Phát hiện việc xếp pallet không an toàn với Ultralytics YOLO26

An toàn là yếu tố then chốt trong vận hành kho bãi. Pallet không ổn định, hàng hóa rơi vãi và lối đi bị chặn có thể dẫn đến hư hỏng sản phẩm, gián đoạn quy trình làm việc và thương tích nghiêm trọng cho nhân viên.

Cụ thể, việc xếp pallet đóng vai trò quan trọng trong việc duy trì kho bãi an toàn và hiệu quả. Nó ảnh hưởng trực tiếp đến độ ổn định của tải trọng, khả năng luân chuyển vật liệu trong không gian và sự an toàn của nhân viên khi làm việc.

Ngay cả những điểm không nhất quán nhỏ cũng có thể tạo ra rủi ro lớn hơn. Một chút nghiêng, phân bổ trọng lượng không đều hoặc tải trọng được cố định lỏng lẻo có thể khiến pallet trở nên mất ổn định. Việc thiếu màng bọc co hoặc căn chỉnh kém có thể làm suy yếu thêm độ ổn định, làm tăng khả năng hư hỏng sản phẩm hoặc tai nạn lao động.

Hình 1. Kho hàng là một không gian năng động, nơi nhân viên liên tục di chuyển và xếp pallet. (Nguồn)

Để ngăn chặn các vấn đề như vậy, các tổ chức như Cơ quan Quản lý An toàn và Sức khỏe Nghề nghiệp (OSHA) cung cấp các hướng dẫn về lưu trữ và xử lý vật liệu an toàn. Các hướng dẫn an toàn này nhấn mạnh việc duy trì độ ổn định tải trọng, giữ tải trọng trong giới hạn an toàn và tuân thủ các quy trình xử lý thích hợp để ngăn ngừa các nguy cơ như đổ hoặc sập hàng hóa.

Tuy nhiên, việc áp dụng nhất quán các tiêu chuẩn này trong môi trường kho bãi nhịp độ nhanh không phải lúc nào cũng dễ dàng. Pallet thường được di chuyển, xếp lại và xử lý suốt cả ngày. Điều này gây khó khăn cho việc giám sát mọi tình trạng tải trọng theo thời gian thực hoặc phát hiện sớm các dấu hiệu mất ổn định.

Một phương pháp hiệu quả hơn là sử dụng computer vision. Là một nhánh của AI, nó cho phép máy móc diễn giải và phân tích dữ liệu hình ảnh từ camera và nguồn cấp video. Với các model vision AI như Ultralytics YOLO26, kho hàng có thể giám sát tình trạng pallet theo thời gian thực và phát hiện sớm các cấu hình không ổn định, cho phép các đội ngũ ứng phó trước khi các vấn đề trở nên nghiêm trọng.

Trong bài viết này, chúng ta sẽ khám phá những rủi ro liên quan đến việc xếp pallet không an toàn và cách các hệ thống dựa trên vision có thể giúp phát hiện và ngăn chặn chúng. Hãy bắt đầu nào!

Link to this sectionTác động của việc xếp pallet đối với an toàn kho bãi#

Pallet được thiết kế để chịu một trọng lượng nhất định và xếp chồng một cách ổn định. Khi chúng bị quá tải hoặc không được cân bằng đúng cách, độ ổn định đó bắt đầu suy giảm.

Ngay cả những sai lệch nhỏ trong quá trình xếp chồng cũng có thể tích tụ theo thời gian và tăng khả năng tải trọng bị đổ trong quá trình xử lý. Những vấn đề này thường xảy ra trong các môi trường nhịp độ nhanh, nơi pallet liên tục được tải, di chuyển và xếp lại. Những gì ban đầu tưởng chừng là sai sót nhỏ có thể dần dần ảnh hưởng đến phân bổ trọng lượng và dẫn đến các chồng hàng không ổn định.

Điều này cũng ảnh hưởng đến hoạt động hàng ngày. Nếu một pallet cần được sửa chữa trong quá trình tải hoặc vận chuyển, nó có thể làm chậm tiến độ và gây ra sự chậm trễ. Vấn đề trở nên dễ nhận thấy hơn trong quá trình xử lý, đặc biệt là khi có xe nâng và xe kéo pallet tham gia.

Vì các thiết bị như vậy luôn chuyển động, việc xử lý các tải trọng không ổn định làm cho ngay cả các công việc thông thường cũng trở nên rủi ro hơn. Điều này có thể dẫn đến hư hỏng hàng hóa, gián đoạn quy trình công việc hoặc quá tải.

Trong những trường hợp nghiêm trọng hơn, nó có thể dẫn đến thương tích cho nhân viên và ảnh hưởng đến toàn bộ chuỗi cung ứng, làm tăng chi phí vận hành và tài chính.

Link to this sectionThách thức với các phương pháp kiểm tra pallet truyền thống#

Hầu hết các kho hàng dựa vào quy trình kiểm tra pallet thủ công, thường được hướng dẫn bởi các tiêu chuẩn OSHA, quy định an toàn và danh sách kiểm tra. Các phương pháp này hỗ trợ an toàn pallet và thực hành xếp hàng đúng cách, nhưng chúng bị hạn chế về khả năng áp dụng nhất quán trong các môi trường bận rộn.

Một hạn chế chính là các đợt kiểm tra chỉ ghi lại một thời điểm nhất định. Hoạt động kho bãi bao gồm liên tục việc tải, di chuyển và xếp lại, nhưng các đợt kiểm tra chỉ nắm bắt được tình trạng của chồng hàng tại thời điểm kiểm tra. Điều này gây khó khăn cho việc phát hiện các vấn đề phát sinh giữa các lần kiểm tra, chẳng hạn như sự lệch dần, tải trọng dịch chuyển hoặc dấu hiệu mất ổn định sớm.

Một số vấn đề cũng khó phát hiện hơn trong các lần kiểm tra định kỳ. Pallet bị hỏng, ván gãy hoặc dằm nhỏ có thể không được chú ý, mặc dù chúng có thể làm suy yếu cấu trúc và ảnh hưởng đến độ ổn định của tải trọng trong quá trình xử lý.

Quy mô làm tăng thêm một lớp khó khăn. Trong các kho hàng lớn, việc duy trì kiểm tra thường xuyên trên tất cả các khu vực là một thách thức, đặc biệt là xung quanh các khu vực giá đỡ pallet và khu vực băng chuyền. Những khoảng trống trong việc bao phủ này khiến việc tuân thủ nhất quán các thực hành an toàn và đảm bảo xếp pallet ổn định trong toàn bộ hoạt động trở nên khó khăn hơn.

Link to this sectionVai trò của vision AI trong vận hành kho bãi#

Các kho hàng đang bắt đầu áp dụng các hệ thống computer vision có thể giám sát các hoạt động hàng ngày. Các hệ thống này học từ lượng lớn hình ảnh được dán nhãn và có thể liên tục theo dõi các chi tiết cụ thể của pallet trên các khu vực lưu trữ khác nhau.

Ví dụ, các model computer vision tiên tiến như YOLO26 hỗ trợ các tác vụ thị giác như object detection, phân loại hình ảnh, oriented bounding box (OBB) detection, pose estimation và instance segmentation, giúp phân tích cách các pallet và hàng hóa được sắp xếp trong không gian kho bãi.

Cụ thể, object detection có thể được sử dụng để xác định và định vị pallet, hộp và thiết bị xử lý trên các lối đi và khu vực lưu trữ. Điều này cho phép các hệ thống theo dõi cách vật liệu được đặt và di chuyển.

Hình 2. Sử dụng model Ultralytics YOLO để phát hiện các hộp được xếp chồng (Nguồn)

Trong khi đó, instance segmentation cho phép xác định chính xác từng mặt hàng riêng lẻ trong một chồng bằng cách vạch ra từng đối tượng ở cấp độ pixel. Điều này giúp dễ dàng tách biệt các mặt hàng chồng chéo hoặc đóng gói chặt chẽ. Trong những tình huống mà việc căn chỉnh là rất quan trọng, oriented bounding boxes có thể được sử dụng để đánh giá cách tải trọng được đặt, nắm bắt các góc và hướng của chúng chính xác hơn.

Tương tự, phân loại hình ảnh có thể được sử dụng để phân tích tình trạng tổng thể của một pallet hoặc cảnh và gán nhãn như “ổn định”, “không ổn định” hoặc “hư hỏng”. Ngoài ra, pose estimation tập trung vào việc phát hiện các điểm khóa để theo dõi vị trí và chuyển động của nhân viên hoặc thiết bị, giúp hiểu cách họ tương tác với pallet và xác định các xử lý không an toàn tiềm ẩn.

Link to this sectionCách YOLO26 hỗ trợ xếp pallet trong thực tế#

Ultralytics YOLO26 sẵn sàng sử dụng như một model đã được huấn luyện trước. Nói cách khác, nó đã được huấn luyện trên các tập dữ liệu lớn, vì vậy nó có thể nhận diện các đối tượng phổ biến mà không cần phải xây dựng từ đầu.

Tuy nhiên, môi trường kho bãi có những sắc thái riêng như loại pallet, kiểu xếp chồng, điều kiện tải trọng và các điểm không nhất quán trong thực tế. Đây là lúc khả năng huấn luyện tùy chỉnh các model Ultralytics YOLO như YOLO26 trở nên giá trị.

Huấn luyện model trên dữ liệu cụ thể của kho bãi giúp nó hiểu rõ hơn về các biến thể này và mang lại kết quả chính xác, đáng tin cậy hơn. Quá trình này bắt đầu bằng việc thu thập hình ảnh và khung hình video từ các sàn kho, ghi lại các điều kiện xếp chồng khác nhau trong các môi trường.

Những hình ảnh này sau đó được chú thích (gắn nhãn), ví dụ, bằng cách vẽ các bounding boxes (hộp hình chữ nhật) xung quanh pallet hoặc đánh dấu các khu vực mất ổn định. Sau khi tập dữ liệu được chuẩn bị bằng dữ liệu đã chú thích, YOLO26 có thể được huấn luyện trên các ví dụ thực tế này, thích ứng với các biến thể về bố cục, ánh sáng và vận hành.

Việc huấn luyện có thể được thực hiện bằng Ultralytics Python package, cung cấp các công cụ tích hợp sẵn để tải dữ liệu, huấn luyện model và chạy dự đoán bằng code, hoặc thông qua Ultralytics Platform, một nền tảng computer vision toàn diện kết hợp quản lý dữ liệu, chú thích, huấn luyện và triển khai tại một nơi.

Link to this sectionĐơn giản hóa việc huấn luyện model với Ultralytics Platform#

Việc quản lý các quy trình computer vision, từ chuẩn bị và chú thích tập dữ liệu đến huấn luyện, đánh giá và triển khai, có thể rất phức tạp. Ultralytics Platform giải quyết thách thức này bằng cách đưa các bước này vào một môi trường duy nhất.

Ví dụ, người dùng có thể tổ chức và dán nhãn dữ liệu hình ảnh từ môi trường kho bãi và sử dụng nó để huấn luyện model trên các kịch bản thực tế. Điều này cho phép các model học cách các pallet xuất hiện trong các bố cục, điều kiện ánh sáng và phong cách xếp chồng khác nhau, giúp nó chính xác và đáng tin cậy hơn trong các hoạt động thực tế.

Hình 3. Cái nhìn về một tập dữ liệu trong Ultralytics Platform (Nguồn)

Sau khi được huấn luyện, các model có thể được kiểm tra trên các hình ảnh mới, chưa từng thấy bằng cách sử dụng tab Predict tích hợp để xác minh hiệu suất trước khi triển khai.

Sau khi xác thực, các model có thể được triển khai theo nhiều cách khác nhau thông qua Ultralytics Platform, tùy thuộc vào trường hợp sử dụng, bao gồm inference chia sẻ để phát triển và kiểm thử, các endpoint chuyên dụng cho triển khai sản xuất, hoặc bằng cách xuất model để chạy trên các hệ thống bên ngoài hoặc thiết bị edge.

Link to this sectionCân nhắc về vị trí đặt camera để phát hiện chính xác#

Khi bạn đang xây dựng một hệ thống giám sát pallet dựa trên vision, vị trí đặt camera có thể ảnh hưởng trực tiếp đến độ tin cậy của việc nắm bắt các vấn đề xếp chồng. Thiết lập đúng hỗ trợ tự động hóa các hệ thống giám sát hiệu quả hơn.

Hình 4. Ví dụ về việc sử dụng camera treo cao để giám sát các hoạt động trong kho (Nguồn)

Dưới đây là một vài cân nhắc thực tế cho việc đặt camera:

• Góc nhìn trực diện giá đỡ: Các camera đặt đối diện với giá pallet có thể nắm bắt toàn bộ chiều cao của các chồng hàng, giúp dễ dàng quan sát việc xếp quá cao và tải trọng bị nghiêng.
• Góc nhìn nghiêng để quan sát độ sâu và độ nghiêng: Các góc quay camera nghiêng, thường khoảng 30–45°, có thể cung cấp khả năng hiển thị tốt hơn về độ sâu, độ nghiêng và các khe hở trong chồng hàng mà có thể không nhìn thấy được từ góc nhìn trực diện.
• Góc nhìn từ trên xuống cho các khu vực mật độ cao: Các góc nhìn từ trên xuống rất hữu ích trong các khu vực đóng gói chặt chẽ, nơi các góc nhìn ngang có thể bị cản trở và việc phân biệt từng pallet riêng lẻ trở nên khó khăn hơn.
• Điểm giám sát lối vào và lối ra: Các camera được đặt gần băng chuyền và khu vực bến tàu có thể nắm bắt pallet trước và sau khi di chuyển, giúp theo dõi những thay đổi về độ ổn định trong quá trình vận chuyển.
• Khu vực tương tác với xe nâng: Giám sát các khu vực lấy và hạ hàng gần đường đi của xe nâng có thể cung cấp thông tin chi tiết về độ ổn định của tải trọng trong quá trình xử lý, nơi nhiều vấn đề thường xảy ra.

Link to this sectionCác ứng dụng thực tế của vision AI trong xếp pallet#

Tiếp theo, hãy cùng xem qua một số ví dụ thực tế về cách vision AI được sử dụng trong các kho hàng để phát hiện và xử lý các vấn đề xếp pallet phổ biến.

Link to this sectionPhát hiện vi phạm chiều cao chồng hàng trong khu vực lưu trữ#

Các giới hạn chiều cao xếp chồng xác định độ cao an toàn của các chồng pallet, đặc biệt là trong các khu vực lưu trữ nơi các pallet được xếp sát nhau để tận dụng tối đa không gian. Những giới hạn này giúp ngăn ngừa tải trọng không ổn định và duy trì khoảng cách an toàn xung quanh các giá đỡ pallet và các hệ thống treo cao như vòi phun nước chữa cháy.

Tuy nhiên, những giới hạn này có thể bị vượt quá trong các thời kỳ bận rộn như hoạt động nhập hàng khối lượng lớn. Để giám sát chặt chẽ hơn các hoạt động như vậy, các model như YOLO26 có thể phân tích nguồn cấp dữ liệu camera để phát hiện và đếm từng pallet riêng lẻ cũng như theo dõi cách chồng hàng phát triển theo thời gian.

Bằng cách giám sát số lượng và vị trí của các pallet được phát hiện, hệ thống hỗ trợ vision có thể ước tính chiều cao tổng thể của chồng hàng và xác định khi nào nó đạt hoặc vượt quá giới hạn an toàn. Điều này mang lại cho người vận hành kho tầm nhìn sớm về các vấn đề tiềm ẩn, giúp họ có thể điều chỉnh cách xếp chồng hoặc phân bổ lại tải trọng trước khi chúng trở thành rủi ro an toàn.

Link to this sectionXác định mất cân bằng tải trọng và cấu trúc bị nghiêng#

Khi một pallet được xếp đến đúng độ cao nhưng không được cân bằng đúng cách, nó vẫn có thể trở nên không ổn định. Phân bổ trọng lượng không đều, các hộp được đặt lỏng lẻo hoặc sai lệch nhẹ có thể khiến pallet hàng bị nghiêng dần theo thời gian.

Những thay đổi này thường tinh tế lúc đầu và có thể không rõ ràng trong các lần kiểm tra định kỳ. Nhưng với các model computer vision như YOLO26, các kiểm tra này có thể được thực hiện liên tục bằng cách sử dụng nguồn cấp dữ liệu camera.

Ví dụ, việc hỗ trợ oriented bounding boxes (OBBs) của YOLO26 giúp dễ dàng nắm bắt góc và hướng của từng pallet hoặc hộp, thay vì chỉ là vị trí của chúng. Bằng cách theo dõi các hướng này theo thời gian, model có thể phát hiện các thay đổi nhỏ như độ nghiêng nhẹ hoặc thay đổi trong căn chỉnh.

Khi các góc này bắt đầu lệch khỏi căn chỉnh thẳng đứng hoặc không nhất quán giữa các lớp, nó có thể cho thấy chồng hàng bắt đầu bị nghiêng. Khi các mất cân bằng được phát hiện sớm, chúng có thể được sửa chữa trước khi trở nên nghiêm trọng.

Link to this sectionƯu và nhược điểm của việc sử dụng vision AI cho xếp pallet an toàn#

Dưới đây là một số lợi ích chính của việc sử dụng hệ thống dựa trên vision cho xếp pallet:

• Tầm nhìn thời gian thực trên toàn bộ hoạt động: Các hệ thống vision có thể cung cấp giám sát liên tục tình trạng pallet, giúp dễ dàng tuân thủ các tiêu chuẩn OSHA và thực hành xếp hàng đúng cách.
• Theo dõi sự cố tốt hơn: Dữ liệu hình ảnh được ghi lại có thể được xem lại sau đó để hiểu khi nào và làm thế nào một vấn đề phát sinh.
• Tích hợp với các hệ thống hiện có: Các vision model có thể được kết nối với hệ thống quản lý kho hoặc hệ thống cảnh báo để kích hoạt thông báo hoặc quy trình làm việc.
• Giám sát có thể mở rộng trên các khu vực: Các vision model tiên tiến có thể được triển khai trên nhiều khu vực kho, cho phép tầm nhìn nhất quán ngay cả trong các cơ sở lớn hoặc phân tán.

Trong khi việc sử dụng vision AI cho xếp pallet mang lại nhiều lợi thế, dưới đây là một số yếu tố hạn chế cần lưu ý:

• Độ nhạy môi trường: Điều kiện ánh sáng, bóng đổ và vật cản có thể ảnh hưởng đến mức độ rõ nét của các chồng pallet được ghi lại.
• Sự phụ thuộc vào thiết lập đúng: Kết quả đáng tin cậy đòi hỏi vị trí đặt camera được quy hoạch tốt và phạm vi bao phủ đầy đủ các khu vực vận hành chính.
• Sự trôi dạt hiệu suất model: Những thay đổi về bố cục kho, ánh sáng hoặc hoạt động có thể yêu cầu cập nhật hoặc huấn luyện lại model định kỳ.
• Bảo trì camera: Camera có thể cần được vệ sinh, hiệu chuẩn và kiểm tra thường xuyên để đảm bảo hiệu suất nhất quán.

Link to this sectionNhững điểm chính rút ra#

Việc xếp pallet không an toàn thường không trở thành vấn đề ngay lập tức. Nó tích tụ theo thời gian thông qua những sai lệch nhỏ và các tải trọng dịch chuyển. Với việc giám sát bằng hình ảnh liên tục, những thay đổi tinh tế này có thể được phát hiện sớm, giúp dễ dàng hành động trước khi các vấn đề trở nên nghiêm trọng. Các model như YOLO26 hỗ trợ điều này bằng cách cho phép phát hiện nhanh, theo thời gian thực.

Bạn muốn khám phá thêm về vision AI? Hãy truy cập GitHub repository của chúng tôi để tìm hiểu thêm. Tham gia cộng đồng của chúng tôi và khám phá các ứng dụng như AI trong logistics và vision AI trong bán lẻ. Kiểm tra các tùy chọn cấp phép của chúng tôi để bắt đầu!