Phát hiện việc xếp pallet không an toàn bằng Ultralytics YOLO26

An toàn là yếu tố then chốt trong hoạt động kho. Pallet không ổn định, hàng hóa rơi và lối đi bị chắn có thể dẫn đến hư hỏng sản phẩm, gián đoạn quy trình làm việc và gây chấn thương nghiêm trọng cho người lao động.

Đặc biệt, việc xếp pallet đóng vai trò quan trọng trong việc duy trì một kho hàng an toàn và hiệu quả. Điều này ảnh hưởng trực tiếp đến độ ổn định của hàng hóa, mức độ thuận tiện khi di chuyển vật liệu trong không gian kho và mức độ an toàn khi người lao động vận hành.

Ngay cả những điểm không nhất quán nhỏ cũng có thể tạo ra rủi ro lớn hơn. Độ nghiêng nhẹ, sự phân bổ trọng lượng không đồng đều hoặc hàng hóa được cố định lỏng lẻo có thể khiến pallet mất ổn định. Thiếu màng co hoặc căn chỉnh kém có thể làm giảm thêm độ ổn định, tăng khả năng hư hỏng sản phẩm hoặc xảy ra tai nạn tại nơi làm việc.

Hình 1. Nhà kho là một không gian năng động, nơi người lao động liên tục di chuyển và xếp pallet. (Nguồn)

Để ngăn ngừa các vấn đề này, những tổ chức như Cơ quan Quản lý An toàn và Sức khỏe Nghề nghiệp (OSHA) đưa ra 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 của hàng hóa, tuân thủ giới hạn tải trọng an toàn và thực hiện đúng quy trình xử lý để ngăn ngừa các mối nguy như chồng hàng bị đổ hoặc sập.

Tuy nhiên, việc áp dụng nhất quán các tiêu chuẩn này trong môi trường kho vận hành nhanh không phải lúc nào cũng dễ dàng. Pallet thường xuyên được di chuyển, xếp lại và xử lý trong suốt ngày làm việc. Điều này khiến việc giám sát tình trạng của mọi kiện hàng theo thời gian thực hoặc phát hiện sớm các dấu hiệu mất ổn định trở nên khó khăn.

Một cách tiếp cận hiệu quả hơn là sử dụng thị giác máy tính. Là một nhánh của AI, công nghệ này cho phép máy móc diễn giải và phân tích dữ liệu hình ảnh từ ảnh và luồng video. Với các model AI thị giác 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, giúp đội ngũ phản ứng trước khi vấn đề trở nên nghiêm trọng hơn.

Trong bài viết này, chúng ta sẽ tìm hiểu các rủi ro liên quan đến việc xếp pallet không an toàn và cách các hệ thống dựa trên thị giác có thể giúp phát hiện, ngăn ngừa chúng. Hãy bắt đầu!

Tác động của việc xếp pallet đến an toàn kho hàng#

Pallet được thiết kế để chịu một mức trọng lượng nhất định và được xếp theo cách ổn định. Khi bị chất 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 cũng có thể tích tụ theo thời gian và làm tăng khả năng kiện hàng bị đổ trong lúc xử lý. Những vấn đề này thường xảy ra trong môi trường có nhịp độ cao, nơi pallet liên tục được chất hàng, di chuyển và xếp lại. Những lỗi ban đầu tưởng như nhỏ có thể dần ảnh hưởng đến sự phân bổ trọng lượng và dẫn đến các chồng hàng không ổn định.

Điều này cũng ảnh hưởng đến hoạt động hằng ngày. Nếu cần chỉnh sửa pallet trong quá trình chất hàng hoặc vận chuyển, công việc có thể chậm lại và gây trì hoãn. Vấn đề trở nên rõ rệt hơn trong lúc xử lý, đặc biệt khi có xe nâng và xe nâng tay tham gia.

Vì các thiết bị này luôn chuyển động, việc xử lý hàng hóa không ổn định khiến ngay cả những tác vụ thường nhật cũng trở nên rủi ro hơn. Điều này có thể dẫn đến hàng hóa bị hư hỏng, gián đoạn quy trình làm việc hoặc chất hàng quá tải.

Trong những trường hợp nghiêm trọng hơn, sự việc có thể gây chấn thương cho người lao động và ảnh hưởng đến toàn bộ chuỗi cung ứng, làm tăng cả chi phí vận hành lẫn chi phí tài chính.

Thách thức của 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 checklist kiểm tra. Những phương pháp này hỗ trợ an toàn pallet và thực hành xếp hàng đúng cách, nhưng bị hạn chế về mức độ nhất quán khi áp dụng trong môi trường bận rộn.

Một hạn chế chính là việc kiểm tra chỉ ghi nhận một thời điểm. Hoạt động kho bao gồm việc chất hàng, di chuyển và xếp lại liên tục, nhưng quá trình kiểm tra chỉ ghi nhận hình dạng của chồng hàng tại thời điểm kiểm tra. Điều này khiến việc phát hiện các vấn đề phát triển giữa những lần kiểm tra trở nên khó khăn, chẳng hạn như sai lệch dần dần, hàng hóa bị xê dịch hoặc các dấu hiệu mất ổn định ban đầu.

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

Quy mô hoạt động tạo thêm một lớp khó khăn. Trong các kho hàng lớn, việc duy trì kiểm tra thường xuyên trên tất cả khu vực là một thách thức, đặc biệt quanh các khu vực kệ pallet và băng chuyền. Những khoảng trống trong phạm vi 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.

Vai trò của AI thị giác trong hoạt động kho hàng#

Các kho hàng đang bắt đầu áp dụng những hệ thống thị giác máy tính có thể giám sát hoạt động hằng ngày. Các hệ thống này học từ khối lượng lớn ảnh đã gán nhãn và có thể liên tục theo dõi các chi tiết riêng của pallet trên nhiều khu vực lưu trữ khác nhau.

Ví dụ, các model thị giác máy tính tiên tiến như YOLO26 hỗ trợ các tác vụ thị giác như phát hiện đối tượng, phân loại ảnh, phát hiện hộp giới hạn định hướng (OBB), ước tính pose và phân đoạn instance, qua đó giúp phân tích cách pallet và hàng hóa được sắp xếp trong không gian kho.

Cụ thể, tính năng phát hiện đối tượng có thể được sử dụng để xác định và định vị pallet, thùng hàng và thiết bị xử lý trong các lối đi và khu vực lưu trữ. Điều này cho phép hệ thống theo dõi cách vật liệu được đặt và di chuyển.

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

Trong khi đó, phân đoạn instance cho phép xác định chính xác từng vật thể trong một chồng hàng bằng cách phác thảo mỗi đối tượng ở cấp độ pixel. Điều này giúp phân tách các vật thể chồng lấn hoặc nằm sát nhau dễ dàng hơn. Trong những tình huống mà việc căn chỉnh là yếu tố quan trọng, có thể sử dụng hộp giới hạn định hướng để đánh giá vị trí của hàng hóa, ghi nhận góc và hướng của chúng chính xác hơn.

Tương tự, tính năng phân loại ảnh có thể được sử dụng để phân tích tình trạng tổng thể của pallet hoặc khung cảnh và gán các nhãn như “ổn định”, “không ổn định” hoặc “hư hỏng”. Ngoài ra, ước tính pose tập trung vào việc phát hiện các keypoint để theo dõi vị trí và chuyển động của người lao động hoặc thiết bị, qua đó giúp hiểu cách chúng tương tác với pallet và xác định thao tác có khả năng không an toàn.

Ultralytics YOLO26 hỗ trợ xếp pallet trong thực tế như thế nào#

Ultralytics YOLO26 có sẵn dưới dạng model đã được pre-train ngay khi cài đặt. Nói cách khác, model này đã được huấn luyện trên các dataset lớn, nên có thể nhận dạng những đối tượng phổ biến mà không cần xây dựng từ đầu.

Tuy nhiên, môi trường kho hàng có những đặc thù riêng, chẳng hạn như nhiều loại pallet, kiểu xếp chồng, tình trạng hàng hóa và những điểm không nhất quán trong thực tế. Đây là lúc khả năng custom train các model Ultralytics YOLO như YOLO26 trở nên hữu ích.

Huấn luyện model trên dữ liệu đặc thù của kho giúp model hiểu rõ hơn những biến thể này và tạo ra kết quả chính xác, đáng tin cậy hơn. Quy trình bắt đầu bằng việc thu thập ảnh và khung hình video từ khu vực vận hành kho, ghi nhận các điều kiện xếp chồng khác nhau trong nhiều môi trường.

Sau đó, những ảnh này được gán annotation (bổ sung nhãn), chẳng hạn bằng cách vẽ bounding box (hộp hình chữ nhật) quanh pallet hoặc đánh dấu các khu vực mất ổn định. Khi dataset được chuẩn bị từ dữ liệu đã gán annotation, Ultralytics YOLO26 có thể được huấn luyện trên các ví dụ thực tế này, giúp model thích ứng với những biến thể về bố cục, ánh sáng và hoạt động.

Việc huấn luyện có thể được thực hiện bằng package Ultralytics Python, cung cấp các công cụ tích hợp để tải dữ liệu, huấn luyện model và chạy dự đoán bằng code, hoặc thông qua Ultralytics Platform, một nền tảng thị giác máy tính end-to-end kết hợp quản lý dữ liệu, gán annotation, huấn luyện và triển khai trong một nơi.

Đơn giản hóa việc huấn luyện model với Ultralytics Platform#

Quản lý workflow thị giác máy tính, từ chuẩn bị dataset và gán annotation đến huấn luyện, đánh giá và triển khai, có thể phức tạp. Ultralytics Platform giải quyết thách thức này bằng cách đưa các bước đó vào một môi trường duy nhất.

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

Hình 3. Giao diện dataset trong Ultralytics Platform (Nguồn)

Sau khi được huấn luyện, model có thể được kiểm thử trên những ảnh mới chưa từng thấy bằng tab Predict tích hợp để xác minh hiệu suất trước khi triển khai.

Sau khi xác thực, model có thể được triển khai theo nhiều cách thông qua Ultralytics Platform, tùy theo trường hợp sử dụng, bao gồm inference dùng chung cho phát triển và kiểm thử, endpoint chuyên dụng cho triển khai production hoặc export model để chạy trên các hệ thống bên ngoài hay thiết bị edge.

Các yếu tố cần cân nhắc khi bố trí camera để phát hiện chính xác#

Khi xây dựng một hệ thống giám sát pallet dựa trên thị giác, vị trí đặt camera có thể ảnh hưởng trực tiếp đến độ tin cậy của việc ghi nhận các vấn đề khi xếp hàng. Thiết lập phù hợp hỗ trợ tự động hóa hiệu quả hơn cho các hệ thống giám sát.

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

Dưới đây là một số yếu tố thực tế cần cân nhắc khi bố trí camera:

• Góc nhìn trực diện vào kệ: Camera được đặt đối diện kệ pallet có thể ghi nhận toàn bộ chiều cao của chồng hàng, giúp quan sát tình trạng xếp quá cao và hàng hóa bị nghiêng dễ dàng hơn.
• Góc nhìn nghiêng để quan sát độ sâu và độ nghiêng: Góc nhìn nghiêng từ camera, thường khoảng 30–45°, có thể cung cấp khả năng quan sát tốt hơn về độ sâu, độ nghiêng và khoảng trống trong chồng hàng, những yếu tố có thể không nhìn thấy từ góc nhìn thẳng trực diện.
• Góc nhìn trên cao cho khu vực dày đặc: Góc nhìn từ trên xuống hữu ích trong các khu vực xếp chật, nơi góc nhìn bên có thể bị che khuất và việc phân biệt từng pallet trở nên khó khăn hơn.
• Điểm giám sát lối vào và lối ra: Camera đặt gần băng chuyền và khu vực bốc dỡ có thể ghi nhận 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 đặt hàng gần lối di chuyển của xe nâng có thể cung cấp thông tin về độ ổn định của hàng hóa trong quá trình xử lý, nơi nhiều vấn đề thường xảy ra.

Các ứng dụng thực tế của AI thị giác trong việc xếp pallet#

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

Phát hiện vi phạm giới hạn chiều cao chồng hàng trong khu vực lưu trữ#

Giới hạn chiều cao chồng hàng xác định độ cao an toàn khi xếp pallet, đặc biệt trong các khu vực lưu trữ nơi pallet được xếp gần nhau để tận dụng tối đa không gian. Những giới hạn này giúp ngăn hàng hóa mất ổn định và duy trì khoảng cách an toàn quanh kệ pallet cũng như các hệ thống phía trên như sprinkler.

Tuy nhiên, các giới hạn này có thể bị vượt quá trong những giai đoạn bận rộn, chẳng hạn như hoạt động tiếp nhận hàng khối lượng lớn. Để giám sát chặt chẽ hơn hoạt động này, các model như Ultralytics YOLO26 có thể phân tích luồng camera nhằm phát hiện, đếm từng pallet và theo dõi sự phát triển của chồng hàng theo thời gian.

Bằng cách giám sát số lượng và vị trí của các pallet được phát hiện, hệ thống hỗ trợ thị giác có thể ước tính chiều cao tổng thể của chồng hàng và xác định khi chồng hàng tiến gần hoặc vượt quá giới hạn an toàn. Điều này giúp nhân viên vận hành kho sớm nhận biết các vấn đề tiềm ẩn, từ đó có thể điều chỉnh cách xếp hoặc phân bổ lại hàng hóa trước khi chúng trở thành rủi ro an toàn.

Xác định tình trạng mất cân bằng của hàng hóa và kết cấu bị nghiêng#

Khi pallet được xếp đúng chiều cao nhưng không được cân bằng đúng cách, pallet vẫn có thể trở nên mất ổn định. Sự phân bổ trọng lượng không đồng đều, các thùng hàng đặt lỏng lẻo hoặc sai lệch nhỏ có thể khiến pallet đã chất hàng dần nghiêng theo thời gian.

Ban đầu, những thay đổi này thường rất nhỏ và có thể không rõ ràng trong các lần kiểm tra định kỳ. Tuy nhiên, với các model thị giác máy tính như Ultralytics YOLO26, việc kiểm tra có thể được thực hiện liên tục bằng luồng camera.

Ví dụ, khả năng hỗ trợ hộp giới hạn định hướng (OBB) của Ultralytics YOLO26 giúp dễ dàng ghi nhận góc và hướng của từng pallet hoặc thùng hàng, thay vì chỉ ghi nhận vị trí của chúng. Bằng cách theo dõi các hướng này theo thời gian, model có thể phát hiện những dịch chuyển nhỏ như độ nghiêng nhẹ hoặc thay đổi trong căn chỉnh.

Khi các góc bắt đầu lệch khỏi phương thẳng đứng hoặc trở nên không nhất quán giữa các lớp, đó có thể là dấu hiệu cho thấy chồng hàng bắt đầu nghiêng. Nếu phát hiện sớm tình trạng mất cân bằng, có thể khắc phục trước khi vấn đề trở nên nghiêm trọng hơn.

Ưu và nhược điểm của việc sử dụng AI thị giác để xếp pallet an toàn#

Dưới đây là một số lợi ích chính của việc sử dụng các hệ thống dựa trên thị giác cho hoạt động xếp pallet:

• Khả năng quan sát theo thời gian thực trên toàn bộ hoạt động: Hệ thống thị giác có thể giám sát liên tục tình trạng pallet, giúp tuân thủ các tiêu chuẩn OSHA và thực hành xếp hàng đúng cách dễ dàng hơn.
• Theo dõi sự cố tốt hơn: Dữ liệu hình ảnh được ghi lại có thể được xem xét sau để hiểu vấn đề phát triển vào thời điểm nào và theo cách nào.
• Tích hợp với các hệ thống hiện có: Các model thị giác có thể được kết nối với hệ thống quản lý kho hoặc hệ thống cảnh báo để kích hoạt thông báo hay workflow.
• Giám sát có khả năng mở rộng trên nhiều khu vực: Các model thị giác tiên tiến có thể được triển khai trên nhiều khu vực kho, cung cấp khả năng quan sát nhất quán ngay cả trong các cơ sở lớn hoặc phân tán.

Mặc dù sử dụng AI thị giác cho việc xếp pallet mang lại nhiều lợi ích, dưới đây là một số yếu tố hạn chế cần lưu ý:

• Độ nhạy với môi trường: Điều kiện ánh sáng, bóng đổ và vật cản có thể ảnh hưởng đến độ rõ nét của hình ảnh chồng pallet.
• Phụ thuộc vào thiết lập phù hợp: Kết quả đáng tin cậy đòi hỏi vị trí đặt camera được lên kế hoạch kỹ lưỡng và phạm vi bao phủ đầy đủ các khu vực vận hành trọng yếu.
• Suy giảm hiệu suất model: Những thay đổi về bố cục kho, ánh sáng hoặc hoạt động có thể đòi hỏi 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 ổn định.

Những điểm chính#

Việc xếp pallet không an toàn thường không trở thành vấn đề ngay lập tức. Vấn đề tích tụ theo thời gian qua những sai lệch nhỏ và sự xê dịch của hàng hóa. Với khả năng giám sát hình ảnh liên tục, những thay đổi tinh vi này có thể được phát hiện sớm, giúp dễ dàng hành động trước khi vấn đề trở nên nghiêm trọng hơn. Các model như Ultralytics YOLO26 hỗ trợ điều này bằng cách cho phép phát hiện nhanh theo thời gian thực.

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