Обнаружение небезопасной укладки поддонов с помощью Ultralytics YOLO26

Безопасность имеет решающее значение в складских операциях. Неустойчивые поддоны, падающие грузы и заблокированные проходы могут привести к повреждению продукции, сбоям в рабочих процессах и серьезным травмам у работников.

В частности, штабелирование поддонов играет ключевую роль в поддержании безопасного и эффективного функционирования склада. Это напрямую влияет на стабильность грузов, простоту перемещения материалов по пространству и безопасность работы персонала.

Даже небольшие несоответствия могут создавать серьезные риски. Легкий наклон, неравномерное распределение веса или слабо закрепленный груз могут сделать поддоны неустойчивыми. Отсутствие термоусадочной пленки или плохая центровка могут еще больше снизить стабильность, увеличивая вероятность повреждения продукции или несчастных случаев на рабочем месте.

Рис 1. Склад — это динамичное пространство, где рабочие постоянно перемещают и штабелируют поддоны. (Источник)

Для предотвращения подобных проблем организации, такие как Управление по охране труда (OSHA), предоставляют рекомендации по безопасному хранению и обработке материалов. Эти правила безопасности подчеркивают важность поддержания устойчивости грузов, соблюдения безопасных пределов нагрузки и следования надлежащим методам обработки для предотвращения таких опасностей, как падение или обрушение штабелей.

Однако последовательное применение этих стандартов в условиях быстро развивающейся складской среды не всегда легко. Поддоны обычно перемещаются, перекладываются и обрабатываются в течение дня. Это затрудняет мониторинг состояния каждого груза в режиме реального времени или выявление ранних признаков неустойчивости.

Более эффективный подход — использование компьютерного зрения. Как направление ИИ, оно позволяет машинам интерпретировать и анализировать визуальные данные из изображений и видеопотоков. С помощью моделей компьютерного зрения, таких как Ultralytics YOLO26, склады могут отслеживать состояние поддонов в режиме реального времени и обнаруживать неустойчивые конфигурации на ранних этапах, позволяя командам реагировать до того, как проблемы обострятся.

В этой статье мы рассмотрим риски, связанные с небезопасным штабелированием поддонов, и то, как системы на базе компьютерного зрения могут помочь в их обнаружении и предотвращении. Давай начнем!

Link to this sectionВлияние штабелирования поддонов на безопасность склада#

Поддоны спроектированы так, чтобы выдерживать определенный вес и штабелироваться устойчивым образом. Когда они перегружены или неправильно сбалансированы, эта стабильность начинает нарушаться.

Даже небольшие перекосы при штабелировании могут накапливаться со временем и увеличивать вероятность отказа груза во время погрузочно-разгрузочных работ. Эти проблемы обычно возникают в динамичных средах, где поддоны постоянно загружаются, перемещаются и перекладываются. То, что сначала кажется незначительными ошибками, может постепенно повлиять на распределение веса и привести к неустойчивым штабелям.

Это также влияет на повседневные операции. Если поддон необходимо поправить во время погрузки или транспортировки, это может замедлить работу и вызвать задержки. Проблема становится более заметной во время обработки, особенно при использовании вилочных погрузчиков и гидравлических тележек.

Поскольку такое оборудование всегда находится в движении, работа с неустойчивыми грузами делает даже рутинные задачи более рискованными. Это может привести к повреждению товаров, сбоям в рабочем процессе или перегрузкам.

В более серьезных случаях это может привести к травмам работников и затронуть всю цепочку поставок, увеличивая как операционные, так и финансовые издержки.

Link to this sectionПроблемы с традиционными методами проверки поддонов#

Большинство складов полагаются на ручные процессы проверки поддонов, часто руководствуясь стандартами OSHA, правилами техники безопасности и контрольными списками. Эти методы поддерживают безопасность поддонов и надлежащие методы штабелирования, но они ограничены в том, насколько последовательно их можно применять в условиях загруженной среды.

Одним из ключевых ограничений является то, что проверки фиксируют лишь момент времени. Складские операции включают непрерывную погрузку, перемещение и перекладывание, но проверки фиксируют состояние штабеля только в момент проверки. Это затрудняет выявление проблем, развивающихся между проверками, таких как постепенное смещение, сдвиг груза или ранние признаки неустойчивости.

Некоторые проблемы также труднее заметить при рутинных проверках. Поврежденные поддоны, сломанные доски или мелкие щепки могут остаться незамеченными, даже если они ослабляют конструкцию и влияют на стабильность груза при перемещении.

Масштабируемость добавляет еще один уровень сложности. На крупных складах трудно поддерживать регулярные проверки во всех зонах, особенно в зонах стеллажей и конвейеров. Эти пробелы в охвате затрудняют последовательное соблюдение правил безопасности и обеспечение стабильного штабелирования поддонов по всей территории.

Link to this sectionРоль компьютерного зрения в складских операциях#

Склады начинают внедрять системы компьютерного зрения, которые могут контролировать повседневные операции. Эти системы обучаются на больших объемах размеченных изображений и могут непрерывно отслеживать детали конкретных поддонов в разных зонах хранения.

Например, передовые модели компьютерного зрения, такие как YOLO26, поддерживают задачи зрения, такие как обнаружение объектов, классификация изображений, обнаружение ориентированных ограничивающих рамок (OBB), оценка позы и сегментация экземпляров, которые могут помочь проанализировать, как поддоны и грузы расположены в складских помещениях.

В частности, обнаружение объектов может использоваться для идентификации и локализации поддонов, коробок и погрузочно-разгрузочного оборудования в проходах и зонах хранения. Это позволяет системам отслеживать, как материалы размещаются и перемещаются.

Рис 2. Использование модели Ultralytics YOLO для обнаружения штабелированных коробок (Источник)

Тем временем сегментация экземпляров позволяет точно идентифицировать отдельные предметы внутри штабеля, обводя каждый объект на уровне пикселей. Это упрощает отделение перекрывающихся или плотно упакованных предметов. В ситуациях, где выравнивание имеет решающее значение, ориентированные ограничивающие рамки могут использоваться для оценки того, как расположены грузы, более точно фиксируя их углы и ориентацию.

Аналогично, классификация изображений может использоваться для анализа общего состояния поддона или сцены и присвоения меток, таких как «стабильный», «неустойчивый» или «поврежденный». Также оценка позы фокусируется на обнаружении ключевых точек для отслеживания положения и движений рабочих или оборудования, что позволяет понять, как они взаимодействуют с поддонами, и выявить потенциально небезопасную обработку.

Link to this sectionКак YOLO26 позволяет штабелировать поддоны в реальных условиях#

Готовая к использованию модель Ultralytics YOLO26 доступна как предварительно обученная. Другими словами, она уже была обучена на больших наборах данных, поэтому может распознавать обычные объекты без необходимости создания с нуля.

Однако складские условия привносят свои нюансы, такие как различные типы поддонов, схемы штабелирования, условия нагрузки и реальные несоответствия. Именно здесь становится ценной возможность дообучения моделей Ultralytics YOLO, таких как YOLO26.

Обучение модели на данных, специфичных для склада, позволяет ей лучше понимать эти вариации и предоставлять более точные и надежные результаты. Этот процесс начинается со сбора изображений и видеокадров со складских площадок, фиксируя различные условия штабелирования в различных средах.

Затем эти изображения аннотируются (добавляются метки), например, путем рисования ограничивающих рамок (прямоугольных рамок) вокруг поддонов или маркировки областей неустойчивости. После того как набор данных подготовлен с использованием аннотированных данных, YOLO26 можно обучить на этих реальных примерах, адаптируя её к вариациям в планировке, освещении и операциях.

Обучение может быть выполнено либо с использованием пакета Ultralytics Python, который предоставляет встроенные инструменты для загрузки данных, обучения моделей и выполнения предсказаний с помощью кода, либо через Ultralytics Platform, комплексную платформу компьютерного зрения, которая объединяет управление данными, аннотирование, обучение и развертывание в одном месте.

Link to this sectionУпрощение обучения моделей с помощью Ultralytics Platform#

Управление рабочими процессами компьютерного зрения, от подготовки и аннотирования наборов данных до обучения, оценки и развертывания, может быть сложным. Ultralytics Platform решает эту задачу, объединяя эти шаги в единую среду.

Например, ты можешь систематизировать и маркировать данные изображений со складских помещений и использовать их для обучения моделей на реальных сценариях. Это позволяет моделям узнавать, как выглядят поддоны при разных планировках, условиях освещения и стилях штабелирования, делая их более точными и надежными в реальных операциях.

Рис 3. Взгляд на набор данных в Ultralytics Platform (Источник)

После обучения модели можно протестировать на новых, не виденных ранее изображениях с помощью встроенной вкладки Predict для проверки производительности перед развертыванием.

После валидации модели можно развернуть различными способами через Ultralytics Platform, в зависимости от варианта использования, включая общий вывод для разработки и тестирования, выделенные конечные точки для производственного развертывания или путем экспорта моделей для запуска во внешних системах или периферийных устройствах.

Link to this sectionРекомендации по размещению камер для точного обнаружения#

Когда ты создаешь систему мониторинга поддонов на базе компьютерного зрения, размещение камер может напрямую влиять на то, насколько надежно будут фиксироваться проблемы со штабелированием. Правильная настройка поддерживает более эффективную автоматизацию систем мониторинга.

Рис 4. Пример использования потолочной камеры для мониторинга складских операций (Источник)

Вот несколько практических соображений по размещению камер:

• Виды спереди стеллажей: Камеры, расположенные напротив стеллажей, могут фиксировать полную высоту штабелей, облегчая наблюдение за превышением высоты штабелирования и наклоном грузов.
• Угловые виды для глубины и наклона: Угловые виды камер, обычно под углом 30–45°, могут обеспечить лучшую видимость глубины, наклона и зазоров внутри штабелей, которые могут быть не видны при прямом угле обзора.
• Потолочные виды для плотных зон: Виды сверху полезны в плотно упакованных зонах, где боковые виды могут быть затруднены, а различение отдельных поддонов становится более сложной задачей.
• Точки мониторинга входа и выхода: Камеры, расположенные рядом с конвейерными лентами и зонами погрузки, могут фиксировать поддоны до и после перемещения, помогая отслеживать изменения стабильности во время транспортировки.
• Зоны взаимодействия с погрузчиками: Мониторинг зон погрузки и выгрузки рядом с путями движения вилочных погрузчиков может дать представление о стабильности груза во время обработки, где чаще всего возникают проблемы.

Link to this sectionРеальные применения компьютерного зрения при штабелировании поддонов#

Далее давай разберем несколько практических примеров того, как компьютерное зрение используется на складах для обнаружения и устранения распространенных проблем при штабелировании поддонов.

Link to this sectionОбнаружение нарушений высоты штабелирования в зонах хранения#

Лимиты высоты штабелирования определяют, насколько высоко можно безопасно строить штабели поддонов, особенно в зонах хранения, где поддоны ставятся близко друг к другу для максимального использования доступного пространства. Эти ограничения помогают предотвратить неустойчивость грузов и поддерживать безопасный зазор вокруг стеллажей и потолочных систем, таких как спринклеры.

Однако эти лимиты могут быть превышены в периоды высокой загрузки, например, при интенсивных входящих операциях. Чтобы внимательнее следить за такой деятельностью, модели, такие как YOLO26, могут анализировать видеопотоки камер, обнаруживать и подсчитывать отдельные поддоны и отслеживать, как штабель растет со временем.

Отслеживая количество и положение обнаруженных поддонов, система с поддержкой компьютерного зрения может оценить общую высоту штабеля и определить, когда она приближается к безопасным пределам или превышает их. Это дает складским операторам раннее понимание потенциальных проблем, позволяя им скорректировать штабелирование или перераспределить грузы до того, как они станут угрозой безопасности.

Link to this sectionИдентификация дисбаланса груза и наклоняющихся конструкций#

Когда поддон штабелирован на нужную высоту, но не сбалансирован должным образом, он все равно может стать неустойчивым. Неравномерное распределение веса, неплотно уложенные коробки или легкий перекос могут со временем привести к тому, что загруженный поддон начнет наклоняться.

Эти изменения часто незаметны поначалу и могут быть не очевидны при рутинных проверках. Но с помощью моделей компьютерного зрения, таких как YOLO26, эти проверки можно выполнять непрерывно, используя потоки камер.

Например, поддержка ориентированных ограничивающих рамок (OBB) в YOLO26 упрощает фиксацию угла и ориентации каждого поддона или коробки, а не просто их положения. Отслеживая эти ориентации со временем, модель может обнаружить небольшие сдвиги, такие как легкие наклоны или изменения в выравнивании.

По мере того как эти углы начинают отклоняться от вертикального положения или становятся несогласованными по уровням, это может указывать на то, что штабель начинает наклоняться. Когда дисбаланс обнаруживается на ранней стадии, его можно исправить до того, как проблема обострится.

Link to this sectionПлюсы и минусы использования компьютерного зрения для безопасного штабелирования поддонов#

Вот некоторые из ключевых преимуществ использования систем на базе зрения для штабелирования поддонов:

• Видимость операций в реальном времени: Системы зрения могут обеспечить непрерывный мониторинг состояния поддонов, облегчая соблюдение стандартов OSHA и правильных методов штабелирования.
• Лучшее отслеживание инцидентов: Записанные визуальные данные можно пересмотреть позже, чтобы понять, когда и как возникла проблема.
• Интеграция с существующими системами: Модели компьютерного зрения можно подключить к системам управления складом или системам оповещения для запуска уведомлений или рабочих процессов.
• Масштабируемый мониторинг по зонам: Передовые модели зрения могут быть развернуты в нескольких складских зонах, обеспечивая стабильную видимость даже на крупных или распределенных объектах.

Хотя использование компьютерного зрения для штабелирования поддонов предлагает множество преимуществ, вот несколько ограничивающих факторов, которые стоит учитывать:

• Чувствительность к окружающей среде: Условия освещения, тени и препятствия могут влиять на четкость захвата штабелей поддонов.
• Зависимость от правильной настройки: Надежные результаты требуют хорошо спланированного размещения камер и адекватного охвата ключевых операционных зон.
• Дрейф производительности модели: Изменения в планировке склада, освещении или операциях могут потребовать периодического обновления или переобучения модели.
• Обслуживание камер: Камеры могут требовать регулярной очистки, калибровки и проверок для обеспечения стабильной производительности.

Link to this sectionКлючевые выводы#

Небезопасное штабелирование поддонов обычно не становится проблемой мгновенно. Оно накапливается со временем из-за небольших перекосов и смещений грузов. С непрерывным визуальным мониторингом эти едва заметные изменения можно заметить на ранней стадии, что облегчает принятие мер до того, как проблемы обострятся. Модели, такие как YOLO26, поддерживают это, обеспечивая быстрое обнаружение в режиме реального времени.

Хочешь подробнее изучить компьютерное зрение? Посети наш GitHub репозиторий, чтобы узнать больше. Присоединяйся к нашему сообществу и изучай такие приложения, как ИИ в логистике и компьютерное зрение в ритейле. Ознакомься с нашими вариантами лицензирования, чтобы начать!