Ultralytics YOLO26 ile güvenli olmayan palet istiflemelerini tespit etme

Depo operasyonları söz konusu olduğunda güvenlik kritik önem taşır. Dengesiz paletler, düşen yükler ve kapanan koridorlar ürün hasarına, iş akışında aksamalara ve çalışanların ciddi şekilde yaralanmasına yol açabilir.

Özellikle palet istifleme, güvenli ve verimli bir deponun sürdürülmesinde önemli bir rol oynar. Yüklerin ne kadar dengeli olduğu, malzemelerin alanda ne kadar kolay hareket ettiği ve çalışanların ne kadar güvenli çalışabildiği üzerinde doğrudan etkilidir.

Küçük tutarsızlıklar bile daha büyük riskler oluşturabilir. Hafif bir eğim, ağırlığın dengesiz dağılması veya gevşek şekilde sabitlenmiş bir yük paletleri dengesiz hâle getirebilir. Streç filmin eksik olması ya da kötü hizalama, dengeyi daha da zayıflatarak ürün hasarı veya iş kazası olasılığını artırabilir.

Şekil 1. Depo, çalışanların sürekli palet taşıdığı ve istiflediği dinamik bir alandır. (Kaynak)

Bu tür sorunları önlemek için İş Sağlığı ve Güvenliği İdaresi (OSHA) gibi kuruluşlar, malzemelerin güvenli şekilde depolanması ve taşınmasına yönelik kılavuzlar sunar. Bu güvenlik kılavuzları; yüklerin dengesinin korunmasını, güvenli yük sınırları içinde kalınmasını ve düşen veya çöken istifler gibi tehlikeleri önlemek için uygun taşıma uygulamalarına uyulmasını vurgular.

Ancak bu standartları hızlı hareket edilen depo ortamlarında tutarlı şekilde uygulamak her zaman kolay değildir. Paletler genellikle gün boyunca taşınır, yeniden istiflenir ve elleçlenir. Bu durum, her yükün koşulunu gerçek zamanlı olarak izlemeyi veya dengesizliğin erken belirtilerini yakalamayı zorlaştırır.

Daha etkili bir yaklaşım, bilgisayarlı görü kullanmaktır. Bir yapay zekâ dalı olarak bilgisayarlı görü, makinelerin görüntülerden ve video akışlarından gelen görsel verileri yorumlayıp analiz etmesini sağlar. Ultralytics YOLO26 gibi görsel yapay zekâ modelleriyle depolar paletlerin durumunu gerçek zamanlı olarak izleyebilir ve dengesiz düzenleri erken tespit ederek sorunlar büyümeden ekiplerin müdahale etmesini sağlayabilir.

Bu makalede, güvensiz palet istiflemeyle ilişkili riskleri ve görsel tabanlı sistemlerin bunları tespit edip önlemeye nasıl yardımcı olabileceğini inceleyeceğiz. Hadi başlayalım!

Palet istiflemenin depo güvenliğine etkisi#

Paletler belirli miktarda ağırlık taşımak ve dengeli şekilde istiflenmek üzere tasarlanır. Aşırı yüklendiklerinde veya düzgün dengelenmediklerinde bu denge bozulmaya başlar.

İstifleme sırasında oluşan küçük hizalama hataları bile zamanla birikerek elleçleme sırasında yükün devrilme olasılığını artırabilir. Bu sorunlar genellikle paletlerin sürekli yüklendiği, taşındığı ve yeniden istiflendiği hızlı tempolu ortamlarda ortaya çıkar. Başlangıçta küçük hatalar gibi görünen durumlar, zamanla ağırlık dağılımını etkileyerek dengesiz istiflere yol açabilir.

Bu durum günlük operasyonları da etkiler. Bir paletin yükleme veya taşıma sırasında düzeltilmesi gerekirse işler yavaşlayabilir ve gecikmeler yaşanabilir. Sorun, özellikle forkliftler ve transpaletler kullanıldığında elleçleme sırasında daha belirgin hâle gelir.

Bu ekipmanlar sürekli hareket hâlinde olduğundan, dengesiz yüklerle uğraşmak rutin işleri bile daha riskli hâle getirir. Bu durum ürünlerin hasar görmesine, iş akışında aksamalara veya aşırı yüklemeye yol açabilir.

Daha ciddi durumlarda çalışanların yaralanmasına ve daha geniş tedarik zincirinin etkilenmesine neden olarak hem operasyonel hem de finansal maliyetleri artırabilir.

Geleneksel palet denetim yöntemlerinin zorlukları#

Çoğu depo, genellikle OSHA standartları, güvenlik düzenlemeleri ve denetim kontrol listeleriyle yönlendirilen manuel palet denetim süreçlerine güvenir. Bu yöntemler palet güvenliğini ve doğru istifleme uygulamalarını destekler, ancak yoğun ortamlarda ne kadar tutarlı uygulanabilecekleri konusunda sınırlıdır.

Önemli bir sınırlama, denetimlerin yalnızca belirli bir andaki durumu yakalamasıdır. Depo operasyonları sürekli yükleme, taşıma ve yeniden istiflemeyi içerir; ancak denetimler yalnızca kontrol anında istifin nasıl göründüğünü kaydeder. Bu nedenle kademeli hizalama bozukluğu, kayan yükler veya dengesizliğin erken belirtileri gibi kontroller arasında gelişen sorunları tespit etmek zorlaşır.

Bazı sorunları rutin kontroller sırasında fark etmek de daha zordur. Hasarlı paletler, kırık tahtalar veya küçük kıymıklar gözden kaçabilir; oysa bunlar yapıyı zayıflatabilir ve elleçleme sırasında yük dengesini etkileyebilir.

Ölçek, zorluğu daha da artırır. Büyük depolarda, özellikle palet rafları ve konveyör bölgeleri çevresinde tüm alanlarda düzenli denetimleri sürdürmek zordur. Bu kapsama boşlukları, güvenlik uygulamalarını tutarlı şekilde takip etmeyi ve operasyonlar genelinde istikrarlı palet istiflemesini sağlamayı güçleştirir.

Depo operasyonlarında görsel yapay zekânın rolü#

Depolar, günlük operasyonları izleyebilen bilgisayarlı görü sistemlerini kullanmaya başlıyor. Bu sistemler büyük miktarda etiketlenmiş görüntüden öğrenebilir ve farklı depolama alanlarında paletlere özgü ayrıntıları sürekli olarak takip edebilir.

Örneğin YOLO26 gibi son teknoloji bilgisayarlı görü modelleri; nesne tespiti, görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutu (OBB) tespiti, poz tahmini ve örnek segmentasyonu gibi görsel görevleri destekler. Bu görevler, paletlerin ve yüklerin depo alanlarında nasıl düzenlendiğini analiz etmeye yardımcı olabilir.

Özellikle nesne tespiti, koridorlar ve depolama bölgelerindeki paletleri, kutuları ve elleçleme ekipmanlarını tanımlayıp konumlandırmak için kullanılabilir. Bu sayede sistemler malzemelerin nasıl yerleştirildiğini ve taşındığını takip edebilir.

Şekil 2. İstiflenmiş kutuları tespit etmek için Ultralytics YOLO modelinin kullanılması (Kaynak)

Buna karşılık örnek segmentasyonu, istifteki tek tek nesnelerin her birini piksel düzeyinde çevreleyerek hassas biçimde tanımlamayı sağlar. Bu, üst üste binen veya birbirine çok yakın yerleştirilmiş nesneleri ayırmayı kolaylaştırır. Hizalamanın kritik olduğu durumlarda, yüklerin açılarını ve yönelimlerini daha doğru şekilde yakalamak için yönlendirilmiş sınırlayıcı kutular kullanılabilir.

Benzer şekilde görüntü sınıflandırma, bir paletin veya sahnenin genel durumunu analiz etmek ve “dengeli”, “dengesiz” veya “hasarlı” gibi etiketler atamak için kullanılabilir. Poz tahmini ise çalışanların veya ekipmanların konumunu ve hareketini takip etmek üzere kilit noktaları tespit etmeye odaklanır; böylece bunların paletlerle nasıl etkileşime girdiği anlaşılabilir ve olası güvensiz elleçleme tespit edilebilir.

Ultralytics YOLO26 gerçek hayatta palet istiflemeyi nasıl mümkün kılar?#

Kullanıma hazır Ultralytics YOLO26, önceden eğitilmiş bir model olarak sunulur. Başka bir deyişle, büyük veri kümeleri üzerinde zaten eğitilmiştir; bu nedenle sıfırdan oluşturulmasına gerek kalmadan yaygın nesneleri tanıyabilir.

Bununla birlikte depo ortamları; farklı palet türleri, istifleme düzenleri, yük koşulları ve gerçek dünyadaki tutarsızlıklar gibi kendine özgü ayrıntılar barındırır. YOLO26 gibi Ultralytics YOLO modellerini özel verilerle eğitebilme yeteneği bu noktada değer kazanır.

Bir modeli depoya özgü verilerle eğitmek, bu farklılıkları daha iyi anlamasını ve daha doğru, güvenilir sonuçlar vermesini sağlar. Bu süreç, depo zeminlerinden görüntü ve video kareleri toplayarak farklı ortamlardaki çeşitli istifleme koşullarını yakalamakla başlar.

Ardından bu görüntüler, örneğin paletlerin çevresine sınırlayıcı kutular (dikdörtgen kutular) çizilerek veya dengesiz bölgeler işaretlenerek açıklanır (etiketler eklenir). Açıklamalı veriler kullanılarak bir veri kümesi hazırlandıktan sonra Ultralytics YOLO26, yerleşim, aydınlatma ve operasyonlardaki farklılıklara uyarlanacak şekilde bu gerçek dünya örnekleriyle eğitilebilir.

Eğitim, verileri yüklemek, modelleri eğitmek ve kod kullanarak tahminler çalıştırmak için yerleşik araçlar sunan Ultralytics Python paketi kullanılarak veya veri yönetimi, açıklama, eğitim ve dağıtımı tek bir yerde bir araya getiren uçtan uca bir bilgisayarlı görü platformu olan Ultralytics Platform üzerinden gerçekleştirilebilir.

Ultralytics Platform ile model eğitimini kolaylaştırma#

Veri kümesi hazırlama ve açıklamadan eğitim, değerlendirme ve dağıtıma kadar bilgisayarlı görü iş akışlarını yönetmek karmaşık olabilir. Ultralytics Platform, bu adımları tek bir ortamda bir araya getirerek bu zorluğun üstesinden gelir.

Örneğin kullanıcılar depo ortamlarından alınan görüntü verilerini düzenleyip etiketleyebilir ve bunları gerçek dünya senaryolarında model eğitmek için kullanabilir. Bu sayede modeller, paletlerin farklı yerleşimlerde, aydınlatma koşullarında ve istifleme biçimlerinde nasıl göründüğünü öğrenerek gerçek operasyonlarda daha doğru ve güvenilir hâle gelir.

Şekil 3. Ultralytics Platform içindeki bir veri kümesine bakış (Kaynak)

Eğitildikten sonra modeller, dağıtımdan önce performansı doğrulamak için yerleşik Predict sekmesi kullanılarak yeni ve daha önce görülmemiş görüntüler üzerinde test edilebilir.

Doğrulamanın ardından modeller, kullanım senaryosuna bağlı olarak Ultralytics Platform üzerinden farklı şekillerde dağıtılabilir. Bunlar arasında geliştirme ve test için paylaşımlı çıkarım, üretim dağıtımları için özel uç noktalar veya modellerin harici sistemlerde ya da uç cihazlarda çalıştırılmak üzere dışa aktarılması bulunur.

Doğru tespit için kamera yerleşimiyle ilgili noktalar#

Görsel odaklı bir palet izleme sistemi oluştururken kamera yerleşimi, istifleme sorunlarının ne kadar güvenilir şekilde yakalandığını doğrudan etkileyebilir. Doğru kurulum, izleme sistemlerinin daha etkili biçimde otomatikleştirilmesini destekler.

Şekil 4. Depo faaliyetlerini izlemek için üstten kamera kullanımına bir örnek (Kaynak)

Kamera yerleşimi için bazı pratik noktalar şunlardır:

• Rafların önden görünümleri: Palet raflarına dönük yerleştirilen kameralar, istiflerin tüm yüksekliğini yakalayarak aşırı istiflemeyi ve eğilen yükleri gözlemlemeyi kolaylaştırabilir.
• Derinlik ve eğim için açılı görünümler: Genellikle 30–45° açıyla alınan görüntüler, doğrudan karşıdan bakıldığında görünmeyebilecek istiflerin içindeki derinlik, eğim ve boşlukların daha iyi görülmesini sağlayabilir.
• Yoğun alanlar için üstten görünümler: Üstten görünümler, yan görünümlerin engellenebildiği ve tek tek paletleri ayırt etmenin zorlaştığı sıkışık bölgelerde kullanışlıdır.
• Giriş ve çıkış izleme noktaları: Konveyör bantlarının ve yükleme rampası alanlarının yakınına yerleştirilen kameralar, paletleri hareket öncesinde ve sonrasında yakalayarak taşıma sırasında dengedeki değişikliklerin izlenmesine yardımcı olabilir.
• Forklift etkileşim bölgeleri: Forklift güzergâhlarının yakınındaki alma ve bırakma alanlarının izlenmesi, birçok sorunun ortaya çıktığı elleçleme sırasında yük dengesine ilişkin bilgi sağlayabilir.

Palet istiflemede görsel yapay zekânın gerçek dünya uygulamaları#

Şimdi, yaygın palet istifleme sorunlarını tespit etmek ve ele almak için görsel yapay zekânın depolarda nasıl kullanıldığına dair bazı pratik örnekleri inceleyelim.

Depolama bölgelerinde istif yüksekliği ihlallerini tespit etme#

İstifleme yüksekliği sınırları, özellikle mevcut alandan en iyi şekilde yararlanmak için paletlerin birbirine yakın istiflendiği depolama alanlarında, palet istiflerinin güvenli biçimde ne kadar yüksek oluşturulabileceğini belirler. Bu sınırlar, dengesiz yükleri önlemeye ve palet rafları ile sprinkler gibi üst sistemlerin çevresinde güvenli açıklığı korumaya yardımcı olur.

Ancak yüksek hacimli giriş operasyonları gibi yoğun dönemlerde bu sınırlar aşılabilir. Ultralytics YOLO26 gibi modeller, bu tür faaliyetleri daha yakından izlemek için kamera akışlarını analiz ederek tek tek paletleri tespit edip sayabilir ve istifin zaman içinde nasıl büyüdüğünü takip edebilir.

Görsel yetenekli bir sistem, tespit edilen paletlerin sayısını ve konumunu izleyerek toplam istif yüksekliğini tahmin edebilir ve güvenli sınırlara yaklaşıldığını veya bu sınırların aşıldığını belirleyebilir. Bu, depo operatörlerine olası sorunları erkenden görme imkânı sunarak güvenlik riski oluşmadan önce istiflemeyi ayarlamalarını veya yükleri yeniden dağıtmalarını sağlar.

Yük dengesizliğini ve eğilen yapıları belirleme#

Bir palet doğru yüksekliğe kadar istiflense bile düzgün dengelenmediğinde dengesiz hâle gelebilir. Ağırlığın eşit dağılmaması, kutuların gevşek yerleştirilmesi veya hafif hizalama bozuklukları, yüklü bir paletin zamanla kademeli olarak eğilmesine neden olabilir.

Bu değişiklikler başlangıçta genellikle belirsizdir ve rutin kontroller sırasında fark edilmeyebilir. Ancak Ultralytics YOLO26 gibi bilgisayarlı görü modelleriyle bu kontroller kamera akışları kullanılarak sürekli gerçekleştirilebilir.

Örneğin Ultralytics YOLO26’nın yönlendirilmiş sınırlayıcı kutu (OBB) desteği, her paletin veya kutunun yalnızca konumunu değil, açısını ve yönelimini de kolayca yakalamayı sağlar. Model, bu yönelimleri zaman içinde takip ederek hafif eğimler veya hizalamadaki değişiklikler gibi küçük kaymaları tespit edebilir.

Bu açılar dikey hizadan uzaklaşmaya veya katmanlar arasında tutarsızlaşmaya başladığında, bu durum bir istifin eğilmeye başladığını gösterebilir. Dengesizlikler erken tespit edildiğinde, büyümeden önce düzeltilebilir.

Güvenli palet istifleme için görsel yapay zekâ kullanmanın artıları ve eksileri#

Palet istiflemede görsel tabanlı sistemleri kullanmanın başlıca faydalarından bazıları şunlardır:

• Operasyonlar genelinde gerçek zamanlı görünürlük: Görsel sistemler paletlerin durumunu sürekli izleyerek OSHA standartlarına ve doğru istifleme uygulamalarına uymayı kolaylaştırabilir.
• Daha iyi olay takibi: Kaydedilen görsel veriler daha sonra incelenerek bir sorunun ne zaman ve nasıl geliştiği anlaşılabilir.
• Mevcut sistemlerle entegrasyon: Görsel modeller, bildirimleri veya iş akışlarını tetiklemek için depo yönetimi ya da uyarı sistemlerine bağlanabilir.
• Bölgeler genelinde ölçeklenebilir izleme: Gelişmiş görsel modeller birden fazla depo alanında dağıtılarak büyük veya dağınık tesislerde bile tutarlı görünürlük sağlayabilir.

Palet istiflemede görsel yapay zekâ kullanmak birçok avantaj sunsa da akılda tutulması gereken bazı sınırlayıcı etkenler şunlardır:

• Çevresel hassasiyet: Aydınlatma koşulları, gölgeler ve engeller, palet istiflerinin ne kadar net yakalanacağını etkileyebilir.
• Doğru kuruluma bağımlılık: Güvenilir sonuçlar için iyi planlanmış kamera yerleşimi ve önemli operasyon bölgelerinin yeterli kapsamı gerekir.
• Model performansında kayma: Depo yerleşimindeki, aydınlatmadaki veya operasyonlardaki değişiklikler, modellerin periyodik olarak güncellenmesini veya yeniden eğitilmesini gerektirebilir.
• Kamera bakımı: Tutarlı performans sağlamak için kameraların düzenli olarak temizlenmesi, kalibre edilmesi ve kontrol edilmesi gerekebilir.

Önemli çıkarımlar#

Güvensiz palet istifleme genellikle hemen sorun hâline gelmez. Küçük hizalama bozuklukları ve kayan yükler zaman içinde birikir. Sürekli görsel izlemeyle bu ince değişiklikler erken yakalanabilir ve sorunlar büyümeden harekete geçmek kolaylaşır. Ultralytics YOLO26 gibi modeller, hızlı ve gerçek zamanlı tespit sağlayarak bunu destekler.

Görsel yapay zekâyı daha yakından keşfetmek ister misin? Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et. Topluluğumuza katıl ve lojistikte yapay zekâ ile perakendede görsel yapay zekâ gibi uygulamaları keşfet. Başlamak için lisanslama seçeneklerimize göz at!