Bilgisayarlı görü depo güvenliğini nasıl sürekli artırıyor

Depolar söz konusu olduğunda güvenlik ve verimlilik kritiktir. Buralar genellikle sürekli çalışması gereken forkliftler, konveyör bantları ve otomatik sistemler barındırır ve zaman zaman kazalar meydana gelebilir. Örneğin, forklift güvenliği, İş Sağlığı ve Güvenliği İdaresi'nin (OSHA) her yıl tahmini 61.800 küçük yaralanma, 34.900 ciddi yaralanma ve 85 ölüm vakası bildirmesiyle büyük bir endişe kaynağıdır.

Uyarı levhaları, aynalar ve manuel denetim gibi geleneksel güvenlik önlemlerinin sınırları vardır. Kör noktalar, insan hatası ve gecikmiş tepkiler, kazaları gerçekleşmeden önce önlemeyi zorlaştırabilir. Basitçe ifade etmek gerekirse, depo güvenliğini sağlamak sürekli izleme gerektirir ve bu, insanların tek başına yapması kolay bir iş değildir.

Ancak, yapay zekanın (AI) bir dalı olan bilgisayarlı görü, gerçek zamanlı izleme ve proaktif tehlike tespiti sağlayarak depo güvenliğini artırabilir. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, gerçek zamanlı çarpışmaları önleme gibi görevlere yardımcı olmak için nesne tespiti ve kişi tespiti yapılmasını sağlayabilir.

Şekil 1. YOLO11 kullanarak düşen bir çalışanı tespit etmeye dair bir örnek.

Bu makalede, bilgisayarlı görünün depo güvenliğini nasıl iyileştirebileceğine ve lojistik operasyonları nasıl geliştirebileceğine daha yakından bakacağız.

Link to this sectionDepo güvenliğiyle ilgili zorluklar#

Depolar, makinelerin ve çalışanların birbirine çok yakın çalıştığı ve kaza riskinin arttığı hızlı ortamlardır. Özellikle görünürlüğün sınırlı olduğu ve çarpışma riskini artıran kalabalık alanlarda, çalışan güvenliğini sağlamak çok önemlidir. Örneğin, forkliftler, AGV'ler (Otomatik Yönlendirmeli Araçlar) ve transpaletler sürekli çalışır ve uygun izleme olmadığında ekipman veya çalışanlar arasındaki çarpışmalar ciddi yaralanmalarla sonuçlanabilir.

Benzer şekilde, konveyör bantları, özellikle erişim noktalarında veya hareketli parçaların yakınındaki bol kıyafetler nedeniyle çalışanlar dikkatli değilse güvenlik riski oluşturabilir. Tavan vinçleri ve kaldırma ekipmanları da dikkat gerektirir; çünkü dengesiz yükler veya mekanik sorunlar tehlike yaratabilir. Bu risklerin farkında olmak ve bunları gerçek zamanlı olarak ele almak, depoyu herkes için güvenli tutmaya yardımcı olur.

Depo güvenliğiyle ilgili en büyük zorluklardan biri sınırlı görünürlüktür. Kör noktalar, engellenmiş görüş alanları ve yüksek depolama rafları, kazalar gerçekleşmeden önce tehlikeleri tespit etmeyi zorlaştırır.

Kaymalar, takılmalar ve düşmeler, özellikle yoğun ortamlarda yaygın risklerdir. Buna ek olarak, gecikmiş tepkiler, yanlış yargılar ve yorgunluk gibi insan hataları, katı güvenlik protokolleri olsa bile depo kazalarında önemli bir rol oynamaya devam etmektedir.

Aynalar ve uyarı sinyalleri gibi geleneksel güvenlik önlemleri yardımcı olsa da, bunlar çalışanların tehlikeleri fark etmesine ve hızlı tepki vermesine bağlıdır. Buna karşılık bilgisayarlı görü, riskleri tanımlamak ve kazaları meydana gelmeden önlemek için gerçek zamanlı, yapay zeka destekli izleme kullanarak proaktif bir yaklaşım benimser.

Link to this sectionBilgisayarlı görü depo güvenliğini nasıl iyileştirir?#

Bilgisayarlı görü, makinelerin görsel verileri analiz etmesine ve bunlara yanıt vermesine yardımcı olur. Görüntüleri ve videoları gerçek zamanlı olarak işlemek için kullanılabilir, böylece bilgisayarlı görü depo sistemleri nesneleri tespit edebilir, hareketi izleyebilir ve kazaları önleyebilir.

Manuel izlemeye kıyasla, yapay zeka destekli otomasyon, depo güvenliğini daha verimli ve güvenilir hale getirir. Bu, video akışlarını gerçek zamanlı olarak analiz edebilen YOLO11 gibi bilgisayarlı görü modelleri sayesinde mümkün olmaktadır.

In particular, computer vision tasks like object detection and instance segmentation that are supported by YOLO11 can identify obstacles like forklifts, pallet jacks, and misplaced inventory to reduce collision risks in busy environments.

Ayrıca, çalışanları tespit etmek ve onların forkliftler ve diğer makinelerle yakınlıklarını izleyerek kazaları önlemek için de kullanılabilir. Bu tür Vision AI sistemleri, gerçek zamanlı uyarılar sağlayacak ve operatörleri olası tehlikelere karşı bildirimde bulunacak şekilde programlanabilir, böylece olaylar meydana gelmeden önce hızlı aksiyon alınabilir.

Şekil 2. YOLO11 kullanarak depodaki bir çalışanı segmentlere ayırma.

Link to this sectionDepo güvenliğinde YOLO11'in temel uygulamaları#

Şimdi, depo güvenliğini artırmaya yardımcı olabilecek belirli bilgisayarlı görü uygulamalarını tartışalım. Ayrıca kaza önleme ve risk yönetimini iyileştirmek için YOLO11'in nasıl kullanılabileceğini adım adım inceleyeceğiz.

Link to this sectionÇarpışma önleme için nesne takibi#

Nesne takibi, nesnelerin hareketini gerçek zamanlı olarak sürekli izleyen bir bilgisayarlı görü görevidir. Tek bir karedeki nesneleri tanımlayan ve etiketleyen nesne tespitinden farklı olarak nesne takibi, bu nesneleri birden fazla kare boyunca izler; böylece sistem hareket kalıplarını analiz edebilir ve yörüngelerini tahmin edebilir.

Dinamik depo ortamlarında nesne takibi, forkliftlerin, AGV'lerin, transpaletlerin ve hatta bireysel paketlerin sürekli hareket halinde olduğu yerlerde özellikle yararlıdır. Nesnelerin nasıl hareket ettiğini ve etkileşime girdiğini anlayarak depolar güvenliği ve verimliliği artırabilir.

YOLO11'in nesne takibi yetenekleri, araçların ve ekipmanların hareketini izlemeyi, olası çarpışmaları tahmin etmeyi ve nesneler birbirine çok yaklaştığında uyarı vermeyi kolaylaştırır. Ayrıca, yapay zeka destekli derinlik tahmini, mesafe hesaplamalarını geliştirebilir, yanlış alarmları azaltabilir ve çarpışma uyarılarının doğruluğunu artırabilir.

Makine takibinin ötesinde, YOLO11 paketler arasındaki mesafeyi de hesaplayarak otomatik depolama ve erişim sistemleri için uygun boşluk bırakılmasını sağlayabilir. Depo yönetim sistemleriyle (WMS) entegre edildiğinde, bu teknoloji operatörlere gerçek zamanlı uyarılar gönderebilir veya hareket yollarını dinamik olarak ayarlayabilir. Proaktif bir yaklaşım, kazaları önlemeye yardımcı olur ve ayrıca depo navigasyonunu ve envanter organizasyonunu optimize eder.

Şekil 3. YOLO11 kullanarak paketler arasındaki mesafeyi hesaplama.

Link to this sectionPoz tahmini çalışan güvenliğini artırabilir#

YOLO11'in poz tahmini desteği, vücut duruşunu analiz ederek ve ergonomik riskleri gerçek zamanlı olarak tespit ederek çalışan güvenliğini artırabilir. Poz tahmini, eklem pozisyonları ve uzuv açıları gibi anahtar noktaları kullanarak bir çalışanın iskelet yapısını haritalandırarak hareket kalıplarını analiz eder. Bu noktaları gerçek zamanlı olarak izleyerek sistem, bir duruşun güvenli mi yoksa potansiyel olarak zararlı mı olduğunu belirleyebilir.

Bunu yaparak, YOLO11 ile entegre Vision AI sistemleri, güvenli olmayan eğilmeleri, yanlış kaldırma tekniklerini ve zorlanma yaralanması riskini artıran yorgunluk kaynaklı duruşları tespit edebilir.

Şekil 4. YOLO11 kullanarak çalışanların duruşunu tespit etme.

Böyle bir bilgisayarlı görü çözümü tehlikeli bir duruşu tanıdığında, çalışanları veya denetçileri anında uyarabilir ve yaralanmalar meydana gelmeden önce düzeltici eylemi mümkün kılabilir. Bu, iş yeri yaralanmalarını azaltabilir, ergonomiyi iyileştirebilir ve depolarda daha güvenli kaldırma ve hareket uygulamalarını teşvik edebilir.

Link to this sectionTehlike tespiti için nesne tespitini kullanma#

Düşmüş paletler, yanlış yerleştirilmiş envanter veya kalıntılar, hızlı müdahale edilmezse depoda güvenlik tehlikeleri oluşturabilir. YOLO11'in nesne tespiti yetenekleri, zemini sürekli tarayarak ve insan denetçilerin gözden kaçırabileceği engelleri tanımlayarak yardımcı olabilir.

Katı nesneleri fark etmenin yanı sıra, bilgisayarlı görü, kaymalara veya forklift kaymalarına neden olabilecek sıvı dökülmelerini tespit etmek için zemin koşullarını izlemek için de kullanılabilir. Yansımaları ve yüzey dokularını analiz ederek sistem, güvenli ve tehlikeli alanları birbirinden ayırt edebilir ve kazaları önlemeye yardımcı olabilir.

Kişi tespiti, acil çıkışların ve güvenlik yollarının açık kalmasını sağlayarak güvenliğe başka bir katman ekler. Bir grup insanın aylaklık etmesi gibi bir engel tespit edilirse, sistem personeli harekete geçmesi için uyarır, kuruluşların güvenlik düzenlemelerine uymasına yardımcı olur ve acil durumlardaki riskleri azaltır.

Link to this sectionDepo güvenliğinde bilgisayarlı görünün artıları ve eksileri#

İşte depo güvenliği için bilgisayarlı görü kullanmanın bazı temel avantajları:

• Ölçeklenebilirlik: YOLO11 ile entegre bilgisayarlı görü sistemleri, küçük depolama tesislerinden büyük ölçekli dağıtım merkezlerine kadar her boyuttaki depoya dağıtılabilir ve farklı operasyonel ihtiyaçlara uyum sağlayabilir.
• Depoya özel koşullar için özel eğitim: YOLO11, benzersiz tehlikeleri, ekipmanları ve iş akışı kalıplarını tanımak için depoya özgü veri setleri üzerinde eğitilebilir, böylece tespit doğruluğu artırılabilir.
• Sürekli gözetim ve izleme: İnsan denetçilerin aksine, bilgisayarlı görü sistemleri yorulmadan veya dikkat eksikliği yaşamadan günün her saati çalışabilir ve depo faaliyetlerini sürekli izleyebilir.

Ancak, diğer teknolojilerde olduğu gibi, bilgisayarlı görü çözümlerini uygularken göz önünde bulundurulması gereken bazı sınırlamalar da vardır:

• Çevresel sınırlamalar: Bilgisayarlı görü depo sistemleri düşük aydınlatma, yansıtıcı yüzeyler veya parlama ile mücadele edebilir, bu da iyileştirilmiş doğruluk için çoklu sensör füzyonu gerektirir.
• Eski sistemlerle entegrasyon: Mevcut depo otomasyon platformları, bilgisayarlı görü modellerini tam olarak desteklemek için değişikliklere veya ek altyapıya ihtiyaç duyabilir.
• Oklüzyon ve kör noktalar: Nesneler veya çalışanlar ekipman veya raflar tarafından engellenebilir, bu da tespit doğruluğunu azaltır. Bunu ele almak için kameralar tüm açıları kapsayacak ve kör noktaları en aza indirecek şekilde stratejik olarak yerleştirilebilir.

Link to this sectionYapay zeka destekli depo güvenliğinin geleceği#

Geleceğe baktığımızda, yapay zeka destekli depo güvenliğinin ve tehlike tespitinin geleceği, büyük olasılıkla IoT (Nesnelerin İnterneti) sensörlerinin ve 5G bağlantısının entegrasyonu ile şekillenecektir.

IoT, internete bağlı olan ve birbirleriyle bilgi alışverişinde bulunabilen sensörler, makineler ve ekipmanlar gibi cihazlar ağını ifade eder. Bir depoda bu, forkliftler, robotlar ve envanter sistemleri gibi cihazların durumları veya hareketleri hakkında önemli verileri paylaşarak gerçek zamanlı iletişim kurabileceği anlamına gelir.

5G (en yeni, en hızlı kablosuz teknoloji) ile birleştirildiğinde, bu sistemler bilgileri neredeyse anında gönderip alabilir, bu da genel verimliliği ve yanıt verebilirliği artırır.

Bu bağlantılı kurulum, forkliftlerin ve robotların insan çalışanlarla birlikte sorunsuz çalışmasını sağlamak için bilgisayarlı görü kullanmayı mümkün kılar. IoT sensörlerinden gelen gerçek zamanlı verilerle, otomatik sistemler çevrelerinde neler olup bittiğine göre eylemlerini ayarlayabilir, güvenlik risklerini azaltabilir ve iş akışını iyileştirebilir. Bu sistemler, ortamdaki değişikliklere hızla tepki verebilir.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü, kazaları önlemeye ve riskleri azaltmaya yardımcı olarak depoların güvenliğe yaklaşımını değiştiriyor. Bu sistemler gelişmeye devam ettikçe, depolar daha doğru tespit, daha hızlı işleme ve daha iyi otomasyon görecektir.

YOLO11 gibi bilgisayarlı görü modelleri, nesne tespiti ve poz tahmini gibi görevlerle depo güvenliğini daha da ileriye taşır. Kuruluşlar, forklift güvenliği için bilgisayarlı görüyü benimseyerek riskleri azaltabilir, operasyonel verimliliği artırabilir ve daha güvenli çalışma ortamları yaratabilir.

Büyüyen topluluğumuza katıl! Yapay zekanın derinliklerine inmek için GitHub depomuzu keşfet. Kendi bilgisayarlı görü projelerini mi inşa etmek istiyorsun? Lisanslama seçeneklerimize göz at. Sağlık hizmetlerinde bilgisayarlı görünün verimliliği nasıl artırdığını öğren ve çözüm sayfalarımızı ziyaret ederek üretimde yapay zekanın etkisini keşfet!