Detectando empilhamento inseguro de paletes com o Ultralytics YOLO26

A segurança é fundamental quando se trata de operações em armazéns. Paletes instáveis, cargas em queda e corredores bloqueados podem causar danos aos produtos, interrupções no fluxo de trabalho e ferimentos graves aos trabalhadores.

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

Até pequenas inconsistências podem criar riscos maiores. Uma leve inclinação, uma distribuição desigual de peso ou uma carga mal fixada podem tornar os paletes instáveis. A falta de filme stretch ou um mau alinhamento podem enfraquecer 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 evitar tais problemas, organizações como a Occupational Safety and Health Administration (OSHA) fornecem diretrizes para o armazenamento e manuseio seguro de materiais. Essas diretrizes de segurança enfatizam a manutenção da estabilidade da carga, a permanência dentro dos limites de carga segura e o cumprimento de práticas de manuseio adequadas para evitar riscos como quedas ou colapso de pilhas.

No entanto, aplicar esses padrões de forma consistente em ambientes de armazém de movimentação rápida nem sempre é fácil. Os paletes são geralmente movidos, reempilhados e manuseados ao longo do dia. Isso torna difícil monitorar cada condição de carga em tempo real ou detectar sinais precoces 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 visão computacional como o Ultralytics YOLO26, os armazéns podem monitorar as condições dos paletes em tempo real e detectar configurações instáveis precocemente, permitindo que as equipes respondam antes que os problemas aumentem.

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

Link to this sectionO impacto do empilhamento de paletes na segurança do armazém#

Os paletes são projetados para transportar uma certa quantidade de peso e serem empilhados de forma estável. Quando são sobrecarregados ou não equilibrados adequadamente, essa estabilidade começa a diminuir.

Até pequenos desalinhamentos durante o empilhamento podem se acumular com o tempo e aumentar as chances de uma carga falhar durante o manuseio. Esses problemas geralmente ocorrem em ambientes de ritmo acelerado, onde os paletes estão sendo constantemente carregados, movidos e reempilhados. O que parece ser um pequeno erro no início pode afetar gradualmente a distribuição de peso e levar a pilhas instáveis.

Isso também afeta as operações diárias. Se um palete precisar ser corrigido durante o carregamento ou transporte, isso pode tornar o processo mais lento e causar atrasos. O problema torna-se mais perceptível durante o manuseio, especialmente quando empilhadeiras e transpaleteiras estão envolvidas.

Como esse equipamento está sempre em movimento, lidar com cargas instáveis torna até as tarefas de rotina mais arriscadas. Isso pode levar a mercadorias danificadas, interrupções no fluxo de trabalho ou sobrecarga.

Em casos mais graves, pode resultar em ferimentos aos trabalhadores e impactar a cadeia de suprimentos mais ampla, aumentando os custos operacionais e financeiros.

Link to this sectionDesafios com métodos tradicionais de inspeção de paletes#

A maioria dos armazéns depende de processos manuais de inspeção de paletes, geralmente orientados por padrões da OSHA, normas de segurança e listas de verificação de inspeção. Esses métodos apoiam a segurança dos paletes e as práticas adequadas de empilhamento, mas são limitados em termos de quão consistentemente podem ser aplicados em ambientes movimentados.

Uma limitação fundamental é que as inspeções capturam apenas um momento no tempo. As operações de armazém envolvem carregamento, movimentação e reempilhamento contínuos, mas as inspeções capturam apenas a aparência da pilha no momento da verificação. Isso torna difícil detectar problemas que se desenvolvem entre as verificações, como desalinhamento gradual, cargas deslocadas ou sinais precoces de instabilidade.

Alguns problemas também são mais difíceis de detectar 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 adiciona outra camada de dificuldade. Em grandes armazéns, é um desafio manter inspeções regulares em todas as áreas, especialmente ao redor das estantes de paletes e zonas de esteiras. Essas lacunas na cobertura tornam mais difícil seguir consistentemente as práticas de segurança e garantir o empilhamento estável de paletes em todas as operações.

Link to this sectionO papel da visão computacional nas operações de armazém#

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

Por exemplo, modelos de visão computacional de ponta, como o YOLO26, suportam tarefas de visão como detecção de objetos, classificação de imagens, detecção de caixa delimitadora orientada (OBB), estimativa de pose e segmentação de instâncias, o que pode ajudar a analisar como os paletes e as cargas estão organizados nos espaços do armazém.

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

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

Enquanto isso, a segmentação de instâncias permite a identificação precisa de itens individuais dentro de uma pilha, delineando cada objeto no nível do pixel. Isso torna mais fácil separar itens sobrepostos ou muito próximos. Em situações onde o alinhamento é crítico, caixas delimitadoras orientadas podem ser usadas para avaliar como as cargas estão posicionadas, 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 cena e atribuir rótulos como "estável", "instável" ou "danificado". Além disso, a estimativa de pose concentra-se na detecção de pontos-chave para rastrear a posição e o movimento dos trabalhadores ou equipamentos, tornando possível entender como eles interagem com os paletes e identificar manuseios potencialmente inseguros.

Link to this sectionComo o YOLO26 permite o empilhamento de paletes na vida real#

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

No entanto, os ambientes de armazém apresentam suas próprias nuances, como tipos variados de paletes, padrões de empilhamento, condições de carga e inconsistências do mundo real. É aqui que a capacidade de treinar de forma personalizada modelos Ultralytics YOLO, como o YOLO26, se torna valiosa.

Treinar um modelo com dados específicos do armazém permite que ele entenda melhor essas variações e entregue resultados mais precisos e confiáveis. Esse processo começa com a coleta de imagens e quadros de vídeo dos pisos do armazém, capturando diferentes condições de empilhamento em diversos ambientes.

Essas imagens são então anotadas (rótulos são adicionados), por exemplo, desenhando caixas delimitadoras (retângulos) ao redor dos paletes ou marcando áreas de instabilidade. Uma vez que um conjunto de dados é preparado usando os dados anotados, o YOLO26 pode ser treinado nesses exemplos do mundo real, adaptando-o às variações de layout, iluminação e operações.

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

Link to this sectionSimplificando o treinamento de modelos com a Plataforma Ultralytics#

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

Por exemplo, os usuários podem organizar e rotular dados de imagem de ambientes de armazém e usá-los para treinar modelos em 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 nas operações reais.

Fig 3. Uma visão de um conjunto de dados dentro da Plataforma Ultralytics (Fonte)

Uma vez treinados, os modelos podem ser testados em imagens novas e não vistas usando a aba de previsão (Predict) integrada para verificar o desempenho antes da implantação.

Após a validação, os modelos podem ser implantados de diferentes maneiras por meio da Plataforma Ultralytics, dependendo do caso de uso, incluindo inferência compartilhada para desenvolvimento e teste, endpoints dedicados para implantações de produção ou exportando modelos para serem executados em sistemas externos ou dispositivos de borda.

Link to this sectionConsiderações sobre a colocação da câmera para uma detecção precisa#

Ao construir um sistema de monitoramento de paletes orientado por visão, a colocação da câmera pode afetar diretamente a confiabilidade com que os problemas de empilhamento são capturados. A configuração correta apoia uma automação mais eficaz dos sistemas de monitoramento.

Fig 4. Um exemplo de uso de uma câmera aérea para monitorar atividades no armazém (Fonte)

Aqui estão algumas considerações práticas para a colocação da câmera:

• Vistas frontais das estantes: As câmeras posicionadas de frente para as estantes de paletes podem capturar a altura total das pilhas, facilitando a observação de sobreempilhamento e cargas inclinadas.
• Vistas anguladas para profundidade e inclinação: Vistas de câmera anguladas, geralmente em torno de 30–45°, podem fornecer melhor visibilidade da profundidade, inclinação e lacunas dentro das pilhas que podem não ser visíveis a partir de perspectivas diretas.
• Vistas aéreas para áreas densas: As vistas de cima para baixo são úteis em zonas compactas, onde as vistas laterais podem ser obstruídas e distinguir paletes individuais se torna mais desafiador.
• Pontos de monitoramento de entrada e saída: Câmeras colocadas perto de esteiras e áreas de docas podem capturar paletes antes e depois da movimentação, ajudando a rastrear mudanças na estabilidade durante o trânsito.
• Zonas de interação com empilhadeiras: Monitorar áreas de coleta e entrega perto dos caminhos das empilhadeiras pode fornecer insights sobre a estabilidade da carga durante o manuseio, onde muitos problemas tendem a ocorrer.

Link to this sectionAplicações reais de visão computacional no empilhamento de paletes#

A seguir, vamos ver alguns exemplos práticos de como a visão computacional é usada em armazéns para detectar e lidar com problemas comuns de empilhamento de paletes.

Link to this sectionDetecção de violações de altura de pilha em zonas de armazenamento#

Os limites de altura de empilhamento definem quão alto as pilhas de paletes podem ser construídas com segurança, especialmente em 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 manter uma folga segura ao redor das estantes de paletes e sistemas aéreos, como sprinklers.

No entanto, esses limites podem ser excedidos durante períodos de pico, como operações de entrada de alto volume. Para ficar de olho em tal atividade, modelos como o YOLO26 podem analisar transmissões de câmera para detectar e contar paletes individuais e rastrear como a pilha cresce ao longo do tempo.

Ao monitorar o número e a posição dos paletes detectados, um sistema habilitado para visão pode estimar a altura total da pilha e identificar quando ela se aproxima ou excede os limites de segurança. Isso dá aos operadores de armazém visibilidade antecipada de possíveis problemas, tornando possível ajustar o empilhamento ou redistribuir cargas antes que se tornem um risco à segurança.

Link to this sectionIdentificação de desequilíbrio de carga e estruturas inclinadas#

Quando um palete é empilhado na altura correta, mas não equilibrado adequadamente, ele ainda pode se tornar instável. A distribuição desigual de peso, caixas colocadas de forma frouxa ou um leve desalinhamento podem fazer com que um palete carregado se incline gradualmente ao longo do tempo.

Essas mudanças são frequentemente sutis no início e podem não ser óbvias durante as verificações de rotina. Mas, com modelos de visão computacional como o YOLO26, essas verificações podem ser feitas continuamente usando transmissões de câmera.

Por exemplo, o suporte do YOLO26 para caixas delimitadoras orientadas (OBBs) facilita a captura do ângulo e da orientação de cada palete ou caixa, em vez de apenas sua posição. Ao rastrear essas orientações ao longo do tempo, o modelo pode detectar pequenos desvios, como leves inclinações ou mudanças no alinhamento.

À medida que esses ângulos começam a se desviar do alinhamento vertical ou se tornam inconsistentes entre as camadas, isso pode indicar que uma pilha está começando a inclinar. Quando os desequilíbrios são detectados precocemente, eles podem ser corrigidos antes de aumentarem.

Link to this sectionPrós e contras de usar visão computacional para empilhamento seguro de paletes#

Aqui estão alguns dos principais benefícios do uso de sistemas baseados em visão para empilhamento de paletes:

• Visibilidade em tempo real nas operações: Os sistemas de visão podem fornecer monitoramento contínuo das condições dos paletes, tornando mais fácil seguir os padrões da OSHA e as práticas adequadas de empilhamento.
• Melhor rastreamento de incidentes: Dados visuais registrados podem ser revisados posteriormente para entender quando e como um problema se desenvolveu.
• Integração com sistemas existentes: Os modelos de visão podem ser conectados ao gerenciamento de armazém ou a sistemas de alerta para acionar notificações ou fluxos de trabalho.
• Monitoramento escalável entre zonas: Modelos avançados de visão podem ser implantados em várias áreas do armazém, permitindo visibilidade consistente mesmo em instalações grandes ou distribuídas.

Embora o uso de visão computacional para empilhamento de paletes ofereça muitas vantagens, aqui estão alguns fatores limitantes a serem considerados:

• Sensibilidade ambiental: Condições de iluminação, sombras e obstruções podem afetar a clareza com que as pilhas de paletes são capturadas.
• Dependência de uma configuração adequada: Resultados confiáveis exigem uma colocação de câmera bem planejada e cobertura adequada das zonas operacionais principais.
• Desvio de desempenho do modelo: Alterações no layout do armazém, iluminação ou operações podem exigir atualizações periódicas do modelo ou novo treinamento.
• Manutenção da câmera: As câmeras podem exigir limpeza, calibração e verificações regulares para garantir um desempenho consistente.

Link to this sectionPrincipais conclusões#

O empilhamento inseguro de paletes geralmente não se torna um problema imediatamente. Ele se desenvolve ao longo do tempo por meio de pequenos desalinhamentos e cargas que se deslocam. Com monitoramento visual contínuo, essas mudanças sutis podem ser detectadas precocemente, tornando mais fácil agir antes que os problemas aumentem. Modelos como o YOLO26 suportam isso, permitindo uma detecção rápida e em tempo real.

Quer explorar mais a visão computacional? Visite nosso repositório GitHub para saber mais. Junte-se à nossa comunidade e explore aplicações como IA em logística e visão computacional no varejo. Confira nossas opções de licenciamento para começar!