Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Definições de cookies
Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Saiba como Ultralytics pode ser utilizado para detect empilhamentos de paletes detect em armazéns, ajudando a melhorar a segurança, reduzir riscos e manter operações eficientes.
Pretende implementar um projeto de visão computacional?
A segurança é fundamental nas operações de armazém. Paletes instáveis, cargas em queda e corredores bloqueados podem causar danos aos produtos, perturbações no fluxo de trabalho e lesões graves nos trabalhadores.
Em particular, o empilhamento de paletes desempenha um papel fundamental na manutenção de um armazém seguro e eficiente. Isso afeta diretamente a estabilidade das cargas, a facilidade com que os materiais circulam pelo espaço e a segurança com que os trabalhadores podem operar.
Mesmo pequenas inconsistências podem gerar riscos maiores. Uma ligeira inclinação, uma distribuição desigual do peso ou uma carga mal fixada podem tornar os paletes instáveis. A falta de película retrátil ou um mau alinhamento podem enfraquecer ainda mais a estabilidade, aumentando a probabilidade de danos nos produtos ou de acidentes de trabalho.
Fig. 1. Um armazém é um espaço dinâmico onde os trabalhadores estão constantemente em movimento e a empilhar paletes. (Fonte)
Para evitar esses problemas, organismos como a Administração de Segurança e Saúde Ocupacional (OSHA) fornecem diretrizes para o armazenamento e manuseamento seguros de materiais. Estas diretrizes de segurança enfatizam a importância de manter a estabilidade da carga, respeitar os limites de carga seguros e seguir práticas de manuseamento adequadas, a fim de prevenir riscos como a queda ou o colapso de pilhas.
No entanto, aplicar estas normas de forma consistente em ambientes de armazém com grande movimento nem sempre é fácil. Normalmente, as paletes são movimentadas, reempilhadas e manuseadas ao longo do dia. Isto torna difícil monitorizar o estado de cada carga em tempo real ou detetar sinais precoces de instabilidade.
Uma abordagem mais eficaz consiste em recorrer à visão computacional. Enquanto ramo da IA, permite que as máquinas interpretem e analisem dados visuais provenientes de imagens e fluxos de vídeo. Com modelos de IA de visão, como Ultralytics , os armazéns podem monitorizar o estado das paletes em tempo real e detect precocemente configurações detect , permitindo que as equipas intervenham 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 podem ajudar detect a preveni-los. Vamos começar!
O impacto do empilhamento de paletes na segurança do armazém
As paletes são concebidas para suportar um determinado peso e para serem empilhadas de forma estável. Quando são sobrecarregadas ou não estão devidamente equilibradas, essa estabilidade começa a ser comprometida.
Mesmo pequenos desalinhamentos durante o empilhamento podem acumular-se ao longo do tempo e aumentar o risco de uma carga falhar durante o manuseamento. Estes problemas ocorrem geralmente em ambientes de ritmo acelerado, onde as paletes são constantemente carregadas, movimentadas e reempilhadas. O que à primeira vista parecem ser erros menores pode afetar gradualmente a distribuição do peso e levar a pilhas instáveis.
Isto também afeta as operações do dia-a-dia. Se for necessário fixar um palete durante o carregamento ou o transporte, isso pode atrasar o processo e causar atrasos. O problema torna-se mais evidente durante a movimentação, especialmente quando estão envolvidas empilhadoras e porta-paletes.
Uma vez que este tipo de equipamento está sempre em movimento, lidar com cargas instáveis torna até mesmo as tarefas rotineiras mais arriscadas. Isto pode resultar em mercadorias danificadas, interrupções no fluxo de trabalho ou sobrecargas.
Em casos mais graves, pode causar lesões aos trabalhadores e afetar toda a cadeia de abastecimento, aumentando os custos operacionais e financeiros.
Desafios associados aos métodos tradicionais de inspeção de paletes
A maioria dos armazéns recorre a processos manuais de inspeção de paletes, frequentemente orientados pelas normas da OSHA, pelos regulamentos de segurança e pelas listas de verificação de inspeção. Estes métodos contribuem para a segurança das paletes e para práticas adequadas de empilhamento, mas têm limitações no que diz respeito à consistência com que podem ser aplicados em ambientes de grande movimento.
Uma limitação fundamental é que as inspeções apenas registam um momento específico no tempo. As operações de armazém envolvem carregamento, movimentação e reempilhamento contínuos, mas as inspeções registam apenas o aspeto da pilha no momento da verificação. Isto dificulta a detect que surgem entre as verificações, tais como desalinhamentos graduais, deslocamento de cargas ou sinais precoces de instabilidade.
Alguns problemas também são mais difíceis de detectar durante as inspeções de rotina. Paletes danificadas, tábuas partidas ou pequenas lascas podem passar despercebidas, apesar de poderem enfraquecer a estrutura e afetar a estabilidade da carga durante o manuseamento.
A dimensão da instalação acrescenta mais um nível de dificuldade. Em grandes armazéns, é difícil realizar inspeções regulares em todas as áreas, especialmente nas zonas de estantes de paletes e de transportadores. Estas lacunas na cobertura tornam mais difícil seguir de forma consistente as práticas de segurança e garantir um empilhamento estável das paletes em todas as operações.
O papel da IA de visão nas operações de armazém
Os armazéns estão a começar a adotar sistemas de visão computacional capazes de monitorizar as operações diárias. Estes sistemas aprendem com grandes volumes de imagens etiquetadas e conseguem track continuamente os detalhes track em diferentes áreas de armazenamento.
Por exemplo, modelos de visão computacional de ponta, como o YOLO26, suportam tarefas de visão computacional, tais como deteção de objetos, classificação de imagens, deteção de caixas delimitadoras orientadas (OBB), estimativa de pose e segmentação de instâncias, o que pode ajudar a analisar a forma como as paletes e as cargas estão dispostas nos espaços do armazém.
Mais concretamente, a deteção de objetos pode ser utilizada para identificar e localizar paletes, caixas e equipamento de manuseamento ao longo dos corredores e nas zonas de armazenamento. Isto permite que os sistemas track os materiais são colocados e movimentados.
Fig. 2. Utilização de umYOLO Ultralytics para detect caixas detect (Fonte)
Por outro lado, a segmentação de instâncias permite identificar com precisão cada item individual dentro de uma pilha, delineando cada objeto ao nível do pixel. Isto facilita a separação de itens sobrepostos ou muito próximos uns dos outros. Em situações em que o alinhamento é fundamental, podem ser utilizadas caixas delimitadoras orientadas para avaliar a posição das cargas, captando os seus ângulos e orientações com maior precisão.
Da mesma forma, a classificação de imagens pode ser utilizada para analisar o estado geral de uma palete ou de uma cena e atribuir rótulos como «estável», «instável» ou «danificada». Além disso, a estimativa de pose centra-se na deteção de pontos-chave para track posição e o movimento dos trabalhadores ou do equipamento, permitindo compreender como estes interagem com as paletes e identificar manuseamentos potencialmente perigosos.
Como o YOLO26 permite o empilhamento de paletes na prática
O Ultralytics está disponível como um modelo pré-treinado. Por outras palavras, já foi treinado com grandes conjuntos de dados, pelo que consegue reconhecer objetos comuns sem necessidade de ser criado de raiz.
No entanto, os ambientes de armazém apresentam as suas próprias particularidades, tais como diferentes tipos de paletes, padrões de empilhamento, condições de carga e inconsistências do mundo real. É aqui que a capacidade de treinar YOLO Ultralytics , como o YOLO26, se torna valiosa.
O treino de um modelo com dados específicos do armazém permite-lhe compreender melhor essas variações e fornecer resultados mais precisos e fiáveis. Este processo começa com a recolha de imagens e fotogramas de vídeo das áreas de armazenamento, captando diferentes condições de empilhamento em diversos ambientes.
Estas imagens são então anotadas (são adicionadas etiquetas), por exemplo, desenhando caixas delimitadoras (caixas retangulares) à volta das paletes ou assinalando áreas de instabilidade. Depois de preparar um conjunto de dados com base nos dados anotados, o YOLO26 pode ser treinado com estes exemplos reais, adaptando-se às variações de disposição, iluminação e operações.
O treino pode ser realizado utilizando o Python Ultralytics , que fornece ferramentas integradas para carregar dados, treinar modelos e executar previsões através de código, ou através Ultralytics , uma plataforma de visão computacional completa que reúne gestão de dados, anotação, treino e implementação num único local.
Simplificar o treino de modelos com Ultralytics
A gestão dos fluxos de trabalho de visão computacional, desde a preparação e anotação de conjuntos de dados até ao treino, avaliação e implementação, pode ser complexa. Ultralytics responde a este desafio ao reunir todas estas etapas num único ambiente.
Por exemplo, os utilizadores podem organizar e classificar dados de imagens provenientes de ambientes de armazém e utilizá-los para treinar modelos em cenários reais. Isto permite que os modelos aprendam como as paletes se apresentam em diferentes disposições, condições de iluminação e estilos de empilhamento, tornando-os mais precisos e fiáveis em operações reais.
Fig. 3. Visualização de um conjunto de dados na Ultralytics (Fonte)
Depois de treinados, os modelos podem ser testados em imagens novas e nunca antes vistas, utilizando o separador «Predict» integrado, para verificar o desempenho antes da implementação.
Após a validação, os modelos podem ser implementados de diferentes formas através Ultralytics , dependendo do caso de utilização, incluindo inferência partilhada para desenvolvimento e testes, pontos finais dedicados para implementações em produção ou através da exportação de modelos para execução em sistemas externos ou dispositivos periféricos.
Considerações sobre a colocação das câmaras para uma deteção precisa
Ao criar um sistema de monitorização de paletes baseado em visão artificial, a localização das câmaras pode afetar diretamente a fiabilidade com que os problemas de empilhamento são detetados. Uma configuração adequada contribui para uma automatização mais eficaz dos sistemas de monitorização.
Fig. 4. Um exemplo da utilização de uma câmara suspensa para monitorizar as atividades no armazém (Fonte)
Aqui ficam algumas considerações práticas sobre a colocação da câmara:
Vistas frontais das estantes: As câmaras posicionadas de frente para as estantes de paletes permitem captar toda a altura das pilhas, facilitando a deteção de empilhamento excessivo e de cargas inclinadas.
Vistas em ângulo para avaliar a profundidade e a inclinação: As vistas da câmara em ângulo, normalmente entre 30 e 45°, podem proporcionar uma melhor visibilidade da profundidade, da inclinação e das lacunas nas pilhas, que podem não ser visíveis a partir de perspetivas frontais.
Vistas aéreas para áreas densas: as vistas de cima para baixo são úteis em zonas muito densas, onde as vistas laterais podem estar obstruídas e se torna mais difícil distinguir paletes individuais.
Pontos de monitorização de entrada e saída: As câmaras instaladas junto às correias transportadoras e às zonas de carga e descarga podem captar imagens dos paletes antes e depois do seu deslocamento, ajudando track na estabilidade durante o transporte.
Zonas de interação com empilhadores: A monitorização das áreas de recolha e entrega próximas dos percursos dos empilhadores pode fornecer informações sobre a estabilidade da carga durante o manuseamento, onde tendem a ocorrer muitos problemas.
Aplicações práticas da IA de visão no empilhamento de paletes
A seguir, vamos analisar alguns exemplos práticos de como a IA de visão é utilizada em armazéns para detetar e resolver problemas comuns relacionados com o empilhamento de paletes.
Detecção de violações da altura de empilhamento nas zonas de armazenamento
Os limites de altura de empilhamento definem a altura máxima a que as pilhas de paletes podem ser empilhadas com segurança, especialmente em áreas de armazenamento onde as paletes são empilhadas muito próximas umas das outras para aproveitar ao máximo o espaço disponível. Estes limites ajudam a evitar cargas instáveis e a manter uma distância de segurança em torno das estantes de paletes e de sistemas suspensos, como os sistemas de extinção automática de incêndios.
No entanto, estes limites podem ser ultrapassados durante períodos de maior movimento, como operações de entrada de grande volume. Para acompanhar mais de perto essa atividade, modelos como o YOLO26 podem analisar as imagens das câmaras para detect contar paletes individuais e track da pilha ao longo do tempo.
Ao monitorizar o número e a posição das paletes detetadas, um sistema de visão artificial consegue estimar a altura total da pilha e identificar quando esta se aproxima ou excede os limites de segurança. Isto proporciona aos operadores do armazém uma visibilidade antecipada de potenciais problemas, permitindo-lhes ajustar o empilhamento ou redistribuir as cargas antes que estas se tornem um risco para a segurança.
Identificação de desequilíbrios de carga e estruturas inclinadas
Quando uma palete é empilhada até à altura correta, mas não está devidamente equilibrada, pode mesmo assim tornar-se instável. Uma distribuição desigual do peso, caixas mal fixadas ou um ligeiro desalinhamento podem fazer com que uma palete carregada se incline gradualmente com o tempo.
Estas alterações são frequentemente subtis no início e podem não ser evidentes durante as verificações de rotina. No entanto, com modelos de visão computacional como o YOLO26, estas verificações podem ser realizadas de forma contínua através das imagens captadas pelas câmaras.
Por exemplo, o suporte do YOLO26 a caixas delimitadoras orientadas (OBBs) facilita a captura do ângulo e da orientação de cada palete ou caixa, em vez de apenas a sua posição. Ao acompanhar essas orientações ao longo do tempo, o modelo consegue detect deslocamentos, tais como ligeiras inclinações ou alterações no alinhamento.
À medida que estes ângulos começam a desviar-se do alinhamento vertical ou a tornar-se inconsistentes entre as camadas, isso pode indicar que uma pilha está a começar a inclinar-se. Quando os desequilíbrios são detetados atempadamente, podem ser corrigidos antes de se agravarem.
Prós e contras da utilização da IA de visão para o empilhamento seguro de paletes
Eis algumas das principais vantagens da utilização de sistemas baseados em visão artificial para o empilhamento de paletes:
Visibilidade em tempo real de todas as operações: os sistemas de visão permitem monitorizar continuamente o estado das paletes, facilitando o cumprimento das normas da OSHA e das práticas adequadas de empilhamento.
Melhor acompanhamento de incidentes: os dados visuais gravados podem ser analisados posteriormente para compreender quando e como um problema surgiu.
Integração com sistemas existentes: Os modelos de visão podem ser ligados a sistemas de gestão de armazéns ou de alertas para acionar notificações ou fluxos de trabalho.
Monitorização escalável em todas as zonas: os modelos avançados de visão podem ser implementados em várias áreas do armazém, permitindo uma visibilidade consistente mesmo em instalações de grandes dimensões ou distribuídas.
Embora a utilização da IA de visão para o empilhamento de paletes ofereça muitas vantagens, eis alguns fatores limitantes a ter em conta:
Sensibilidade ambiental: as condições de iluminação, as sombras e os obstáculos podem afetar a nitidez com que as pilhas de paletes são captadas.
Dependência de uma configuração adequada: para obter resultados fiáveis, é necessário um posicionamento bem planeado das câmaras e uma cobertura adequada das principais zonas operacionais.
Desvio no desempenho do modelo: alterações na disposição do armazém, na iluminação ou nas operações podem exigir atualizações periódicas do modelo ou um novo treino.
Manutenção da câmara: As câmaras podem necessitar de limpeza, calibração e verificações regulares para garantir um desempenho consistente.
Principais conclusões
O empilhamento inseguro de paletes normalmente não se torna um problema de imediato. O problema vai-se acumulando ao longo do tempo, devido a pequenos desalinhamentos e deslocamentos da carga. Com uma monitorização visual contínua, estas alterações subtis podem ser detetadas atempadamente, facilitando a intervenção antes que os problemas se agravem. Modelos como o YOLO26 contribuem para isso, permitindo uma deteção rápida e em tempo real.
