Ultralytics YOLO26 ile güvenli olmayan palet istiflerini tespit etme

Depo operasyonları söz konusu olduğunda güvenlik kritik önem taşır. Dengesiz paletler, düşen yükler ve kapalı koridorlar ürün hasarına, iş akışının aksamasına ve çalışanların ciddi biçimde yaralanmasına yol açabilir.

Özellikle palet istifleme, güvenli ve verimli bir depo ortamının korunmasında önemli rol oynar. Yüklerin ne kadar dengeli olduğunu, malzemelerin alanda ne kadar kolay taşındığını ve çalışanların ne kadar güvenli çalışabildiğini doğrudan etkiler.

Küçük tutarsızlıklar bile daha büyük risklere yol açabilir. Hafif bir eğim, ağırlığın eşit dağılmaması veya yükün gevşek biçimde sabitlenmesi paletleri dengesiz hâle getirebilir. Streç filmin eksik olması veya kötü hizalama da dengeyi daha fazla bozarak ürün hasarı ya da iş kazası olasılığını artırabilir.

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

Bu tür sorunları önlemek için İş Sağlığı ve Güvenliği İdaresi (OSHA) gibi kuruluşlar, malzemelerin güvenli biçimde depolanması ve taşınması için yönergeler sunar. Bu güvenlik yönergeleri; yük dengesinin korunmasını, güvenli yük sınırlarının aşılmamasını ve düşen ya da çöken istifler gibi tehlikeleri önlemek için doğru elleçleme uygulamalarına uyulmasını vurgular.

Ancak bu standartları hızlı tempolu depo ortamlarında tutarlı biçimde uygulamak her zaman kolay değildir. Paletler gün boyunca taşınır, yeniden istiflenir ve elleçlenir. Bu nedenle her yükün durumunu gerçek zamanlı izlemek veya dengesizliğin erken belirtilerini fark etmek zorlaşır.

Daha etkili bir yaklaşım bilgisayarlı görü kullanmaktır. Yapay zekânın bir dalı olan bilgisayarlı görü, makinelerin görsellerden ve video akışlarından alınan görsel verileri yorumlamasını ve analiz etmesini sağlar. Ultralytics YOLO26 gibi görü yapay zekâ modelleriyle depolar, paletlerin durumunu gerçek zamanlı izleyip dengesiz düzenlemeleri erkenden tespit edebilir; böylece sorunlar büyümeden ekipler harekete geçebilir.

Bu makalede, güvenli olmayan palet istiflemenin yol açtığı riskleri ve görü tabanlı sistemlerin bunları nasıl tespit edip önleyebileceğini inceleyeceğiz. Hadi başlayalım!

Palet istiflemenin depo güvenliğine etkisi#

Paletler belirli bir ağırlığı taşıyacak ve dengeli biçimde üst üste istiflenecek şekilde tasarlanır. Aşırı yüklendiklerinde veya düzgün dengelenmediklerinde bu denge bozulmaya başlar.

İstifleme sırasında oluşan küçük hizasızlıklar bile zamanla birikerek elleçleme sırasında yükün devrilme olasılığını artırabilir. Bu sorunlar genellikle paletlerin sürekli yüklendiği, taşındığı ve yeniden istiflendiği yoğun çalışma temposuna sahip ortamlarda ortaya çıkar. Başlangıçta önemsiz görünen hatalar, ağırlık dağılımını zamanla etkileyerek dengesiz istiflere yol açabilir.

Bu durum günlük operasyonları da etkiler. Yükleme veya taşıma sırasında bir paletin düzeltilmesi gerekirse işler yavaşlayabilir ve gecikmeler yaşanabilir. Sorun, özellikle forklift ve transpaletlerin kullanıldığı elleçleme süreçlerinde daha belirgin hâle gelir.

Bu tür ekipmanlar sürekli hareket hâlinde olduğundan, dengesiz yüklerle çalışmak rutin işleri bile daha riskli hâle getirir. Bu durum ürünlerin hasar görmesine, iş akışının aksamasına veya aşırı yüklemeye yol açabilir.

Daha ciddi durumlarda çalışanların yaralanmasına ve tedarik zincirinin genelinin etkilenmesine neden olabilir; bu da hem operasyonel hem de finansal maliyetleri artırır.

Geleneksel palet denetim yöntemlerinin zorlukları#

Çoğu depo, genellikle OSHA standartları, güvenlik düzenlemeleri ve denetim kontrol listeleri doğrultusunda yürütülen manuel palet denetim süreçlerine dayanır. Bu yöntemler palet güvenliğini ve doğru istifleme uygulamalarını destekler, ancak yoğun ortamlarda tutarlı biçimde uygulanmaları sınırlıdır.

Başlıca sınırlamalardan biri, denetimlerin yalnızca belirli bir andaki durumu kaydetmesidir. Depo operasyonlarında sürekli yükleme, taşıma ve yeniden istifleme yapılır; ancak denetimler yalnızca kontrol anında istifin nasıl göründüğünü kaydeder. Bu nedenle kademeli hizasızlık, kayan yükler veya ilk dengesizlik belirtileri gibi denetimler 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 yükün dengesini etkileyebilir.

Ölçek, zorluğu daha da artırır. Büyük depolarda, özellikle palet raflarının ve konveyör bölgelerinin çevresinde tüm alanlarda düzenli denetim yapmak zordur. Bu kapsama boşlukları, güvenlik uygulamalarını tutarlı biçimde izlemeyi ve operasyonlar genelinde paletlerin dengeli istiflenmesini sağlamayı güçleştirir.

Depo operasyonlarında yapay görmenin rolü#

Depolar, günlük operasyonları izleyebilen bilgisayarlı görü sistemlerini kullanmaya başlıyor. Bu sistemler çok sayıda etiketli görüntüden öğrenebilir ve farklı depolama alanlarında paletlerle ilgili ayrıntıları sürekli takip edebilir.

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

Özellikle nesne algılama; koridorlar ve depolama bölgelerindeki paletleri, kutuları ve elleçleme ekipmanlarını tanımlamak ve konumlarını belirlemek için kullanılabilir. Böylece sistemler, malzemelerin nasıl yerleştirildiğini ve taşındığını takip edebilir.

Şekil 2. İstiflenmiş kutuları algılamak için Ultralytics YOLO modelinin kullanımı (Kaynak)

Bu sırada örnek segmentasyonu, her nesnenin sınırlarını piksel düzeyinde çizerek bir istifteki tek tek öğelerin hassas biçimde belirlenmesini sağlar. Böylece üst üste binen veya birbirine yakın yerleştirilmiş öğeleri ayırmak kolaylaşır. Hizalamanın kritik olduğu durumlarda, yüklerin konumlarını değerlendirmek ve açılarını ve yönelimlerini daha doğru yakalamak için yönelimli sınırlayıcı kutular kullanılabilir.

Benzer şekilde görüntü sınıflandırma, bir paletin veya sahnenin genel durumunu analiz etmek ve “dengeli”, “dengesiz” ya da “hasarlı” gibi etiketler atamak için kullanılabilir. Poz tahmini ise çalışanların veya ekipmanların konumunu ve hareketini izlemek için kilit noktaları algılamaya odaklanır; böylece bunların paletlerle nasıl etkileşimde bulunduğunu anlamak ve güvenli olmayan elleçleme durumlarını belirlemek mümkün olur.

Ultralytics YOLO26 gerçek yaşamda palet istiflemeyi nasıl mümkün kılıyor?#

Ultralytics YOLO26, kutudan çıkar çıkmaz kullanılabilen önceden eğitilmiş bir model olarak sunulur. Başka bir deyişle, büyük veri kümeleri üzerinde zaten eğitilmiştir; bu nedenle sıfırdan oluşturulması gerekmeden yaygın nesneleri tanıyabilir.

Ancak depo ortamlarının farklı palet türleri, istifleme düzenleri, yük koşulları ve gerçek dünyadaki tutarsızlıklar gibi kendine özgü ayrıntıları vardır. YOLO26 gibi Ultralytics YOLO modellerini özel olarak eğitebilme olanağı bu noktada değer kazanır.

Bir modeli depoya özgü verilerle eğitmek, bu farklılıkları daha iyi anlamasını ve daha doğru, güvenilir sonuçlar vermesini sağlar. Süreç, farklı ortamlardaki istifleme koşullarını yakalamak için depo zeminlerinden görüntü ve video kareleri toplamakla başlar.

Ardından bu görüntüler etiketlenir; örneğin paletlerin çevresine sınırlayıcı kutular (dikdörtgen kutular) çizilir veya dengesizlik alanları işaretlenir. Etiketli veriler kullanılarak bir veri kümesi hazırlandıktan sonra Ultralytics YOLO26, gerçek dünyadan alınan bu örneklerle eğitilebilir ve böylece yerleşim düzeni, ışıklandırma ve operasyonlardaki farklılıklara uyum sağlayabilir.

Eğitim, verileri yüklemek, modelleri eğitmek ve kod kullanarak tahminler çalıştırmak için yerleşik araçlar sunan Ultralytics Python paketi kullanılarak veya veri yönetimini, etiketlemeyi, eğitimi ve dağıtımı tek bir yerde buluşturan uçtan uca bir bilgisayarlı görü platformu olan Ultralytics Platform üzerinden yapılabilir.

Ultralytics Platform ile model eğitimini kolaylaştırma#

Veri kümesi hazırlama ve etiketlemeden 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 senaryolarındaki modelleri eğitmek için kullanabilir. Böylece modeller, paletlerin farklı yerleşimlerde, ışık koşullarında ve istifleme biçimlerinde nasıl göründüğünü öğrenerek gerçek operasyonlarda daha doğru ve güvenilir sonuçlar verir.

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

Eğitilen modeller, dağıtımdan önce performanslarını doğrulamak için yerleşik Tahmin 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 modelleri harici sistemlerde ya da uç cihazlarda çalıştırmak üzere dışa aktarma yer alır.

Doğru algılama için kamera yerleşimiyle ilgili noktalar#

Görüntü tabanlı bir palet izleme sistemi kurarken kamera yerleşimi, istifleme sorunlarının ne kadar güvenilir biçimde yakalandığını doğrudan etkileyebilir. Doğru kurulum, izleme sistemlerinin daha etkili biçimde otomatikleştirilmesini sağlar.

Şekil 4. Depo faaliyetlerini izlemek için tavana monte kamera kullanımına örnek (Kaynak)

Kamera yerleşimi için uygulamaya dönük birkaç noktayı aşağıda bulabilirsin:

• Raflara önden bakan görüntüler: Palet raflarına dönük konumlandırılan kameralar, istiflerin tüm yüksekliğini yakalayabilir; böylece aşırı istiflemeyi ve yana yatmış yükleri gözlemlemek kolaylaşır.
• Derinlik ve eğim için açılı görüntüler: Genellikle 30–45° açıyla alınan görüntüler, önden bakıldığında görünmeyebilecek derinlik, eğim ve istif boşluklarının daha iyi görülmesini sağlayabilir.
• Yoğun alanlar için yukarıdan görüntüler: Yukarıdan alınan görüntüler, yan görüşün engellenebildiği ve paletleri tek tek ayırt etmenin zorlaştığı sıkışık bölgelerde işe yarar.
• Giriş ve çıkış izleme noktaları: Konveyör bantlarının ve yükleme rampalarının yakınına yerleştirilen kameralar, hareket öncesinde ve sonrasında paletleri görüntüleyerek taşıma sırasında dengede meydana gelen değişikliklerin izlenmesine yardımcı olabilir.
• Forklift etkileşim bölgeleri: Forklift güzergâhlarının yakınındaki alma ve bırakma alanlarını izlemek, birçok sorunun ortaya çıktığı elleçleme sırasında yük dengesine ilişkin bilgi sağlayabilir.

Palet istiflemede yapay görmenin gerçek dünya uygulamaları#

Şimdi, yaygın palet istifleme sorunlarını tespit etmek ve ele almak için yapay görmenin depolarda nasıl kullanıldığına dair bazı pratik örneklere göz atalım.

Depolama bölgelerinde istif yüksekliği sınırı ihlallerini tespit etme#

İstif yüksekliği sınırları, palet istiflerinin güvenli biçimde ne kadar yükseğe çıkarılabileceğini belirler. Bu sınırlar, özellikle mevcut alandan en iyi şekilde yararlanmak için paletlerin birbirine yakın istiflendiği depolama alanlarında önemlidir. Dengesiz yükleri önlemeye ve palet rafları ile sprinkler gibi tavan sistemlerinin çevresinde güvenli açıklığı korumaya yardımcı olurlar.

Ancak yoğun dönemlerde, örneğin yüksek hacimli mal kabul operasyonlarında bu sınırlar aşılabilir. Bu faaliyetleri daha yakından izlemek için Ultralytics YOLO26 gibi modeller, kamera görüntülerini analiz ederek tek tek paletleri algılayıp sayabilir ve istifin zaman içinde nasıl büyüdüğünü takip edebilir.

Algılanan paletlerin sayısını ve konumunu izleyen görüntü tabanlı bir sistem, istifin toplam yüksekliğini tahmin edebilir ve güvenli sınırlara yaklaştığını veya bu sınırları aştığını belirleyebilir. Böylece depo operatörleri olası sorunları erkenden görebilir ve risk oluşmadan önce istifleme düzenini değiştirebilir ya da yükleri yeniden dağıtabilir.

Yük dengesizliğini ve yana yatan yapıları belirleme#

Bir palet doğru yüksekliğe kadar istiflense bile düzgün dengelenmediğinde dengesiz hâle gelebilir. Ağırlığın eşit dağılmaması, kutuların gevşek yerleştirilmesi veya küçük bir hizasızlık, yüklü bir paletin zamanla yavaşça yana yatmasına neden olabilir.

Bu değişiklikler başlangıçta genellikle çok küçük olduğundan rutin kontrollerde fark edilmeyebilir. Ancak Ultralytics YOLO26 gibi bilgisayarlı görü modelleriyle bu kontroller kamera görüntüleri kullanılarak sürekli yapılabilir.

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

Bu açılar dikey hizadan uzaklaşmaya veya katmanlar arasında tutarsızlaşmaya başladığında, bu durum istifin yana yatmaya başladığını gösterebilir. Dengesizlikler erken tespit edilirse büyümeden düzeltilebilir.

Güvenli palet istifleme için yapay görmenin artıları ve eksileri#

Palet istiflemede görüntü tabanlı sistemler kullanmanın başlıca avantajlarından bazıları şunlardır:

• Operasyonlar genelinde gerçek zamanlı görünürlük: Görüntü sistemleri paletlerin durumunu sürekli izleyebilir ve OSHA standartlarına ve doğru istifleme uygulamalarına uymayı kolaylaştırabilir.
• Daha iyi olay takibi: Kaydedilen görsel veriler daha sonra incelenerek bir sorunun ne zaman ve nasıl ortaya çıktığı anlaşılabilir.
• Mevcut sistemlerle entegrasyon: Görüntü modelleri depo yönetim sistemlerine veya uyarı sistemlerine bağlanarak bildirimleri ya da iş akışlarını tetikleyebilir.
• Bölgeler genelinde ölçeklenebilir izleme: Gelişmiş görüntü modelleri birden fazla depo alanında devreye alınabilir ve büyük ya da dağınık tesislerde bile tutarlı görünürlük sağlar.

Palet istiflemede yapay görme kullanmanın birçok avantajı olsa da aklında bulundurman gereken bazı sınırlayıcı etkenler şunlardır:

• Çevresel koşullara duyarlılık: Işık koşulları, gölgeler ve engeller, palet istiflerinin ne kadar net görüntülendiğini etkileyebilir.
• Doğru kuruluma bağlılık: Güvenilir sonuçlar için kamera yerleşiminin iyi planlanması ve önemli operasyon bölgelerinin yeterince kapsanması gerekir.
• Model performansında sapma: Depo yerleşimindeki, ışıklandırmadaki veya operasyonlardaki değişiklikler, modelin düzenli olarak güncellenmesini ya da yeniden eğitilmesini gerektirebilir.
• Kamera bakımı: Tutarlı performans sağlamak için kameraların düzenli olarak temizlenmesi, kalibre edilmesi ve kontrol edilmesi gerekebilir.

Önemli çıkarımlar#

Güvenli olmayan palet istifleme genellikle bir anda sorun hâline gelmez. Küçük hizasızlıklar ve kayan yükler zamanla birikir. Sürekli görsel izleme sayesinde bu küçük değişiklikler erkenden yakalanabilir ve sorunlar büyümeden harekete geçmek kolaylaşır. Ultralytics YOLO26 gibi modeller hızlı, gerçek zamanlı algılama sağlayarak bunu destekler.

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