Detecção de empilhamentos inseguros de paletes com Ultralytics YOLO26

A segurança é fundamental nas operações de armazém. Paletes instáveis, cargas em queda e corredores obstruídos podem causar danos aos produtos, interrupções no fluxo de trabalho e ferimentos graves aos trabalhadores.

Em particular, o empilhamento de paletes tem um papel fundamental na manutenção de um armazém seguro e eficiente. Ele afeta diretamente a estabilidade das cargas, a facilidade com que os materiais circulam pelo espaço e a segurança das operações dos trabalhadores.

Mesmo pequenas irregularidades podem criar riscos maiores. Uma leve inclinação, uma distribuição desigual do peso ou uma carga mal presa podem deixar os paletes instáveis. A falta de filme stretch ou o alinhamento inadequado podem comprometer ainda mais a estabilidade, aumentando a probabilidade de danos aos produtos ou acidentes de trabalho.

Fig. 1. Um armazém é um espaço dinâmico onde os trabalhadores estão constantemente movimentando e empilhando paletes. (Fonte)

Para prevenir esses problemas, organizações como a Administração de Segurança e Saúde Ocupacional (OSHA) fornecem diretrizes para o armazenamento e manuseio seguros de materiais. Essas diretrizes de segurança enfatizam a manutenção da estabilidade das cargas, o respeito aos limites seguros de carga e o uso de práticas de manuseio adequadas para prevenir perigos como a queda ou o desabamento de pilhas.

No entanto, aplicar esses padrões de forma consistente em ambientes de armazém com operações intensas nem sempre é fácil. Os paletes costumam ser movimentados, reempilhados e manuseados ao longo do dia. Isso dificulta monitorar todas as condições das cargas em tempo real ou detectar sinais iniciais de instabilidade.

Uma abordagem mais eficaz é usar visão computacional. Como um ramo da IA, ela permite que as máquinas interpretem e analisem dados visuais de imagens e transmissões de vídeo. Com modelos de IA para visão computacional, como o Ultralytics YOLO26, os armazéns podem monitorar as condições dos paletes em tempo real e detectar configurações instáveis antecipadamente, permitindo que as equipes ajam antes que os problemas se agravem.

Neste artigo, vamos explorar os riscos associados ao empilhamento inseguro de paletes e como os sistemas baseados em visão computacional podem ajudar a detectá-los e preveni-los. Vamos começar!

O impacto do empilhamento de paletes na segurança do armazém#

Os paletes são projetados para suportar determinado peso e serem empilhados de forma estável. Quando ficam sobrecarregados ou não são equilibrados corretamente, essa estabilidade começa a se comprometer.

Até pequenos desalinhamentos durante o empilhamento podem se acumular com o tempo e aumentar a probabilidade de uma carga falhar durante o manuseio. Esses problemas costumam ocorrer em ambientes acelerados, onde os paletes são carregados, movimentados e empilhados novamente o tempo todo. O que parece ser um pequeno erro no início pode afetar gradualmente a distribuição do peso e levar a pilhas instáveis.

Isso também afeta as operações do dia a dia. Se for necessário consertar um palete durante o carregamento ou o transporte, o processo pode ficar mais lento e causar atrasos. O problema fica mais evidente durante o manuseio, especialmente quando há empilhadeiras e transpaleteiras envolvidas.

Como esses equipamentos estão sempre em movimento, lidar com cargas instáveis torna até as tarefas rotineiras mais arriscadas. Isso pode causar danos aos produtos, interrupções no fluxo de trabalho ou sobrecarga.

Em casos mais graves, isso pode resultar em lesões nos trabalhadores e afetar toda a cadeia de suprimentos, aumentando os custos operacionais e financeiros.

Desafios dos métodos tradicionais de inspeção de paletes#

A maioria dos armazéns depende de processos manuais de inspeção de paletes, muitas vezes orientados pelas normas da OSHA, por regulamentos de segurança e por listas de verificação de inspeção. Esses métodos ajudam a garantir a segurança dos paletes e práticas adequadas de empilhamento, mas têm limitações quanto à consistência com que podem ser aplicados em ambientes movimentados.

Uma das principais limitações é que as inspeções registram apenas um momento específico. As operações dos armazéns envolvem carregamento, movimentação e novo empilhamento contínuos, mas as inspeções registram apenas a aparência da pilha no momento da verificação. Isso dificulta a detecção de problemas que surgem entre as verificações, como desalinhamento gradual, deslocamento de cargas ou primeiros sinais de instabilidade.

Alguns problemas também são mais difíceis de identificar durante as verificações de rotina. Paletes danificados, tábuas quebradas ou pequenas lascas podem passar despercebidos, embora possam enfraquecer a estrutura e afetar a estabilidade da carga durante o manuseio.

A escala acrescenta outro nível de dificuldade. Em grandes armazéns, é difícil manter inspeções regulares em todas as áreas, principalmente perto das estruturas de armazenagem de paletes e das zonas de transportadores. Essas lacunas de cobertura dificultam a aplicação consistente das práticas de segurança e a garantia de pilhas de paletes estáveis em todas as operações.

O papel da IA visual nas operações de armazém#

Os armazéns estão começando a adotar sistemas de visão computacional capazes de monitorar as operações do dia a dia. Esses sistemas aprendem com grandes volumes de imagens rotuladas e podem acompanhar continuamente detalhes específicos dos paletes em diferentes áreas de armazenamento.

Por exemplo, modelos de visão computacional de ponta, como o YOLO26, oferecem suporte a tarefas de visão, como detecção de objetos, classificação de imagens, detecção de caixas delimitadoras orientadas (OBB), estimativa de pose e segmentação de instâncias, o que pode ajudar a analisar a disposição de paletes e cargas nos espaços do armazém.

Especificamente, a detecção de objetos pode ser usada para identificar e localizar paletes, caixas e equipamentos de movimentação nos corredores e nas zonas de armazenamento. Isso permite que os sistemas acompanhem como os materiais são posicionados e movimentados.

Fig. 2. Uso de um modelo Ultralytics YOLO para detectar caixas empilhadas (Fonte)

Enquanto isso, a segmentação de instâncias permite identificar com precisão itens individuais em uma pilha, delimitando cada objeto no nível dos pixels. Isso facilita a separação de itens sobrepostos ou muito próximos. Em situações em que o alinhamento é fundamental, as caixas delimitadoras orientadas podem ser usadas para avaliar o posicionamento das cargas, capturando seus ângulos e orientações com mais precisão.

Da mesma forma, a classificação de imagens pode ser usada para analisar a condição geral de um palete ou de uma cena e atribuir rótulos como “estável”, “instável” ou “danificado”. Já a estimativa de pose se concentra na detecção de pontos-chave para acompanhar a posição e o movimento de trabalhadores ou equipamentos, permitindo entender como eles interagem com os paletes e identificar manuseios potencialmente inseguros.

Como o Ultralytics YOLO26 viabiliza o empilhamento de paletes no mundo real#

O Ultralytics YOLO26 está disponível pronto para uso como um modelo pré-treinado. Em outras palavras, ele já foi treinado com grandes conjuntos de dados e pode reconhecer objetos comuns sem precisar ser desenvolvido do zero.

No entanto, os ambientes de armazém apresentam particularidades próprias, como diferentes tipos de paletes, padrões de empilhamento, condições de carga e inconsistências do mundo real. É aí que a possibilidade de treinar modelos Ultralytics YOLO personalizados, como o YOLO26, se torna valiosa.

Treinar um modelo com dados específicos de armazéns permite que ele entenda melhor essas variações e forneça resultados mais precisos e confiáveis. O processo começa pela coleta de imagens e quadros de vídeo no chão do armazém, registrando diferentes condições de empilhamento em diversos ambientes.

Em seguida, essas imagens são anotadas (com a inclusão de rótulos), por exemplo, desenhando caixas delimitadoras (retângulos) ao redor dos paletes ou marcando áreas de instabilidade. Depois que um conjunto de dados é preparado com os dados anotados, o Ultralytics YOLO26 pode ser treinado com esses exemplos do mundo real, adaptando-se às variações de layout, iluminação e operações.

O treinamento pode ser feito com o pacote Ultralytics para Python, que oferece ferramentas integradas para carregar dados, treinar modelos e executar previsões com código, ou pela Ultralytics Platform, uma plataforma de visão computacional de ponta a ponta que reúne gerenciamento de dados, anotação, treinamento e implantação em um só lugar.

Simplifique o treinamento de modelos com a Ultralytics Platform#

Gerenciar fluxos de trabalho de visão computacional, desde a preparação e anotação de conjuntos de dados até o treinamento, a avaliação e a implantação, pode ser complexo. A Ultralytics Platform enfrenta esse desafio reunindo essas etapas em um único ambiente.

Por exemplo, os usuários podem organizar e rotular dados de imagens de ambientes de armazém e usá-los para treinar modelos com cenários do mundo real. Isso permite que os modelos aprendam como os paletes aparecem em diferentes layouts, condições de iluminação e estilos de empilhamento, tornando-os mais precisos e confiáveis em operações reais.

Fig. 3. Visão de um conjunto de dados na Ultralytics Platform (Fonte)

Depois do treinamento, os modelos podem ser testados com imagens novas e ainda não vistas usando a guia Predict integrada, para verificar o desempenho antes da implantação.

Após a validação, os modelos podem ser implantados de diferentes formas pela Ultralytics Platform, de acordo com o caso de uso: por meio de inferência compartilhada para desenvolvimento e testes, de endpoints dedicados para implantações em produção ou da exportação dos modelos para execução em sistemas externos ou dispositivos de borda.

Considerações sobre o posicionamento das câmeras para detecção precisa#

Ao desenvolver um sistema de monitoramento de paletes baseado em visão, o posicionamento das câmeras pode afetar diretamente a confiabilidade com que os problemas de empilhamento são capturados. A configuração certa ajuda a automatizar os sistemas de monitoramento com mais eficácia.

Fig. 4. Exemplo de uso de uma câmera suspensa para monitorar atividades em um armazém (Fonte)

Veja algumas considerações práticas sobre o posicionamento das câmeras:

• Visão frontal das estantes: Câmeras posicionadas de frente para as estantes de paletes podem capturar toda a altura das pilhas, facilitando a observação de empilhamentos excessivos e cargas inclinadas.
• Visões anguladas para profundidade e inclinação: Visões anguladas da câmera, normalmente em torno de 30–45°, podem oferecer melhor visibilidade da profundidade, da inclinação e dos espaços entre as pilhas, que talvez não sejam visíveis em perspectivas frontais.
• Visões superiores para áreas densas: As visões de cima são úteis em zonas muito ocupadas, onde as visões laterais podem estar obstruídas e distinguir paletes individuais se torna mais difícil.
• Pontos de monitoramento de entrada e saída: Câmeras instaladas perto de esteiras transportadoras e áreas de doca podem capturar os paletes antes e depois da movimentação, ajudando a acompanhar mudanças na estabilidade durante o transporte.
• Zonas de interação com empilhadeiras: Monitorar as áreas de coleta e descarga próximas às rotas das empilhadeiras pode fornecer informações sobre a estabilidade das cargas durante o manuseio, quando muitos problemas tendem a ocorrer.

Aplicações reais de IA visual no empilhamento de paletes#

Agora, vamos ver alguns exemplos práticos de como a IA visual é usada em armazéns para identificar e lidar com problemas comuns de empilhamento de paletes.

Detectar violações do limite de altura das pilhas nas zonas de armazenamento#

Os limites de altura definem até que altura as pilhas de paletes podem ser montadas com segurança, especialmente nas áreas de armazenamento, onde os paletes são empilhados próximos uns dos outros para aproveitar ao máximo o espaço disponível. Esses limites ajudam a evitar cargas instáveis e a manter uma distância segura das estantes de paletes e de sistemas suspensos, como sprinklers.

No entanto, esses limites podem ser ultrapassados em períodos movimentados, como durante operações de recebimento de alto volume. Para acompanhar melhor essas atividades, modelos como o Ultralytics YOLO26 podem analisar as transmissões das câmeras para detectar e contar paletes individuais e acompanhar o crescimento da pilha ao longo do tempo.

Ao monitorar o número e a posição dos paletes detectados, um sistema com visão pode estimar a altura total da pilha e identificar quando ela se aproxima ou ultrapassa os limites seguros. Isso permite que os operadores do armazém percebam possíveis problemas com antecedência e ajustem o empilhamento ou redistribuam as cargas antes que elas representem um risco à segurança.

Identificar desequilíbrios nas cargas e estruturas inclinadas#

Mesmo quando um palete é empilhado até a altura correta, ele ainda pode ficar instável se não estiver devidamente equilibrado. A distribuição desigual do peso, caixas posicionadas sem firmeza ou pequenos desalinhamentos podem fazer com que um palete carregado se incline gradualmente com o tempo.

No início, essas mudanças costumam ser sutis e talvez não sejam evidentes durante as verificações de rotina. Mas, com modelos de visão computacional como o Ultralytics YOLO26, essas verificações podem ser feitas continuamente usando as transmissões das câmeras.

Por exemplo, o suporte do Ultralytics YOLO26 a caixas delimitadoras orientadas (OBBs) facilita a captura do ângulo e da orientação de cada palete ou caixa, e não apenas da posição. Ao acompanhar essas orientações ao longo do tempo, o modelo pode detectar pequenas mudanças, como inclinações leves ou alterações no alinhamento.

Quando esses ângulos começam a se afastar do alinhamento vertical ou ficam inconsistentes entre as camadas, isso pode indicar que uma pilha está começando a inclinar. Se os desequilíbrios forem detectados cedo, será possível corrigi-los antes que se agravem.

Vantagens e desvantagens do uso de IA visual para empilhar paletes com segurança#

Veja alguns dos principais benefícios do uso de sistemas baseados em visão para o empilhamento de paletes:

• Visibilidade em tempo real em todas as operações: Os sistemas de visão podem monitorar continuamente as condições dos paletes, facilitando o cumprimento das normas da OSHA e das práticas adequadas de empilhamento.
• Melhor acompanhamento de incidentes: Os dados visuais registrados podem ser analisados posteriormente para entender quando e como um problema surgiu.
• Integração com sistemas existentes: Os modelos de visão podem ser conectados a sistemas de gerenciamento de armazém ou de alertas para acionar notificações ou fluxos de trabalho.
• Monitoramento escalável em diferentes zonas: Modelos avançados de visão podem ser implantados em várias áreas do armazém, oferecendo visibilidade consistente até mesmo em instalações grandes ou distribuídas.

Embora o uso de IA visual no empilhamento de paletes ofereça muitas vantagens, veja alguns fatores limitantes que você deve considerar:

• Sensibilidade ao ambiente: As condições de iluminação, as sombras e as obstruções podem afetar a clareza com que as pilhas de paletes são capturadas.
• Dependência de uma configuração adequada: Resultados confiáveis exigem um planejamento cuidadoso do posicionamento das câmeras e uma cobertura adequada das principais zonas operacionais.
• Variação no desempenho do modelo: Mudanças no layout, na iluminação ou nas operações do armazém podem exigir atualizações periódicas do modelo ou um novo treinamento.
• Manutenção das câmeras: Talvez seja necessário limpar e calibrar as câmeras regularmente e verificar seu funcionamento para garantir um desempenho consistente.

Principais conclusões#

O empilhamento inseguro de paletes geralmente não se torna um problema de imediato. Ele se desenvolve com o tempo, por causa de pequenos desalinhamentos e cargas que se deslocam. Com o monitoramento visual contínuo, essas mudanças sutis podem ser detectadas cedo, facilitando a ação antes que os problemas se agravem. Modelos como o Ultralytics YOLO26 ajudam nesse processo, viabilizando detecções rápidas em tempo real.

Quer saber mais sobre IA visual? Acesse nosso repositório do GitHub para saber mais. Junte-se à nossa comunidade e explore aplicações como IA na logística e IA visual no varejo. Confira nossas opções de licenciamento para começar!