Обнаружение небезопасной укладки палет с помощью Ultralytics YOLO26

Безопасность играет ключевую роль в работе складов. Неустойчивые палеты, падающие грузы и загроможденные проходы могут привести к повреждению товаров, сбоям в рабочих процессах и серьезным травмам работников.

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

Даже небольшие отклонения могут привести к серьезным рискам. Небольшой наклон, неравномерное распределение веса или недостаточно надежно закрепленный груз могут сделать палету неустойчивой. Отсутствие стрейч-пленки или неправильное расположение груза дополнительно снижает устойчивость, повышая вероятность повреждения товаров и несчастных случаев на рабочем месте.

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

Такие организации, как Управление по охране труда (OSHA), разрабатывают рекомендации по безопасному хранению и перемещению материалов. В этих рекомендациях подчеркивается важность устойчивости грузов, соблюдения безопасных предельных нагрузок и правильных методов перемещения, позволяющих предотвратить такие опасности, как падение или обрушение штабелей.

Однако постоянно соблюдать эти стандарты на быстро меняющихся складах непросто. В течение дня палеты перемещают, перекладывают и обрабатывают. Поэтому трудно в реальном времени контролировать состояние каждого груза и вовремя замечать первые признаки неустойчивости.

Более эффективный подход — использовать компьютерное зрение. Эта область ИИ позволяет машинам интерпретировать и анализировать визуальные данные изображений и видеопотоков. С помощью моделей визуального ИИ, таких как Ultralytics YOLO26, склады могут в реальном времени отслеживать состояние палет и заранее обнаруживать неустойчивые конструкции, чтобы сотрудники могли принять меры до усугубления проблемы.

В этой статье мы рассмотрим риски, связанные с небезопасной укладкой палет, и расскажем, как системы на основе компьютерного зрения помогают обнаруживать и предотвращать такие ситуации. Начнем!

Влияние укладки палет на безопасность склада#

Палеты рассчитаны на определённый вес и устойчивую укладку в штабели. При перегрузке или неправильном распределении груза устойчивость начинает снижаться.

Даже небольшие смещения при укладке могут со временем накапливаться и повышать риск падения груза при перемещении. Такие проблемы обычно возникают в условиях интенсивной работы, когда палеты постоянно загружают, перемещают и укладывают заново. То, что сначала кажется незначительной ошибкой, постепенно может повлиять на распределение веса и привести к неустойчивости штабеля.

Это также влияет на повседневную работу. Если палету нужно поправить во время погрузки или транспортировки, это может замедлить процесс и вызвать задержки. Проблема становится заметнее при перемещении грузов, особенно если используются вилочные погрузчики и гидравлические тележки.

Поскольку такое оборудование постоянно движется, работа с неустойчивыми грузами делает даже обычные задачи более рискованными. Это может привести к повреждению товаров, сбоям в рабочих процессах или перегрузке.

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

Проблемы традиционных методов проверки палет#

Большинство складов полагается на ручную проверку палет, которая часто проводится с учётом стандартов OSHA, правил безопасности и контрольных списков. Эти методы помогают обеспечивать безопасность палет и правильную укладку, но в условиях интенсивной работы их трудно применять последовательно.

Одно из главных ограничений заключается в том, что проверка отражает ситуацию лишь в конкретный момент. На складе непрерывно ведутся погрузка, перемещение и повторная укладка, но проверка показывает только то, как выглядит штабель в момент осмотра. Поэтому сложно обнаружить проблемы, возникающие между проверками, например постепенное смещение, сдвиг груза или первые признаки неустойчивости.

Некоторые проблемы также сложнее заметить при обычной проверке. Повреждённые палеты, сломанные доски или небольшие щепки могут остаться незамеченными, хотя они ослабляют конструкцию и влияют на устойчивость груза при перемещении.

Масштаб работы создаёт дополнительные трудности. На больших складах сложно регулярно проверять все зоны, особенно палетные стеллажи и участки конвейеров. Из-за таких пробелов в охвате сложнее постоянно соблюдать правила безопасности и обеспечивать устойчивую укладку палет во всех рабочих зонах.

Роль визуального ИИ в складских операциях#

Склады начинают внедрять системы компьютерного зрения для мониторинга повседневной работы. Такие системы обучаются на больших массивах размеченных изображений и могут непрерывно отслеживать характеристики палет 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 палет и грузов в складских помещениях.

В частности, обнаружение объектов можно использовать для определения местоположения палет, коробок и погрузочного оборудования в проходах и зонах хранения. Благодаря этому системы могут отслеживать расположение и перемещение материалов.

Рис. 2. Обнаружение штабеля коробок с помощью модели Ultralytics YOLO (Источник)

Между тем, сегментация экземпляров позволяет точно определять отдельные предметы в штабеле, очерчивая каждый объект на уровне пикселей. Так проще отделять перекрывающиеся или расположенные близко друг к другу предметы. Если выравнивание критически важно, для оценки положения грузов можно использовать ориентированные ограничивающие рамки, которые позволяют точнее учитывать углы и ориентацию.

Аналогичным образом, классификацию изображений можно использовать для оценки общего состояния палеты или сцены и присвоения меток, например «устойчивая», «неустойчивая» или «повреждённая». Оценка позы позволяет обнаруживать ключевые точки и отслеживать положение и движение работников или оборудования. Это помогает понять, как они взаимодействуют с палетами, и выявить потенциально небезопасные действия при погрузке.

Как Ultralytics YOLO26 помогает решать задачи укладки палет в реальных условиях#

Ultralytics YOLO26 доступна в готовом виде как предварительно обученная модель. Иными словами, модель уже обучена на больших наборах данных и может распознавать распространённые объекты без необходимости создавать её с нуля.

Однако условия на складах имеют свои особенности: различаются типы палет, схемы укладки, состояние грузов и реальные условия работы. Поэтому возможность дообучить модели Ultralytics YOLO, например YOLO26, особенно полезна.

Обучение модели на данных, характерных для конкретного склада, помогает ей лучше учитывать эти различия и выдавать более точные и надёжные результаты. Для этого собирают изображения и видеокадры в складских помещениях, фиксируя разные варианты укладки в различных условиях.

Затем эти изображения размечают (добавляют метки), например рисуют ограничивающие рамки (прямоугольники) вокруг палет или отмечают зоны неустойчивости. После подготовки набора данных на размеченных материалах можно обучить Ultralytics YOLO26, адаптировав модель к различиям в планировке, освещении и рабочих процессах.

Обучать модель можно с помощью пакета Ultralytics для Python, который включает инструменты для загрузки данных, обучения моделей и выполнения предсказаний с помощью кода, или через Ultralytics Platform — комплексную платформу компьютерного зрения, объединяющую управление данными, разметку, обучение и развёртывание в одном месте.

Упрощение обучения моделей с помощью Ultralytics Platform#

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

Например, пользователи могут упорядочивать и размечать изображения со складов, а затем использовать их для обучения моделей на реальных сценариях. Благодаря этому модели учатся распознавать палеты при разной планировке, освещении и способах укладки, что повышает их точность и надёжность в реальных условиях.

Рис. 3. Набор данных в Ultralytics Platform (Источник)

После обучения модели можно проверить на новых изображениях, которые не встречались ей ранее, с помощью встроенной вкладки Predict. Так ты сможешь оценить качество модели до развёртывания.

После проверки модели можно развернуть разными способами через Ultralytics Platform в зависимости от задачи: использовать общий доступ к инференсу для разработки и тестирования, выделенные конечные точки для промышленного развёртывания или экспортировать модели для запуска во внешних системах и на периферийных устройствах.

Как правильно разместить камеры для точного обнаружения#

При создании системы визуального мониторинга палет расположение камер напрямую влияет на то, насколько надёжно фиксируются проблемы с укладкой. Правильная установка камер помогает эффективнее автоматизировать мониторинг.

Рис. 4. Пример использования камеры над складом для наблюдения за рабочими процессами (Источник)

Вот несколько практических рекомендаций по размещению камер:

• Вид на стеллажи спереди: Камеры, направленные на палетные стеллажи, могут охватывать штабели по всей высоте, упрощая обнаружение чрезмерной высоты штабеля и наклонённых грузов.
• Съёмка под углом для оценки глубины и наклона: Камеры, установленные под углом, обычно около 30–45°, позволяют лучше видеть глубину, наклон и зазоры в штабелях, которые могут быть незаметны при съёмке прямо спереди.
• Съёмка сверху в зонах плотного хранения: Вид сверху полезен в тесно заставленных зонах, где обзор сбоку может быть перекрыт, а различать отдельные палеты сложнее.
• Мониторинг точек входа и выхода: Камеры рядом с конвейерными лентами и доками могут фиксировать палеты до и после перемещения и помогать отслеживать изменения устойчивости при перевозке.
• Зоны взаимодействия с вилочными погрузчиками: Мониторинг мест погрузки и разгрузки вдоль маршрутов погрузчиков позволяет оценивать устойчивость грузов при перемещении — именно тогда часто возникают проблемы.

Применение визуального ИИ для укладки палет в реальных условиях#

Рассмотрим несколько практических примеров того, как визуальный ИИ помогает обнаруживать и устранять распространённые проблемы с укладкой палет на складах.

Обнаружение превышения допустимой высоты штабеля в зонах хранения#

Ограничения по высоте определяют, насколько высоко можно безопасно укладывать палеты, особенно в зонах хранения, где палеты ставят близко друг к другу, чтобы эффективнее использовать доступное пространство. Эти ограничения помогают предотвращать неустойчивость грузов и сохранять безопасный зазор вокруг палетных стеллажей и расположенных над ними систем, например спринклеров.

Однако в периоды высокой загрузки, например при большом объёме поступающих грузов, эти ограничения могут нарушаться. Чтобы внимательнее следить за такими ситуациями, модели вроде Ultralytics YOLO26 могут анализировать видеопотоки с камер, обнаруживать и подсчитывать отдельные палеты, а также отслеживать, как со временем растёт штабель.

Отслеживая количество и положение обнаруженных палет, система компьютерного зрения может оценить общую высоту штабеля и определить, приближается ли она к допустимому пределу или превышает его. Это позволяет сотрудникам склада заранее замечать потенциальные проблемы и корректировать укладку или перераспределять грузы до того, как возникнет угроза безопасности.

Обнаружение неравномерного распределения груза и наклона штабелей#

Даже если палеты уложены на допустимую высоту, неправильное распределение груза может сделать штабель неустойчивым. Неравномерно распределённый вес, неплотно уложенные коробки или небольшое смещение могут со временем привести к наклону загруженной палеты.

Сначала эти изменения обычно незаметны и могут остаться без внимания при обычной проверке. Но модели компьютерного зрения, например Ultralytics YOLO26, позволяют непрерывно проводить такие проверки по видеопотокам с камер.

Например, поддержка ориентированных ограничивающих рамок (OBB) в Ultralytics YOLO26 позволяет учитывать угол и ориентацию каждой палеты или коробки, а не только их положение. Отслеживая ориентацию со временем, модель может обнаруживать небольшие изменения, например лёгкий наклон или смещение.

Если углы начинают отклоняться от вертикали или различаться между слоями, это может указывать на то, что штабель начинает наклоняться. Раннее обнаружение дисбаланса позволяет устранить его до того, как ситуация усугубится.

Плюсы и минусы использования визуального ИИ для безопасной укладки палет#

Вот несколько основных преимуществ использования систем компьютерного зрения для укладки палет:

• Мониторинг всех операций в реальном времени: Системы компьютерного зрения могут непрерывно отслеживать состояние палет, упрощая соблюдение стандартов OSHA и правил правильной укладки.
• Удобное 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 и рабочие процессы.
• Масштабируемый мониторинг разных зон: Передовые модели компьютерного зрения можно развернуть в нескольких зонах склада, обеспечив одинаково полный контроль даже на крупных и распределённых объектах.

Несмотря на множество преимуществ визуального ИИ для укладки палет, важно учитывать и следующие ограничения:

• Чувствительность к условиям среды: Освещение, тени и препятствия могут влиять на чёткость изображения штабелей палет.
• Зависимость от правильной настройки: Для надёжных результатов необходимо тщательно спланировать размещение камер и обеспечить достаточный охват ключевых рабочих зон.
• Снижение качества работы модели: Изменения планировки склада, освещения или рабочих процессов могут потребовать периодического обновления или повторного обучения модели.
• Обслуживание камер: Для стабильной работы камеры может потребоваться регулярно чистить, калибровать и проверять.

Главные выводы#

Небезопасная укладка палет обычно не становится проблемой сразу. Она развивается постепенно из-за небольших смещений и сдвигов груза. Непрерывный визуальный мониторинг помогает рано замечать такие изменения и принимать меры до того, как проблема усугубится. Модели вроде Ultralytics YOLO26 помогают в этом благодаря быстрому обнаружению в реальном времени.

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