Обнаружение небезопасной укладки паллет с помощью Ultralytics YOLO26

Безопасность имеет критическое значение при выполнении складских операций. Неустойчивые паллеты, падающие грузы и заблокированные проходы могут привести к повреждению товаров, сбоям рабочих процессов и серьезным травмам сотрудников.

В частности, укладка паллет играет ключевую роль в обеспечении безопасности и эффективности склада. Она напрямую влияет на устойчивость грузов, удобство перемещения материалов по складу и безопасность работы сотрудников.

Даже небольшие несоответствия могут привести к более серьезным рискам. Незначительный наклон, неравномерное распределение веса или плохо закрепленный груз могут сделать паллеты неустойчивыми. Отсутствие стрейч-пленки или неправильное выравнивание могут еще больше снизить устойчивость, повышая вероятность повреждения товаров или несчастных случаев на рабочем месте.

Рис. 1. Склад — это динамичное пространство, где сотрудники постоянно перемещают и укладывают паллеты. (Источник)

Чтобы предотвратить такие проблемы, такие организации, как Управление по охране труда (OSHA), разрабатывают рекомендации по безопасному хранению и перемещению материалов. Эти рекомендации по безопасности подчеркивают важность поддержания устойчивости грузов, соблюдения безопасных ограничений по нагрузке и правильных методов обращения с грузами, чтобы предотвратить такие опасности, как падение или обрушение штабелей.

Однако последовательно применять эти стандарты в условиях быстро меняющейся работы склада не всегда просто. Обычно паллеты перемещают, перекладывают и обрабатывают в течение всего дня. Поэтому сложно отслеживать состояние каждого груза в реальном времени или своевременно замечать ранние признаки неустойчивости.

Более эффективный подход — использовать компьютерное зрение. Как направление ИИ, оно позволяет машинам интерпретировать и анализировать визуальные данные с изображений и видеопотоков. С помощью моделей визуального ИИ, таких как Ultralytics YOLO26, склады могут отслеживать состояние паллет в реальном времени и заранее выявлять неустойчивые конфигурации, позволяя сотрудникам принять меры до того, как проблемы усугубятся.

В этой статье мы рассмотрим риски, связанные с небезопасной укладкой паллет, и узнаем, как системы на основе компьютерного зрения помогают выявлять и предотвращать такие проблемы. Начнем!

Влияние укладки паллет на безопасность склада#

Паллеты предназначены для перевозки определенного веса и устойчивой укладки. Когда их перегружают или неправильно балансируют, устойчивость начинает нарушаться.

Даже небольшие смещения при укладке могут со временем накапливаться и повышать вероятность разрушения груза во время перемещения. Такие проблемы обычно возникают в динамичной рабочей среде, где паллеты постоянно загружают, перемещают и перекладывают. То, что сначала кажется незначительными ошибками, постепенно может повлиять на распределение веса и привести к неустойчивости штабеля.

Это также влияет на повседневные операции. Если паллету нужно поправить во время погрузки или транспортировки, это может замедлить работу и вызвать задержки. Проблема становится особенно заметной при перемещении, когда используются вилочные погрузчики и гидравлические тележки.

Поскольку такое оборудование постоянно находится в движении, работа с неустойчивыми грузами делает даже обычные задачи более рискованными. Это может привести к повреждению товаров, сбоям рабочего процесса или перегрузке.

В более серьезных случаях это может привести к травмам сотрудников и повлиять на всю цепочку поставок, увеличив как операционные, так и финансовые затраты.

Проблемы традиционных методов проверки паллет#

Большинство складов используют ручные процедуры проверки паллет, часто ориентируясь на стандарты OSHA, правила безопасности и контрольные списки для инспекций. Эти методы помогают обеспечивать безопасность паллет и соблюдать правила правильной укладки, но их применение в загруженной рабочей среде не всегда бывает последовательным.

Одно из ключевых ограничений заключается в том, что инспекции фиксируют только один момент времени. Складские операции включают непрерывную погрузку, перемещение и перекладывание паллет, но инспекция показывает лишь состояние штабеля на момент проверки. Поэтому сложно выявлять проблемы, возникающие между проверками, например постепенное смещение, перемещение грузов или ранние признаки неустойчивости.

Некоторые проблемы также сложнее заметить во время обычных проверок. Поврежденные паллеты, сломанные доски или небольшие занозы могут остаться незамеченными, хотя они способны ослабить конструкцию и повлиять на устойчивость груза при перемещении.

Большой масштаб создает дополнительные трудности. На крупных складах сложно регулярно проверять все зоны, особенно участки со стеллажами для паллет и конвейерами. Такие пробелы в охвате затрудняют постоянное соблюдение правил безопасности и обеспечение устойчивой укладки паллет во всех операциях.

Роль визуального ИИ в складских операциях#

Склады начинают внедрять системы компьютерного зрения, способные отслеживать повседневные операции. Такие системы обучаются на больших объемах размеченных изображений и могут непрерывно отслеживать особенности паллет в разных зонах хранения.

Например, передовые модели компьютерного зрения, такие как YOLO26, поддерживают задачи компьютерного зрения, включая обнаружение объектов, классификацию изображений, обнаружение ориентированных ограничивающих рамок (OBB), оценку позы и сегментацию экземпляров. Это помогает анализировать расположение паллет и грузов в складских помещениях.

В частности, обнаружение объектов можно использовать для выявления и определения местоположения паллет, коробок и оборудования для перемещения грузов в проходах и зонах хранения. Благодаря этому системы могут отслеживать, как размещаются и перемещаются материалы.

Рис. 2. Использование модели Ultralytics YOLO для обнаружения уложенных в штабель коробок (Источник)

В свою очередь, сегментация экземпляров позволяет точно идентифицировать отдельные объекты в штабеле, очерчивая каждый объект на уровне пикселей. Это упрощает разделение перекрывающихся или плотно расположенных объектов. В ситуациях, где выравнивание имеет критическое значение, для оценки положения грузов можно использовать ориентированные ограничивающие рамки, которые позволяют точнее учитывать их углы и ориентацию.

Аналогично, классификацию изображений можно использовать для анализа общего состояния паллеты или сцены и присвоения таких меток, как «устойчивая», «неустойчивая» или «поврежденная». Оценка позы, в свою очередь, сосредоточена на обнаружении ключевых точек для отслеживания положения и движения сотрудников или оборудования, что позволяет понять, как они взаимодействуют с паллетами, и выявить потенциально небезопасные действия.

Как Ultralytics YOLO26 обеспечивает укладку паллет в реальных условиях#

Ultralytics YOLO26 доступна как предварительно обученная модель, готовая к использованию. Иными словами, она уже обучена на больших наборах данных и может распознавать распространенные объекты без необходимости создавать модель с нуля.

Однако складские условия имеют свои особенности: разные типы паллет, схемы укладки, состояния грузов и несоответствия реального мира. Именно здесь становится особенно полезной возможность дообучать модели Ultralytics YOLO, такие как YOLO26, на пользовательских данных.

Обучение модели на данных, характерных для конкретного склада, помогает ей лучше понимать эти различия и выдавать более точные и надежные результаты. Процесс начинается со сбора изображений и видеокадров на территории складов, отражающих различные условия укладки в разных средах.

Затем эти изображения размечают (добавляют метки), например рисуя ограничивающие рамки (прямоугольники) вокруг паллет или отмечая области неустойчивости. После подготовки набора данных на основе размеченных данных Ultralytics YOLO26 можно обучить на этих примерах из реального мира, адаптировав модель к различиям в планировке, освещении и операциях.

Обучение можно выполнять с помощью пакета Ultralytics для Python, который предоставляет встроенные инструменты для загрузки данных, обучения моделей и запуска предсказаний с помощью кода, или через Ultralytics Platform — комплексную платформу компьютерного зрения, объединяющую управление данными, разметку, обучение и развертывание в одном месте.

Упрощение обучения моделей с помощью Ultralytics Platform#

Управление рабочими процессами компьютерного зрения — от подготовки и разметки набора данных до обучения, оценки и развертывания — может быть сложным. Ultralytics Platform решает эту проблему, объединяя все этапы в одной среде.

Например, пользователи могут организовать и разметить изображения, полученные на складах, а затем использовать их для обучения моделей на сценариях из реального мира. Благодаря этому модели учатся распознавать паллеты при разных планировках, условиях освещения и стилях укладки, что повышает их точность и надежность в реальных операциях.

Рис. 3. Пример набора данных в Ultralytics Platform (Источник)

После обучения модели можно протестировать на новых, ранее не использовавшихся изображениях с помощью встроенной вкладки Predict, чтобы проверить их производительность до развертывания.

После проверки модели можно развернуть разными способами через Ultralytics Platform в зависимости от сценария использования: например, использовать общий инференс для разработки и тестирования, выделенные конечные точки для развертывания в рабочей среде или экспортировать модели для запуска во внешних системах или на периферийных устройствах.

Что учитывать при размещении камер для точного обнаружения#

При создании системы мониторинга паллет на основе компьютерного зрения размещение камер может напрямую влиять на надежность обнаружения проблем с укладкой. Правильная конфигурация помогает эффективнее автоматизировать системы мониторинга.

Рис. 4. Пример использования камеры над головой для мониторинга работы на складе (Источник)

Вот несколько практических рекомендаций по размещению камер:

• Вид стеллажей спереди: Камеры, направленные на стеллажи для паллет, могут охватывать всю высоту штабелей, упрощая обнаружение чрезмерной укладки и наклоняющихся грузов.
• Наклонные ракурсы для оценки глубины и наклона: Наклонные ракурсы камер, обычно около 30–45°, обеспечивают лучшую видимость глубины, наклона и зазоров внутри штабелей, которые могут быть не видны при прямом ракурсе.
• Вид сверху для плотных зон: Вид сверху полезен в тесно заставленных зонах, где боковой обзор может быть перекрыт, а различать отдельные паллеты становится сложнее.
• Точки контроля входа и выхода: Камеры, размещенные рядом с конвейерами и погрузочными зонами, могут фиксировать паллеты до и после перемещения, помогая отслеживать изменения устойчивости во время транспортировки.
• Зоны взаимодействия с вилочными погрузчиками: Мониторинг зон погрузки и выгрузки рядом с маршрутами вилочных погрузчиков помогает оценивать устойчивость грузов при перемещении, когда часто возникают различные проблемы.

Применение визуального ИИ для укладки паллет в реальных условиях#

Далее рассмотрим несколько практических примеров того, как визуальный ИИ используется на складах для выявления и устранения распространенных проблем с укладкой паллет.

Выявление нарушений высоты штабелей в зонах хранения#

Ограничения по высоте штабелей определяют, насколько высоко можно безопасно укладывать паллеты, особенно в зонах хранения, где паллеты размещают близко друг к другу, чтобы максимально использовать доступное пространство. Эти ограничения помогают предотвращать неустойчивость грузов и сохранять безопасное расстояние от стеллажей для паллет и расположенных над ними систем, таких как спринклеры.

Однако в периоды высокой нагрузки, например при приемке больших объемов товаров, эти ограничения могут нарушаться. Чтобы тщательнее контролировать такие ситуации, модели вроде Ultralytics YOLO26 могут анализировать видеопотоки с камер, обнаруживать и подсчитывать отдельные паллеты, а также отслеживать рост штабеля с течением времени.

Отслеживая количество и положение обнаруженных паллет, система на основе компьютерного зрения может оценить общую высоту штабеля и определить, когда она приближается к безопасному пределу или превышает его. Это позволяет сотрудникам склада заранее увидеть потенциальные проблемы и изменить укладку или перераспределить грузы до того, как они станут угрозой безопасности.

Выявление дисбаланса груза и наклоняющихся конструкций#

Даже если паллету уложили на правильную высоту, но неправильно сбалансировали, она все равно может стать неустойчивой. Неравномерное распределение веса, неплотно уложенные коробки или небольшое смещение могут со временем привести к постепенному наклону загруженной паллеты.

Сначала эти изменения часто бывают незаметными и могут не выявляться при обычных проверках. Однако с помощью моделей компьютерного зрения, таких как Ultralytics YOLO26, эти проверки можно выполнять непрерывно по видеопотокам с камер.

Например, поддержка ориентированных ограничивающих рамок (OBB) в Ultralytics YOLO26 позволяет легко фиксировать угол и ориентацию каждой паллеты или коробки, а не только их положение. Отслеживая эти ориентации с течением времени, модель может обнаруживать небольшие смещения, например легкие наклоны или изменения выравнивания.

Если эти углы начинают отклоняться от вертикального положения или становятся неодинаковыми на разных слоях, это может указывать на то, что штабель начинает наклоняться. При раннем обнаружении дисбаланс можно исправить до того, как он усугубится.

Преимущества и недостатки использования визуального ИИ для безопасной укладки паллет#

Вот несколько ключевых преимуществ использования систем на основе компьютерного зрения для укладки паллет:

• Видимость операций в реальном времени: Системы компьютерного зрения обеспечивают непрерывный мониторинг состояния паллет, упрощая соблюдение стандартов OSHA и правил правильной укладки.
• Улучшенное отслеживание инцидентов: Записанные визуальные данные можно просмотреть позже, чтобы понять, когда и как возникла проблема.
• Интеграция с существующими системами: Модели компьютерного зрения можно подключить к системам управления складом или оповещения, чтобы запускать уведомления или рабочие процессы.
• Масштабируемый мониторинг зон: Передовые модели компьютерного зрения можно развернуть в нескольких зонах склада, обеспечивая единообразную видимость даже на крупных или распределенных объектах.

Использование визуального ИИ для укладки паллет дает множество преимуществ, но важно учитывать и следующие ограничивающие факторы:

• Чувствительность к условиям среды: Освещение, тени и препятствия могут влиять на четкость изображения штабелей паллет.
• Зависимость от правильной настройки: Для получения надежных результатов необходимы тщательно спланированное размещение камер и достаточный охват ключевых операционных зон.
• Снижение производительности модели: Изменения в планировке склада, освещении или операциях могут потребовать периодического обновления или повторного обучения модели.
• Обслуживание камер: Для стабильной работы камерам могут требоваться регулярная очистка, калибровка и проверки.

Основные выводы#

Небезопасная укладка паллет обычно не становится проблемой сразу. Она развивается со временем из-за небольших смещений и перемещения грузов. Непрерывный визуальный мониторинг помогает выявлять такие незаметные изменения на раннем этапе и вовремя принимать меры, пока проблемы не усугубились. Модели вроде Ultralytics YOLO26 помогают в этом, обеспечивая быстрое обнаружение в реальном времени.

Хочешь узнать больше о визуальном ИИ? Посети наш репозиторий на GitHub, чтобы узнать больше. Присоединяйся к нашему сообществу и изучай такие применения, как ИИ в логистике и визуальный ИИ в розничной торговле. Ознакомься с нашими вариантами лицензирования, чтобы начать!