Ultralytics YOLO26 ile güvenli olmayan palet istiflemeyi tespit etme

Depo operasyonları söz konusu olduğunda güvenlik kritiktir. Dengesiz paletler, düşen yükler ve tıkalı koridorlar ürün hasarına, iş akışının aksamasına ve ciddi çalışan yaralanmalarına yol açabilir.

Özellikle palet istifleme, güvenli ve verimli bir depo sürdürmede kilit bir rol oynar. Yüklerin ne kadar dengeli olduğunu, malzemelerin alan içinde ne kadar kolay taşındığını ve çalışanların ne kadar güvenli bir şekilde çalışabileceğini doğrudan etkiler.

Küçük tutarsızlıklar bile daha büyük riskler yaratabilir. Hafif bir eğim, düzensiz ağırlık dağılımı veya gevşek bir şekilde sabitlenmiş yük, paletlerin dengesini bozabilir. Eksik streç film veya kötü hizalama, dengeyi daha da zayıflatarak ürün hasarı veya iş yeri kazası olasılığını artırabilir.

Şekil 1. Bir depo, çalışanların sürekli hareket halinde olduğu ve paletleri istiflediği dinamik bir alandır. (Kaynak)

Bu tür sorunları önlemek için, İş Sağlığı ve Güvenliği İdaresi (OSHA) gibi kuruluşlar güvenli malzeme depolama ve elleçleme konusunda kılavuzlar sunar. Bu güvenlik kılavuzları; yük dengesinin korunmasını, güvenli yük sınırları içinde kalınmasını ve düşen veya çöken yığınlar gibi tehlikeleri önlemek için uygun elleçleme uygulamalarının takip edilmesini vurgular.

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

Daha etkili bir yaklaşım, bilgisayarlı görü kullanmaktır. Yapay zekanın bir dalı olarak, makinelerin görsel verileri görüntülerden ve video akışlarından yorumlamasını ve analiz etmesini sağlar. Ultralytics YOLO26 gibi görü yapay zeka modelleriyle depolar, palet koşullarını gerçek zamanlı olarak izleyebilir ve dengesiz yapılandırmaları erkenden tespit ederek ekiplerin sorunlar büyümeden müdahale etmesine olanak tanır.

Bu makalede, güvenli olmayan palet istifleme ile ilişkili riskleri ve görme tabanlı sistemlerin bunları tespit etmeye ve önlemeye nasıl yardımcı olabileceğini keşfedeceğiz. Hadi başlayalım!

Link to this sectionPalet istiflemenin depo güvenliği üzerindeki etkisi#

Paletler, belirli bir miktarda ağırlık taşıyacak ve dengeli bir şekilde istiflenecek şekilde tasarlanmıştır. Aşırı yüklendiklerinde veya doğru şekilde dengelenmediklerinde, bu denge bozulmaya başlar.

İstifleme sırasındaki küçük hizasızlıklar bile zamanla birikebilir ve elleçleme sırasında yükün bozulma olasılığını artırabilir. Bu sorunlar genellikle paletlerin sürekli yüklendiği, taşındığı ve yeniden istiflendiği hızlı tempolu ortamlarda yaşanır. İlk başta küçük hatalar gibi görünen şeyler, zamanla ağırlık dağılımını etkileyebilir ve dengesiz yığınlara yol açabilir.

Bu durum günlük operasyonları da etkiler. Bir paletin yükleme veya taşıma sırasında düzeltilmesi gerekiyorsa, bu durum işleri yavaşlatabilir ve gecikmelere neden olabilir. Sorun, özellikle forkliftlerin ve transpaletlerin dahil olduğu elleçleme sırasında daha belirgin hale gelir.

Bu tür ekipmanlar sürekli hareket halinde olduğundan, dengesiz yüklerle uğraşmak rutin görevleri bile daha riskli hale getirir. Bu durum malların zarar görmesine, iş akışının aksamasına veya aşırı yüklenmeye yol açabilir.

Daha ciddi durumlarda, çalışanların yaralanmasına neden olabilir ve tedarik zincirini etkileyerek hem operasyonel hem de finansal maliyetleri artırabilir.

Link to this sectionGeleneksel palet denetim yöntemleriyle ilgili zorluklar#

Çoğu depo; OSHA standartları, güvenlik yönetmelikleri ve denetim kontrol listeleri tarafından yönlendirilen manuel palet denetim süreçlerine güvenir. Bu yöntemler palet güvenliğini ve uygun istifleme uygulamalarını destekler, ancak yoğun ortamlarda ne kadar tutarlı bir şekilde uygulanabilecekleri konusunda sınırlıdırlar.

Önemli bir sınırlama, denetimlerin yalnızca bir anı yakalamasıdır. Depo operasyonları sürekli yükleme, hareket ve yeniden istifleme içerir, ancak denetimler yığının yalnızca kontrol anındaki halini yakalar. Bu durum, kademeli hizasızlık, kayan yükler veya istikrarsızlığın erken belirtileri gibi kontroller arasında gelişen sorunları tespit etmeyi zorlaştırır.

Bazı sorunların rutin kontroller sırasında fark edilmesi de daha zordur. Hasarlı paletler, kırık tahtalar veya küçük kıymıklar, yapıyı zayıflatıp elleçleme sırasında yük dengesini etkileyebilecek olsalar bile gözden kaçabilir.

Ölçek, zorluğa bir katman daha ekler. Büyük depolarda, özellikle palet rafları ve konveyör bölgeleri çevresinde tüm alanlarda düzenli denetimler yapmak zordur. Kapsamdaki bu boşluklar, güvenlik uygulamalarını tutarlı bir şekilde takip etmeyi ve operasyonlar genelinde istikrarlı palet istiflemeyi sağlamayı zorlaştırır.

Link to this sectionDepo operasyonlarında görü yapay zekasının rolü#

Depolar, günlük operasyonları izleyebilen bilgisayarlı görü sistemlerini benimsemeye başlıyor. Bu sistemler, büyük hacimli etiketli görüntülerden öğrenir ve farklı depolama alanlarındaki palete özgü ayrıntıları sürekli olarak takip edebilir.

For instance, cutting-edge computer vision models like YOLO26 support vision tasks such as object detection, image classification, oriented bounding box (OBB) detection, pose estimation, and instance segmentation, which can help analyze how pallets and loads are arranged across warehouse spaces.

Özellikle nesne tespiti, paletleri, kutuları ve elleçleme ekipmanlarını koridorlar ve depolama bölgeleri genelinde tanımlamak ve konumlandırmak için kullanılabilir. Bu, sistemlerin malzemelerin nasıl yerleştirildiğini ve taşındığını takip etmesini sağlar.

Şekil 2. İstiflenmiş kutuları tespit etmek için bir Ultralytics YOLO modeli kullanma (Kaynak)

Bu arada, örnek segmentasyonu, her nesneyi piksel düzeyinde ana hatlarıyla belirterek bir yığın içindeki ayrı öğelerin hassas bir şekilde tanımlanmasını sağlar. Bu, çakışan veya birbirine yakın paketlenmiş öğeleri ayırmayı kolaylaştırır. Hizalamanın kritik olduğu durumlarda, yönlendirilmiş sınırlayıcı kutular yüklerin nasıl konumlandırıldığını değerlendirmek, açılarını ve yönelimlerini daha doğru bir şekilde yakalamak için kullanılabilir.

Benzer şekilde, görüntü sınıflandırma bir paletin veya sahnenin genel durumunu analiz etmek ve "kararlı", "dengesiz" veya "hasarlı" gibi etiketler atamak için kullanılabilir. Ayrıca, poz tahmini, çalışanların veya ekipmanların konumunu ve hareketini izlemek için önemli noktaları tespit etmeye odaklanır, böylece paletlerle nasıl etkileşime girdiklerini anlamayı ve potansiyel olarak güvenli olmayan elleçlemeyi belirlemeyi mümkün kılar.

Link to this sectionYOLO26, 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.

Ancak depo ortamları; değişen palet türleri, istifleme modelleri, yük koşulları ve gerçek dünya tutarsızlıkları gibi kendi nüanslarını beraberinde getirir. Ultralytics YOLO modelleri gibi modelleri YOLO26'yı özel olarak eğitme yeteneğinin değerli hale geldiği yer burasıdır.

Bir modeli depo verileriyle eğitmek, bu varyasyonları daha iyi anlamasını ve daha doğru, güvenilir sonuçlar vermesini sağlar. Bu süreç, depo zeminlerinden görüntü ve video kareleri toplayarak, farklı ortamlardaki istifleme koşullarını yakalayarak başlar.

Bu görüntüler daha sonra açıklanır (etiketler eklenir); örneğin, paletlerin etrafına sınırlayıcı kutular (dikdörtgen kutular) çizilerek veya dengesizlik alanları işaretlenerek. Açıklamalı veriler kullanılarak bir veri kümesi hazırlandığında, YOLO26 bu gerçek dünya örnekleri üzerinde eğitilebilir ve yerleşim, aydınlatma ve operasyonlardaki varyasyonlara uyum sağlayabilir.

Eğitim, verileri yüklemek, modelleri eğitmek ve kod kullanarak tahminleri çalıştırmak için yerleşik araçlar sağlayan 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 aracılığıyla yapılabilir.

Link to this sectionUltralytics Platform ile model eğitimini basitleştirme#

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

Örneğin kullanıcılar, depo ortamlarından gelen görüntü verilerini düzenleyebilir ve etiketleyebilir, ardından bunları gerçek dünya senaryolarında modelleri eğitmek için kullanabilirler. Bu, modellerin paletlerin farklı yerleşimler, aydınlatma koşulları ve istifleme stilleri genelinde nasıl göründüğünü öğrenmesini sağlayarak gerçek operasyonlarda daha doğru ve güvenilir hale gelmesini sağlar.

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

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

Doğrulamadan sonra modeller, kullanım durumuna bağlı olarak Ultralytics Platform aracılığıyla geliştirme ve test için paylaşılan çıkarım, üretim dağıtımları için özel uç noktalar dahil olmak üzere veya harici sistemlerde ya da uç cihazlarda çalışacak şekilde modelleri dışa aktararak farklı şekillerde dağıtılabilir.

Link to this sectionDoğru tespit için kamera yerleştirme hususları#

Görü destekli bir palet izleme sistemi kurarken, kamera yerleşimi istifleme sorunlarının ne kadar güvenilir bir şekilde yakalandığını doğrudan etkileyebilir. Doğru kurulum, izleme sistemlerinin daha etkili bir şekilde otomatize edilmesini destekler.

Şekil 4. Depo faaliyetlerini izlemek için tepe kamerası kullanma örneği (Kaynak)

Kamera yerleşimi için bazı pratik hususlar şunlardır:

• Önden raf görünümleri: Palet raflarına dönük olarak konumlandırılan kameralar, yığınların tam yüksekliğini yakalayabilir, böylece aşırı istifleme ve eğilen yükleri gözlemlemek daha kolay olur.
• Derinlik ve eğim için açılı görünümler: Genellikle 30–45° civarında olan açılı kamera görünümleri; düz perspektiflerden görülemeyebilecek yığınlar içindeki derinlik, eğim ve boşluklara daha iyi görünürlük sağlayabilir.
• Yoğun alanlar için tepe görünümleri: Üstten görünümler, yan görünümlerin engellenebileceği ve bireysel paletleri ayırt etmenin daha zor olduğu sıkışık alanlarda yararlıdır.
• Giriş ve çıkış izleme noktaları: Konveyör bantları ve rıhtım alanlarının yakınına yerleştirilen kameralar, paletleri hareket öncesi ve sonrası yakalayabilir, taşıma sırasında stabilitedeki değişimleri izlemeye yardımcı olabilir.
• Forklift etkileşim bölgeleri: Forklift yollarının yakınındaki alma ve bırakma alanlarını izlemek, birçok sorunun ortaya çıkma eğiliminde olduğu elleçleme sırasında yük dengesine ilişkin fikir verebilir.

Link to this sectionPalet istiflemede görü yapay zekasının gerçek dünya uygulamaları#

Sırada, yaygın palet istifleme sorunlarını tespit etmek ve yönetmek için depolarda görü yapay zekasının nasıl kullanıldığına dair bazı pratik örnekleri inceleyelim.

Link to this sectionDepolama bölgelerindeki yığın yüksekliği ihlallerini tespit etme#

İstifleme yüksekliği sınırları, özellikle paletlerin mevcut alandan en iyi şekilde yararlanmak için birbirine yakın istiflendiği depolama alanlarında, palet yığınlarının ne kadar yükseğe güvenli bir şekilde inşa edilebileceğini tanımlar. Bu sınırlar dengesiz yükleri önlemeye ve palet rafları ile sprinkler gibi tepe sistemleri etrafında güvenli açıklığı korumaya yardımcı olur.

Ancak bu sınırlar, yüksek hacimli gelen operasyonlar gibi yoğun dönemlerde aşılabilir. Bu tür faaliyetleri daha yakından takip etmek için YOLO26 gibi modeller, kamera akışlarını analiz ederek bireysel paletleri tespit edip sayabilir ve yığının zaman içinde nasıl büyüdüğünü takip edebilir.

Tespit edilen paletlerin sayısını ve konumunu izleyerek, görü özellikli bir sistem genel yığın yüksekliğini tahmin edebilir ve güvenli sınırlara yaklaştığında veya aştığında bunu tanımlayabilir. Bu, depo operatörlerine potansiyel sorunlar hakkında erken görünürlük sağlar ve bir güvenlik riski haline gelmeden önce istiflemeyi ayarlamalarını veya yükleri yeniden dağıtmalarını mümkün kılar.

Link to this sectionYük dengesizliğini ve eğilen yapıları tanımlama#

Bir palet doğru yüksekliğe istiflendiğinde ancak düzgün bir şekilde dengelenmediğinde, yine de dengesiz hale gelebilir. Düzensiz ağırlık dağılımı, gevşek yerleştirilmiş kutular veya hafif hizasızlık, yüklü bir paletin zamanla kademeli olarak eğilmesine neden olabilir.

Bu değişiklikler genellikle ilk başta incedir ve rutin kontroller sırasında belirgin olmayabilir. Ancak, YOLO26 gibi bilgisayarlı görü modelleriyle, bu kontroller kamera akışları kullanılarak sürekli olarak yapılabilir.

Örneğin, YOLO26'nın yönlendirilmiş sınırlayıcı kutu (OBB) desteği, yalnızca konumlarını değil, her paletin veya kutunun açısını ve yönelimini yakalamayı kolaylaştırır. Bu yönelimleri zaman içinde takip ederek model, hafif eğimler veya hizalamadaki değişiklikler gibi küçük kaymaları tespit edebilir.

Bu açılar dikey hizalamadan uzaklaşmaya veya katmanlar arasında tutarsız hale gelmeye başladığında, bir yığının eğilmeye başladığını gösterebilir. Dengesizlikler erkenden tespit edildiğinde, büyümeden düzeltilebilirler.

Link to this sectionGüvenli palet istifleme için görü yapay zekası kullanmanın artıları ve eksileri#

İşte palet istifleme için görü tabanlı sistemler kullanmanın temel faydalarından bazıları:

• Operasyonlar genelinde gerçek zamanlı görünürlük: Görü sistemleri, palet koşullarının sürekli izlenmesini sağlayarak OSHA standartlarını ve uygun istifleme uygulamalarını takip etmeyi kolaylaştırır.
• Daha iyi olay takibi: Kaydedilen görsel veriler, bir sorunun ne zaman ve nasıl geliştiğini anlamak için daha sonra incelenebilir.
• Mevcut sistemlerle entegrasyon: Görü modelleri, bildirimleri veya iş akışlarını tetiklemek için depo yönetimi veya uyarı sistemlerine bağlanabilir.
• Bölgeler genelinde ölçeklenebilir izleme: Gelişmiş görü modelleri birden fazla depo alanında dağıtılabilir, bu da büyük veya dağıtık tesislerde bile tutarlı görünürlük sağlar.

Palet istifleme için görü yapay zekası kullanmak birçok avantaj sunsa da, dikkate alınması gereken bazı sınırlayıcı faktörler şunlardır:

• Çevresel duyarlılık: Aydınlatma koşulları, gölgeler ve engeller, palet yığınlarının ne kadar net yakalandığını etkileyebilir.
• Uygun kuruluma bağımlılık: Güvenilir sonuçlar, iyi planlanmış kamera yerleşimi ve kilit operasyonel bölgelerin yeterli kapsamını gerektirir.
• Model performansı sapması: Depo yerleşimi, aydınlatma veya operasyonlardaki değişiklikler periyodik model güncellemeleri veya yeniden eğitim gerektirebilir.
• Kamera bakımı: Kameralar, tutarlı performans sağlamak için düzenli temizlik, kalibrasyon ve kontroller gerektirebilir.

Link to this sectionÖnemli çıkarımlar#

Güvenli olmayan palet istifleme genellikle hemen bir sorun haline gelmez. Küçük hizasızlıklar ve kayan yükler aracılığıyla zamanla inşa edilir. Sürekli görsel izleme ile bu ince değişiklikler erkenden yakalanabilir, bu da sorunlar büyümeden harekete geçmeyi kolaylaştırır. YOLO26 gibi modeller, hızlı, gerçek zamanlı tespit sağlayarak bunu destekler.

Görü yapay zekasını daha fazla keşfetmek ister misin? Daha fazla bilgi edinmek için GitHub depomuzu ziyaret et. Topluluğumuza katıl ve lojistikte yapay zeka ve perakendede görü yapay zekası gibi uygulamaları keşfet. Başlamak için lisanslama seçeneklerimize göz at!