Ultralytics YOLO26을 활용한 위험한 팔레트 적재 감지

창고 운영에 있어 안전은 매우 중요합니다. 불안정한 팔레트, 추락하는 적재물, 통로 차단은 제품 손상, 워크플로 중단 및 심각한 작업자 부상으로 이어질 수 있습니다.

특히 팔레트 적재는 안전하고 효율적인 창고를 유지하는 데 핵심적인 역할을 합니다. 이는 적재물의 안정성, 공간 내 자재 이동의 용이성, 작업자의 안전한 작업 수행에 직접적인 영향을 미칩니다.

사소한 불일치조차도 더 큰 위험을 초래할 수 있습니다. 약간의 기울어짐, 불균일한 무게 분포 또는 느슨하게 고정된 적재물은 팔레트를 불안정하게 만들 수 있습니다. 수축 포장재(shrink wrap)가 누락되거나 정렬 상태가 좋지 않으면 안정성이 더욱 약화되어 제품 손상이나 산업재해의 가능성이 높아집니다.

그림 1. 창고는 작업자가 지속적으로 팔레트를 옮기고 적재하는 역동적인 공간입니다. (출처)

이러한 문제를 방지하기 위해 미국 직업안전위생관리국(OSHA)과 같은 기관에서는 안전한 자재 보관 및 취급을 위한 지침을 제공합니다. 이러한 안전 지침은 적재 안정성 유지, 안전 적재 한도 준수, 추락이나 붕괴와 같은 위험을 예방하기 위한 올바른 취급 관행 준수를 강조합니다.

그러나 이러한 표준을 빠르게 움직이는 창고 환경 전체에 일관되게 적용하기란 항상 쉽지 않습니다. 팔레트는 일반적으로 하루 종일 이동, 재적재 및 취급됩니다. 이로 인해 모든 적재물의 상태를 실시간으로 모니터링하거나 불안정의 초기 징후를 포착하기가 어렵습니다.

더 효과적인 접근 방식은 컴퓨터 비전을 사용하는 것입니다. AI의 한 분야인 컴퓨터 비전은 기계가 이미지와 비디오 피드로부터 시각적 데이터를 해석하고 분석할 수 있게 합니다. Ultralytics YOLO26과 같은 비전 AI 모델을 사용하면 창고에서 실시간으로 팔레트 상태를 모니터링하고 불안정한 구성을 조기에 감지하여 문제가 커지기 전에 팀이 대응할 수 있습니다.

이 글에서는 안전하지 않은 팔레트 적재와 관련된 위험과 비전 기반 시스템이 이를 감지하고 예방하는 데 어떻게 도움이 될 수 있는지 살펴보겠습니다. 시작해 봅시다!

Link to this section팔레트 적재가 창고 안전에 미치는 영향#

팔레트는 일정량의 무게를 견디고 안정적으로 적재되도록 설계되었습니다. 과적하거나 적절하게 균형을 맞추지 않으면 이러한 안정성이 무너지기 시작합니다.

적재 중 사소한 정렬 불량이라도 시간이 지남에 따라 누적되어 취급 중에 적재물이 실패할 확률을 높일 수 있습니다. 이러한 문제는 일반적으로 팔레트가 계속해서 로딩, 이동 및 재적재되는 빠르게 진행되는 환경에서 발생합니다. 처음에는 사소해 보이는 실수라도 점차 무게 분포에 영향을 주어 불안정한 적재 상태로 이어질 수 있습니다.

이는 일상적인 운영에도 영향을 미칩니다. 로딩이나 운송 중에 팔레트를 수정해야 한다면 작업 속도가 느려지고 지연이 발생할 수 있습니다. 지게차나 팔레트 잭이 관여하는 경우 취급 과정에서 이러한 문제는 더욱 두드러집니다.

이러한 장비는 항상 움직이고 있으므로 불안정한 적재물을 다루는 것은 일상적인 작업조차 더 위험하게 만듭니다. 이는 상품 손상, 워크플로 중단 또는 과부하로 이어질 수 있습니다.

더 심각한 경우에는 작업자 부상을 초래하고 더 넓은 공급망에 영향을 미쳐 운영 비용과 재무 비용을 모두 증가시킬 수 있습니다.

Link to this section전통적인 팔레트 검사 방식의 과제#

대부분의 창고는 OSHA 표준, 안전 규정 및 검사 체크리스트에 따라 수동 팔레트 검사 프로세스에 의존합니다. 이러한 방식은 팔레트 안전 및 올바른 적재 관행을 지원하지만, 바쁜 환경 전체에 일관되게 적용하는 데는 한계가 있습니다.

한 가지 주요 제한 사항은 검사가 특정 시점의 상태만 포착한다는 것입니다. 창고 운영은 지속적인 로딩, 이동 및 재적재를 포함하지만, 검사는 검사 당시의 적재 상태만을 보여줍니다. 이로 인해 점진적인 정렬 불량, 적재물 이동 또는 불안정의 초기 징후와 같이 검사 사이의 기간에 발생하는 문제를 감지하기가 어렵습니다.

또한 일상적인 점검 중에 발견하기 어려운 문제도 있습니다. 손상된 팔레트, 부러진 판자 또는 작은 파편은 눈에 띄지 않을 수 있지만, 취급 중 구조를 약화시키고 적재물 안정성에 영향을 줄 수 있습니다.

규모 또한 또 다른 어려움을 더합니다. 대형 창고에서는 특히 팔레트 랙 및 컨베이어 구역 주변의 모든 영역에서 정기적인 검사를 유지하기가 어렵습니다. 이러한 적용 범위의 격차로 인해 안전 관행을 일관되게 따르고 안정적인 팔레트 적재를 보장하기가 더 어려워집니다.

Link to this section창고 운영에서 비전 AI의 역할#

창고들은 일상적인 운영을 모니터링할 수 있는 컴퓨터 비전 시스템을 채택하기 시작했습니다. 이러한 시스템은 대량의 라벨링된 이미지로부터 학습하며 다양한 보관 구역에서 팔레트별 세부 정보를 지속적으로 추적할 수 있습니다.

For instance, cutting-edge computer vision models like YOLO26 support vision tasks such as object detection, image classification, oriented bounding box (OBB) detection, pose estimation, and instance segmentation, which can help analyze how pallets and loads are arranged across warehouse spaces.

구체적으로 객체 감지를 사용하여 통로와 보관 구역 전반에 걸쳐 팔레트, 상자 및 취급 장비를 식별하고 위치를 파악할 수 있습니다. 이를 통해 시스템은 자재가 어떻게 배치되고 이동되는지 계속 추적할 수 있습니다.

그림 2. 적재된 상자를 감지하기 위해 Ultralytics YOLO 모델 사용 (출처)

한편, 인스턴스 세그멘테이션을 사용하면 각 객체를 픽셀 단위로 윤곽을 그려 적재물 내 개별 항목을 정확하게 식별할 수 있습니다. 이를 통해 겹치거나 밀집된 항목을 더 쉽게 구분할 수 있습니다. 정렬이 중요한 상황에서는 방향성 바운딩 박스를 사용하여 적재물 위치를 평가하고 해당 각도와 방향을 더 정확하게 캡처할 수 있습니다.

마찬가지로 이미지 분류를 사용하여 팔레트나 장면의 전반적인 상태를 분석하고 "안정적", "불안정" 또는 "손상됨"과 같은 라벨을 할당할 수 있습니다. 또한 자세 추정은 키포인트를 감지하여 작업자나 장비의 위치와 움직임을 추적함으로써 이들이 팔레트와 어떻게 상호 작용하는지 이해하고 잠재적으로 안전하지 않은 취급 방식을 식별할 수 있게 합니다.

Link to this sectionYOLO26이 실생활에서 팔레트 적재를 가능하게 하는 방법#

사용 즉시 적용 가능한 Ultralytics YOLO26은 사전 학습된 모델로 제공됩니다. 즉, 대규모 데이터셋으로 이미 학습되었기 때문에 처음부터 구축할 필요 없이 일반적인 객체를 인식할 수 있습니다.

그러나 창고 환경은 다양한 팔레트 유형, 적재 패턴, 적재 조건 및 실제 불일치와 같은 고유한 특성을 가지고 있습니다. 이 점이 YOLO26과 같은 Ultralytics YOLO 모델을 맞춤 학습할 수 있는 기능이 가치를 발하는 부분입니다.

창고별 데이터로 모델을 학습하면 이러한 변형을 더 잘 이해하고 더 정확하며 신뢰할 수 있는 결과를 제공할 수 있습니다. 이 과정은 창고 바닥에서 이미지와 비디오 프레임을 수집하여 다양한 환경의 적재 조건을 캡처하는 것으로 시작됩니다.

이 이미지들은 팔레트 주변에 바운딩 박스(직사각형 상자)를 그리거나 불안정한 영역을 표시하는 등 라벨링(어노테이션) 과정을 거칩니다. 어노테이션된 데이터를 사용하여 데이터셋이 준비되면 YOLO26을 이러한 실제 사례로 학습시켜 레이아웃, 조명 및 운영의 변형에 적응하게 할 수 있습니다.

학습은 데이터를 로드하고 모델을 학습하며 코드를 사용하여 예측을 실행하는 내장 도구를 제공하는 Ultralytics Python 패키지를 사용하거나, 데이터 관리, 어노테이션, 학습 및 배포를 한곳에서 통합하는 엔드투엔드 컴퓨터 비전 플랫폼인 Ultralytics Platform을 통해 수행할 수 있습니다.

Link to this sectionUltralytics Platform을 통한 모델 학습 간소화#

데이터셋 준비 및 어노테이션부터 학습, 평가, 배포에 이르는 컴퓨터 비전 워크플로를 관리하는 것은 복잡할 수 있습니다. Ultralytics Platform은 이러한 단계를 단일 환경으로 통합하여 이 문제를 해결합니다.

예를 들어, 사용자는 창고 환경의 이미지 데이터를 정리하고 라벨링하여 실제 시나리오에서 모델을 학습시키는 데 사용할 수 있습니다. 이를 통해 모델은 다양한 레이아웃, 조명 조건 및 적재 스타일에 걸쳐 팔레트가 어떻게 나타나는지 학습하여 실제 운영에서 더 정확하고 신뢰할 수 있게 됩니다.

그림 3. Ultralytics Platform 내의 데이터셋 살펴보기 (출처)

학습이 완료되면 내장된 Predict 탭을 사용하여 새롭고 본 적 없는 이미지에서 모델을 테스트하여 배포 전 성능을 검증할 수 있습니다.

검증 후에는 사용 사례에 따라 Ultralytics Platform을 통해 다양한 방식으로 모델을 배포할 수 있습니다. 여기에는 개발 및 테스트를 위한 공유 추론, 프로덕션 배포를 위한 전용 엔드포인트, 또는 외부 시스템이나 에지 장치에서 실행하기 위한 모델 내보내기가 포함됩니다.

Link to this section정확한 감지를 위한 카메라 배치 고려 사항#

비전 기반 팔레트 모니터링 시스템을 구축할 때 카메라 배치는 적재 문제를 얼마나 신뢰성 있게 캡처하는지에 직접적인 영향을 줄 수 있습니다. 올바른 설정은 모니터링 시스템의 더 효과적인 자동화를 지원합니다.

그림 4. 오버헤드 카메라를 사용하여 창고 활동을 모니터링하는 예시 (출처)

다음은 카메라 배치를 위한 몇 가지 실용적인 고려 사항입니다.

• 전면 랙 뷰: 팔레트 랙을 향해 배치된 카메라는 적재물의 전체 높이를 캡처할 수 있어 과적재 및 기울어진 적재물을 관찰하기가 더 쉽습니다.
• 깊이 및 기울기 확인을 위한 각도 뷰: 일반적으로 30~45° 정도의 각도로 배치된 카메라 뷰는 정면 뷰에서는 보이지 않을 수 있는 적재물 내부의 깊이, 기울기 및 틈새를 더 잘 볼 수 있게 해줍니다.
• 밀집 지역을 위한 오버헤드 뷰: 위에서 아래를 내려다보는 뷰는 측면 뷰가 방해를 받아 개별 팔레트를 구별하기가 더 어려운 밀집 구역에서 유용합니다.
• 입출고 모니터링 지점: 컨베이어 벨트 및 도크 구역 근처에 배치된 카메라는 이동 전후의 팔레트를 캡처하여 운송 중 안정성의 변화를 추적하는 데 도움이 됩니다.
• 지게차 상호 작용 구역: 지게차 경로 근처의 픽업 및 하역 구역을 모니터링하면 문제가 자주 발생하는 취급 과정에서의 적재물 안정성에 대한 통찰력을 얻을 수 있습니다.

Link to this section팔레트 적재에 비전 AI를 활용하는 실제 사례#

다음으로, 일반적인 팔레트 적재 문제를 발견하고 처리하기 위해 창고에서 비전 AI가 어떻게 사용되는지에 대한 몇 가지 실용적인 예를 살펴보겠습니다.

Link to this section보관 구역의 적재 높이 위반 감지#

적재 높이 제한은 특히 가용 공간을 최대화하기 위해 팔레트가 밀집되어 보관되는 보관 구역에서 팔레트 스택을 얼마나 높게 안전하게 쌓을 수 있는지 정의합니다. 이러한 제한은 불안정한 적재물을 방지하고 팔레트 랙과 스프링클러와 같은 오버헤드 시스템 주변의 안전한 여유 공간을 유지하는 데 도움이 됩니다.

그러나 이러한 제한은 물동량이 많은 인바운드 운영과 같은 바쁜 시기에는 초과될 수 있습니다. 이러한 활동을 더 면밀히 관찰하기 위해 YOLO26과 같은 모델은 카메라 피드를 분석하여 개별 팔레트를 감지 및 카운트하고 시간이 지남에 따라 스택이 어떻게 증가하는지 추적할 수 있습니다.

감지된 팔레트의 수와 위치를 모니터링함으로써 비전 활성화 시스템은 전체 적재 높이를 추정하고 안전 한계에 접근하거나 초과할 때를 식별할 수 있습니다. 이는 창고 운영자에게 잠재적 문제에 대한 초기 가시성을 제공하여 안전 위험이 되기 전에 적재를 조정하거나 적재물을 재분배할 수 있게 합니다.

Link to this section적재물 불균형 및 기울어진 구조 식별#

팔레트가 올바른 높이로 적재되더라도 제대로 균형이 잡히지 않으면 불안정해질 수 있습니다. 고르지 않은 무게 분포, 느슨하게 배치된 상자 또는 약간의 정렬 불량으로 인해 적재된 팔레트가 시간이 지나면서 점차 기울어질 수 있습니다.

이러한 변화는 처음에는 종종 미묘하여 일상적인 점검 중에는 명확하지 않을 수 있습니다. 그러나 YOLO26과 같은 컴퓨터 비전 모델을 사용하면 카메라 피드를 사용하여 이러한 점검을 지속적으로 수행할 수 있습니다.

예를 들어, YOLO26의 방향성 바운딩 박스(OBB) 지원은 단순히 위치뿐만 아니라 각 팔레트나 상자의 각도와 방향을 쉽게 캡처할 수 있게 합니다. 시간이 지남에 따라 이러한 방향을 추적함으로써 모델은 약간의 기울어짐이나 정렬 변화와 같은 작은 변화를 감지할 수 있습니다.

이러한 각도가 수직 정렬에서 벗어나기 시작하거나 층별로 일관되지 않게 되면 스택이 기울어지기 시작했음을 나타낼 수 있습니다. 불균형이 조기에 감지되면 심각해지기 전에 수정할 수 있습니다.

Link to this section안전한 팔레트 적재를 위한 비전 AI 사용의 장단점#

팔레트 적재에 비전 기반 시스템을 사용하는 주요 이점은 다음과 같습니다.

• 운영 전반의 실시간 가시성: 비전 시스템은 팔레트 상태를 지속적으로 모니터링하여 OSHA 표준 및 적절한 적재 관행을 더 쉽게 따를 수 있게 합니다.
• 더 나은 사고 추적: 기록된 시각적 데이터는 나중에 검토하여 문제가 언제 어떻게 발생했는지 파악할 수 있습니다.
• 기존 시스템과의 통합: 비전 모델을 창고 관리 시스템이나 알림 시스템에 연결하여 알림이나 워크플로를 트리거할 수 있습니다.
• 구역 전반의 확장 가능한 모니터링: 고급 비전 모델을 여러 창고 구역에 배포하여 대규모 또는 분산된 시설에서도 일관된 가시성을 확보할 수 있습니다.

팔레트 적재에 비전 AI를 사용하는 것은 많은 이점을 제공하지만, 염두에 두어야 할 몇 가지 제한 요소는 다음과 같습니다.

• 환경 민감도: 조명 조건, 그림자 및 장애물은 팔레트 스택이 얼마나 명확하게 캡처되는지에 영향을 줄 수 있습니다.
• 적절한 설정에 대한 의존성: 신뢰할 수 있는 결과를 얻으려면 계획적인 카메라 배치와 주요 운영 구역에 대한 적절한 적용 범위가 필요합니다.
• 모델 성능 드리프트: 창고 레이아웃, 조명 또는 운영의 변경으로 인해 주기적인 모델 업데이트나 재학습이 필요할 수 있습니다.
• 카메라 유지 관리: 일관된 성능을 보장하기 위해 카메라의 정기적인 청소, 보정 및 점검이 필요할 수 있습니다.

Link to this section주요 요약#

안전하지 않은 팔레트 적재는 일반적으로 즉시 문제가 되지 않습니다. 시간이 지남에 따라 작은 정렬 불량과 적재물 이동을 통해 문제가 쌓입니다. 지속적인 시각적 모니터링을 통해 이러한 미묘한 변화를 조기에 포착할 수 있으므로 문제가 커지기 전에 더 쉽게 조치할 수 있습니다. YOLO26과 같은 모델은 빠르고 실시간인 감지를 가능하게 함으로써 이를 지원합니다.

비전 AI에 대해 더 알아보고 싶으신가요? GitHub 저장소를 방문하여 자세한 내용을 확인하세요. 커뮤니티에 가입하고 물류 AI 및 소매업의 비전 AI와 같은 응용 분야를 살펴보세요. 시작하려면 라이선스 옵션을 확인하세요!