Deteção de empilhamento inseguro de paletes com o Ultralytics YOLO26

A segurança é essencial quando se trata de operações de armazém. Paletes instáveis, cargas em queda e corredores bloqueados podem causar danos nos produtos, interrupções do fluxo de trabalho e ferimentos graves nos trabalhadores.

Em particular, o empilhamento de paletes desempenha um papel fundamental na manutenção de um armazém seguro e eficiente. 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 criar riscos maiores. Uma ligeira inclinação, uma distribuição desigual do peso ou uma carga mal fixada podem tornar as paletes instáveis. A ausência de película retrátil ou um alinhamento inadequado podem enfraquecer ainda mais a estabilidade, aumentando a probabilidade de danos nos produtos ou acidentes de trabalho.

Fig. 1. Um armazém é um espaço dinâmico onde os trabalhadores estão constantemente a movimentar e empilhar paletes. (Fonte)

Para prevenir estes problemas, organizações como a Administração de Segurança e Saúde Ocupacional (OSHA) fornecem orientações para o armazenamento e manuseamento seguro de materiais. Estas orientações de segurança enfatizam a manutenção da estabilidade das cargas, o cumprimento dos limites de carga seguros e a adoção de práticas de manuseamento adequadas para prevenir perigos como a queda ou o colapso de pilhas.

No entanto, aplicar estas normas de forma consistente em ambientes de armazém com um ritmo acelerado nem sempre é fácil. As paletes são normalmente movimentadas, reempilhadas e manuseadas ao longo do dia. Isto dificulta a monitorização em tempo real das condições de cada carga ou a deteção dos primeiros sinais de instabilidade.

Uma abordagem mais eficaz é utilizar visão computacional. Enquanto ramo da IA, permite que as máquinas interpretem e analisem dados visuais provenientes de imagens e transmissões de vídeo. Com modelos de IA para visão, como o Ultralytics YOLO26, os armazéns podem monitorizar as condições das paletes em tempo real e detetar precocemente configurações instáveis, permitindo que as equipas intervenham antes de os problemas se agravarem.

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

O impacto do empilhamento de paletes na segurança do armazém#

As paletes são concebidas para suportar uma determinada quantidade de peso e serem empilhadas de forma estável. Quando estão sobrecarregadas ou não estão devidamente equilibradas, essa estabilidade começa a degradar-se.

Mesmo pequenos desalinhamentos durante o empilhamento podem acumular-se ao longo do tempo e aumentar a probabilidade 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 inicialmente parece ser um erro menor pode afetar gradualmente a distribuição do peso e provocar pilhas instáveis.

Isto também afeta as operações diárias. Se for necessário corrigir uma palete durante o carregamento ou o transporte, o processo pode abrandar e causar atrasos. O problema torna-se mais evidente durante o manuseamento, especialmente quando são utilizados empilhadores e porta-paletes.

Como este equipamento está sempre em movimento, lidar com cargas instáveis torna até as tarefas de rotina mais arriscadas. Isto pode causar danos nas mercadorias, interrupções do fluxo de trabalho ou sobrecarga.

Em casos mais graves, pode resultar em ferimentos nos trabalhadores e afetar toda a cadeia de abastecimento, 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, frequentemente orientados pelas normas da OSHA, pelos regulamentos de segurança e por listas de verificação de inspeção. Estes métodos apoiam a segurança das paletes e as práticas de empilhamento adequadas, mas são limitados quanto à consistência com que podem ser aplicados em ambientes movimentados.

Uma limitação importante é que as inspeções captam apenas um momento específico. 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 deteção de problemas que se desenvolvem entre verificações, como desalinhamento gradual, deslocamento de cargas ou primeiros sinais de instabilidade.

Alguns problemas também são mais difíceis de detetar durante as verificações 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 escala acrescenta outra camada de dificuldade. Em armazéns de grandes dimensões, é difícil manter inspeções regulares em todas as áreas, especialmente junto de estantes para paletes e zonas de transportadores. Estas lacunas de cobertura dificultam o cumprimento consistente das práticas de segurança e a garantia de um empilhamento estável das paletes em todas as operações.

O papel da IA para 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 anotadas e conseguem acompanhar continuamente detalhes específicos das paletes em diferentes áreas de armazenamento.

Por exemplo, modelos de visão computacional avançados, como o YOLO26, suportam tarefas de visão, 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.

Especificamente, a deteção de objetos pode ser utilizada para identificar e localizar paletes, caixas e equipamentos de manuseamento em corredores e zonas de armazenamento. Isto permite que os sistemas acompanhem a forma como os materiais são colocados e movimentados.

Fig. 2. Utilização de um modelo Ultralytics YOLO para detetar caixas empilhadas (Fonte)

Entretanto, a segmentação de instâncias permite identificar com precisão itens individuais dentro de uma pilha, delineando cada objeto ao nível dos píxeis. Isto facilita a separação de itens sobrepostos ou muito próximos. Em situações onde o alinhamento é fundamental, as caixas delimitadoras orientadas podem ser utilizadas para avaliar o posicionamento das cargas, captando os respetivos 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 cena e atribuir etiquetas como “estável”, “instável” ou “danificada”. Além disso, a estimativa de pose concentra-se na deteção de pontos-chave para acompanhar a posição e o movimento dos trabalhadores ou equipamentos, permitindo compreender como interagem com as paletes e identificar possíveis manuseamentos inseguros.

Como o Ultralytics YOLO26 permite o empilhamento de paletes na prática#

O Ultralytics YOLO26 está disponível, pronto a utilizar, como um modelo pré-treinado. Por outras palavras, já foi treinado com grandes conjuntos de dados, pelo que consegue reconhecer objetos comuns sem precisar de ser criado de raiz.

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

Treinar um modelo com dados específicos do armazém permite-lhe compreender melhor estas variações e fornecer resultados mais precisos e fiáveis. Este processo começa pela recolha de imagens e fotogramas de vídeo no piso do armazém, captando diferentes condições de empilhamento em vários ambientes.

Em seguida, estas imagens são anotadas (são adicionadas etiquetas), por exemplo, desenhando caixas delimitadoras (caixas retangulares) à volta das paletes ou assinalando áreas de instabilidade. Depois de preparado um conjunto de dados com os dados anotados, o Ultralytics YOLO26 pode ser treinado com estes exemplos do mundo real, adaptando-se a variações de disposição, iluminação e operações.

O treino pode ser realizado através do pacote Ultralytics para Python, que fornece ferramentas integradas para carregar dados, treinar modelos e executar previsões com código, ou através da Ultralytics Platform, uma plataforma de visão computacional de ponta a ponta que reúne gestão de dados, anotação, treino e implementação num único local.

Simplificar o treino de modelos com a Ultralytics Platform#

Gerir fluxos de trabalho de visão computacional, desde a preparação e anotação de conjuntos de dados até ao treino, avaliação e implementação, pode ser complexo. A Ultralytics Platform resolve este desafio ao reunir estas etapas num único ambiente.

Por exemplo, os utilizadores podem organizar e etiquetar dados de imagens provenientes de ambientes de armazém e utilizá-los para treinar modelos com cenários do mundo real. Isto permite que os modelos aprendam como as paletes aparecem em diferentes disposições, condições de iluminação e estilos de empilhamento, tornando-os mais precisos e fiáveis em operações reais.

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

Depois de treinados, os modelos podem ser testados com imagens novas e não observadas utilizando o separador Predict integrado, para verificar o desempenho antes da implementação.

Após a validação, os modelos podem ser implementados de diferentes formas através da Ultralytics Platform, consoante o caso de utilização, incluindo inferência partilhada para desenvolvimento e testes, endpoints dedicados para implementações em produção ou exportação dos modelos para execução em sistemas externos ou dispositivos de edge.

Considerações sobre o posicionamento das câmaras para uma deteção precisa#

Ao criar um sistema de monitorização de paletes orientado por visão, o posicionamento das câmaras pode afetar diretamente a fiabilidade com que os problemas de empilhamento são captados. A configuração adequada permite automatizar de forma mais eficaz os sistemas de monitorização.

Fig. 4. Exemplo de utilização de uma câmara suspensa para monitorizar as atividades do armazém (Fonte)

Eis alguns aspetos práticos a considerar no posicionamento das câmaras:

• Vistas frontais das estantes: As câmaras posicionadas de frente para as estantes de paletes podem captar a altura total das pilhas, facilitando a observação de empilhamentos excessivos e cargas inclinadas.
• Vistas angulares para profundidade e inclinação: As vistas de câmaras angulares, normalmente entre 30 e 45°, podem proporcionar melhor visibilidade da profundidade, da inclinação e dos espaços dentro das pilhas que podem não ser visíveis em perspetivas frontais.
• Vistas superiores para áreas densas: As vistas de cima são úteis em zonas densamente ocupadas, onde as vistas laterais podem estar obstruídas e distinguir paletes individuais se torna mais difícil.
• Pontos de monitorização de entrada e saída: As câmaras colocadas junto de correias transportadoras e zonas de cais podem captar as paletes antes e depois da movimentação, ajudando a acompanhar alterações na estabilidade durante o transporte.
• Zonas de interação com empilhadores: A monitorização das áreas de recolha e colocação próximas das vias dos empilhadores pode fornecer informações sobre a estabilidade das cargas durante o manuseamento, onde tendem a ocorrer muitos problemas.

Aplicações reais da IA para visão no empilhamento de paletes#

Em seguida, vamos analisar alguns exemplos práticos de como a IA para visão é utilizada nos armazéns para identificar e gerir problemas comuns de empilhamento de paletes.

Deteção de violações da altura das pilhas nas zonas de armazenamento#

Os limites de altura de empilhamento definem até que altura as pilhas de paletes podem ser construídas em segurança, especialmente em áreas de armazenamento onde as paletes são empilhadas muito próximas para tirar o máximo partido do espaço disponível. Estes limites ajudam a prevenir cargas instáveis e a manter uma distância segura em torno das estantes de paletes e dos sistemas suspensos, como os sprinklers.

No entanto, estes limites podem ser ultrapassados durante períodos movimentados, como operações de entrada de grandes volumes. Para acompanhar melhor esta atividade, modelos como o Ultralytics YOLO26 podem analisar transmissões de câmaras para detetar e contar paletes individuais e acompanhar o crescimento da pilha ao longo do tempo.

Ao monitorizar o número e a posição das paletes detetadas, um sistema equipado com visão pode estimar a altura total da pilha e identificar quando esta se aproxima ou ultrapassa os limites seguros. Isto fornece aos operadores do armazém uma visibilidade antecipada sobre possíveis problemas, permitindo-lhes ajustar o empilhamento ou redistribuir as cargas antes de estas se tornarem um risco de segurança.

Identificação de desequilíbrios nas cargas e estruturas inclinadas#

Quando uma palete é empilhada até à altura correta, mas não está devidamente equilibrada, pode ainda assim tornar-se instável. Uma distribuição desigual do peso, caixas colocadas de forma solta ou um ligeiro desalinhamento podem fazer com que uma palete carregada se incline gradualmente ao longo do tempo.

Estas alterações são frequentemente subtis no início e podem não ser evidentes durante as verificações de rotina. Contudo, com modelos de visão computacional como o Ultralytics YOLO26, estas verificações podem ser realizadas continuamente através de transmissões de câmaras.

Por exemplo, o suporte do Ultralytics YOLO26 para caixas delimitadoras orientadas (OBBs) facilita a captação do ângulo e da orientação de cada palete ou caixa, em vez de apenas da sua posição. Ao acompanhar estas orientações ao longo do tempo, o modelo pode detetar pequenas alterações, como ligeiras inclinações ou mudanças no alinhamento.

À medida que estes ângulos começam a afastar-se do alinhamento vertical ou se tornam inconsistentes entre camadas, isso pode indicar que uma pilha está a começar a inclinar-se. Quando os desequilíbrios são detetados precocemente, podem ser corrigidos antes de se agravarem.

Vantagens e desvantagens da utilização de IA para visão no empilhamento seguro de paletes#

Eis alguns dos principais benefícios da utilização de sistemas baseados em visão para o empilhamento de paletes:

• Visibilidade em tempo real em todas as operações: Os sistemas de visão podem fornecer monitorização contínua das condições das paletes, facilitando o cumprimento das normas da OSHA e das práticas de empilhamento adequadas.
• Melhor acompanhamento de incidentes: Os dados visuais gravados podem ser analisados posteriormente para compreender quando e como um problema se desenvolveu.
• 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 várias zonas: Os modelos de visão avançados podem ser implementados em várias áreas do armazém, proporcionando visibilidade consistente mesmo em instalações grandes ou distribuídas.

Embora a utilização de IA para visão no empilhamento de paletes ofereça muitas vantagens, há alguns fatores limitadores a ter em conta:

• Sensibilidade ao ambiente: As condições de iluminação, as sombras e as obstruções podem afetar a nitidez com que as pilhas de paletes são captadas.
• Dependência de uma configuração adequada: Resultados fiáveis exigem um posicionamento das câmaras bem planeado e uma cobertura suficiente das principais zonas operacionais.
• Deriva do desempenho do modelo: Alterações na disposição, iluminação ou operações do armazém podem exigir atualizações ou novo treino periódico do modelo.
• Manutenção das câmaras: As câmaras podem exigir 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. Desenvolve-se ao longo do tempo através de pequenos desalinhamentos e deslocamentos de cargas. Com a monitorização visual contínua, estas alterações subtis podem ser detetadas precocemente, facilitando a intervenção antes de os problemas se agravarem. Modelos como o Ultralytics YOLO26 apoiam este processo ao permitirem uma deteção rápida em tempo real.

Queres explorar mais a IA para visão? Visita o nosso repositório no GitHub para saberes mais. Junta-te à nossa comunidade e explora aplicações como IA na logística e IA para visão no retalho. Consulta as nossas opções de licenciamento para começares!