, rendendo più facile osservare l'eccesso di impilamento e i carichi inclinati.
• Viste angolate per profondità e inclinazione: Le viste angolate della telecamera, solitamente intorno ai 30–45°, possono offrire una migliore visibilità sulla profondità, l'inclinazione e gli spazi vuoti all'interno delle pile che potrebbero non essere visibili dalle prospettive frontali.
• Viste sopraelevate per aree dense: Le viste dall'alto sono utili in zone strettamente imballate, dove le viste laterali potrebbero 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 di carico possono catturare i pallet prima e dopo il movimento, aiutando a tracciare i cambiamenti nella stabilità durante il transito.
• Zone di interazione con carrelli elevatori: Il monitoraggio delle aree di prelievo e scarico vicino ai percorsi dei carrelli elevatori può fornire informazioni sulla stabilità del carico durante la movimentazione, dove tendono a verificarsi molti problemi.

Link to this sectionApplicazioni reali della visione AI nell'impilamento dei pallet#

Successivamente, esaminiamo alcuni esempi pratici di come la visione AI viene utilizzata nei magazzini per individuare e gestire i problemi comuni di impilamento dei pallet.

Link to this sectionRilevamento di violazioni dell'altezza delle pile nelle zone di stoccaggio#

I limiti di altezza di impilamento definiscono quanto in alto possono essere costruite le pile di pallet in modo sicuro, specialmente nelle aree di stoccaggio dove i pallet sono impilati vicini tra loro per sfruttare al meglio lo spazio disponibile. Questi limiti aiutano a prevenire carichi instabili e a mantenere uno spazio libero sicuro attorno alle scaffalature per pallet e ai sistemi sopraelevati come gli irrigatori.

Tuttavia, questi limiti possono essere superati durante periodi intensi come le operazioni di ingresso ad alto volume. Per tenere d'occhio tali attività, modelli come YOLO26 possono analizzare i feed delle telecamere per rilevare e contare i singoli pallet e monitorare come la pila cresce nel tempo.

Monitorando il numero e la posizione dei pallet rilevati, un sistema abilitato alla visione può stimare l'altezza complessiva della pila e identificare quando si avvicina o supera i limiti di sicurezza. Ciò offre agli operatori del magazzino una visibilità precoce sui potenziali problemi, rendendo possibile regolare l'impilamento o ridistribuire i carichi prima che diventino un rischio per la sicurezza.

Link to this sectionIdentificazione di squilibrio del carico e strutture inclinate#

Quando un pallet è impilato all'altezza giusta ma non bilanciato correttamente, può comunque diventare instabile. Una distribuzione non uniforme del peso, scatole posizionate in modo lasco o un leggero disallineamento possono far inclinare gradualmente un pallet carico nel tempo.

Questi cambiamenti sono spesso sottili all'inizio e potrebbero non essere ovvi durante i controlli di routine. Ma, con modelli di visione artificiale come YOLO26, questi controlli possono essere effettuati continuamente utilizzando i feed delle telecamere.

Ad esempio, il supporto di YOLO26 per i box di delimitazione orientati (OBB) rende facile catturare l'angolo e l'orientamento di ogni pallet o scatola, invece della sola posizione. Tracciando questi orientamenti nel tempo, il modello può rilevare piccoli spostamenti come leggere inclinazioni o cambiamenti nell'allineamento.

Man mano che questi angoli iniziano ad allontanarsi dall'allineamento verticale o diventano incoerenti tra i vari strati, può indicare che una pila sta iniziando ad inclinarsi. Quando gli squilibri vengono rilevati precocemente, possono essere corretti prima che si aggravino.

Link to this sectionPro e contro dell'utilizzo della visione AI per l'impilamento sicuro dei pallet#

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

• Visibilità in tempo reale delle operazioni: I sistemi di visione possono fornire un monitoraggio continuo delle condizioni dei pallet, rendendo più facile seguire gli standard OSHA e le corrette pratiche di impilamento.
• Miglior monitoraggio degli incidenti: I dati visivi registrati possono essere rivisti in seguito 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: Modelli di visione avanzati possono essere distribuiti in più aree del magazzino, consentendo una visibilità coerente anche in strutture grandi o distribuite.

Sebbene l'utilizzo della visione AI per l'impilamento dei pallet offra molti vantaggi, ecco alcuni fattori limitanti da tenere a mente:

• Sensibilità ambientale: Le condizioni di illuminazione, le ombre e le ostruzioni possono influire sulla chiarezza con cui vengono catturate le pile di pallet.
• Dipendenza da una configurazione corretta: Risultati affidabili richiedono un posizionamento ben pianificato delle telecamere e una copertura adeguata delle zone operative chiave.
• Drift delle prestazioni del modello: Cambiamenti nel layout del magazzino, nell'illuminazione o nelle operazioni potrebbero richiedere aggiornamenti periodici o il ri-addestramento del modello.
• Manutenzione della telecamera: Le telecamere potrebbero richiedere pulizia, calibrazione e controlli regolari per garantire prestazioni costanti.

Link to this sectionPunti chiave#

L'impilamento non sicuro dei pallet di solito non diventa un problema immediatamente. Si accumula nel tempo attraverso piccoli disallineamenti e spostamenti dei carichi. Con un monitoraggio visivo continuo, questi sottili cambiamenti possono essere colti precocemente, rendendo più facile agire prima che i problemi si aggravino. Modelli come YOLO26 supportano questo processo abilitando un rilevamento rapido e in tempo reale.

Vuoi esplorare ulteriormente la visione AI? Visita il nostro repository GitHub per saperne di più. Unisciti alla nostra community ed esplora applicazioni come l'AI nella logistica e la visione AI nel retail. Dai un'occhiata alle nostre opzioni di licenza per iniziare!