Phát hiện tình trạng xếp pallet không an toàn bằng Ultralytics YOLO26

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

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

Ngay cả những sai lệch nhỏ cũng có thể tạo ra rủi ro lớn hơn. Pallet hơi nghiêng, trọng lượng phân bổ không đều hoặc hàng hóa không được cố định chắc chắn đều có thể khiến pallet mất ổn định. Thiếu màng co hoặc căn chỉnh kém còn làm giảm độ vững chắc, tăng nguy cơ hư hỏng sản phẩm hoặc tai nạn lao động.

Hình 1. Kho hàng là không gian năng động, nơi người lao động liên tục di chuyển và xếp chồng pallet. (Nguồn)

Để ngăn chặn những vấn đề này, các tổ chức như Cơ quan Quản lý An toàn và Sức khỏe Nghề nghiệp (OSHA) đưa ra hướng dẫn về lưu trữ và xử lý vật liệu an toàn. Những hướng dẫn này nhấn mạnh việc duy trì độ ổn định của hàng hóa, không vượt quá giới hạn tải trọng an toàn và tuân thủ quy trình xử lý phù hợp để ngăn ngừa nguy cơ như chồng hàng bị rơi hoặc đổ sập.

Tuy nhiên, việc áp dụng nhất quán các tiêu chuẩn này trong môi trường kho hàng có nhịp độ 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 gây khó khăn cho việc giám sát mọi tình trạng hàng hóa theo thời gian thực hoặc phát hiện sớm dấu hiệu mất ổn định.

Một phương pháp hiệu quả hơn là sử dụng computer vision. 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 sớm phát hiện cách xếp không ổn định, giúp các nhóm xử lý vấn đề trước khi tình hình trở nên nghiêm trọng.

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

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

Pallet được thiết kế để chịu một mức tải trọng nhất định và có thể xếp chồng ổn định. Khi bị chất quá tải hoặc xếp không cân bằng, độ ổn định đó bắt đầu suy giảm.

Ngay cả những sai lệch nhỏ khi xếp chồng cũng có thể tích tụ theo thời gian và làm tăng nguy cơ kiện hàng bị đổ trong quá trình xử lý. Những vấn đề này thường xảy ra trong môi trường làm việc tốc độ cao, nơi pallet liên tục được chất hàng, di chuyển và xếp lại. Những lỗi ban đầu có vẻ không đáng kể có thể dần ảnh hưởng đến sự phân bố trọng lượng và khiến các chồng hàng mất ổn định.

Điều này cũng ảnh hưởng đến hoạt động hằng ngày. Nếu cần chỉnh lại pallet trong lúc chất hàng hoặc vận chuyển, tiến độ có thể chậm lại và gây trì hoãn. Vấn đề càng rõ hơn trong quá trình xử lý, đặc biệt khi sử dụng xe nâng và xe nâng pallet.

Vì thiết bị như vậy luôn di chuyển, việc xử lý các kiện hàng mất ổn định khiến ngay cả những công việc thường ngày 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, tình trạng này có thể gây thương tích 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 kho hàng dựa vào quy trình kiểm tra pallet thủ công, thường tuân theo các tiêu chuẩn OSHA, quy định an toàn và danh sách kiểm tra. Những phương pháp này hỗ trợ đảm bảo an toàn cho pallet và thực hành xếp chồng đúng cách, nhưng khả năng áp dụng nhất quán trong môi trường bận rộn còn hạn chế.

Một hạn chế chính là việc kiểm tra chỉ ghi nhận tình trạng tại một thời điểm. Hoạt động kho hàng 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. Vì vậy, rất khó phát hiện những vấn đề phát triển giữa các lần kiểm tra, chẳng hạn như sai lệch dần, kiện hàng dịch chuyển hoặc dấu hiệu mất ổn định ban đầu.

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

Quy mô hoạt động làm tăng thêm độ khó. Tại các kho hàng lớn, việc duy trì kiểm tra định kỳ ở mọi khu vực là một thách thức, đặc biệt quanh hệ thống kệ pallet và khu vực băng tải. Những khoảng trống trong phạm vi kiểm tra này khiến việc duy trì nhất quán các quy trình an toàn và đảm bảo xếp pallet ổn định trong toàn bộ hoạt động trở nên khó khăn hơn.

Vai trò của vision AI trong hoạt động kho hàng#

Các kho hàng đang bắt đầu áp dụng hệ thống thị giác máy tính có thể giám sát hoạt động hằng ngày. Những hệ thống này học từ khối lượng lớn hình ảnh đã gán nhãn và có thể liên tục theo dõi các chi tiết riêng về pallet tại 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 hình ảnh, phát hiện hộp giới hạn định hướng (OBB), ước tính tư thế và phân đoạn instance, qua đó giúp phân tích cách bố trí pallet và kiện hàng trong không gian kho.

Cụ thể, tính năng phát hiện đối tượng có thể được dùng để nhận diện và định vị pallet, thùng hàng và thiết bị xử lý trong các lối đi cũng như khu vực lưu trữ. Nhờ đó, hệ thống có thể theo dõi cách vật liệu được bố trí và di chuyển.

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

Trong khi đó, phân đoạn instance cho phép nhận diện chính xác từng vật thể trong một chồng hàng bằng cách phác thảo từng vật thể ở cấp độ pixel. Nhờ vậy, việc tách các vật thể chồng lấn hoặc nằm sát nhau trở nên dễ dàng hơn. Trong những tình huống cần căn chỉnh chính xác, có thể sử dụng hộp giới hạn định hướng để đánh giá vị trí của kiện hàng, ghi nhận góc và hướng của chúng chính xác hơn.

Tương tự, tính năng phân loại hình ảnh có thể được dùng để phân tích tình trạng tổng thể của pallet hoặc cảnh và gán nhãn như “ổn định”, “không ổn định” hoặc “hư hỏng”. Ngoài ra, ước tính tư thế tập trung vào việc phát hiện keypoint để theo dõi vị trí và chuyển động của người lao động hoặc thiết bị, giúp xác định cách chúng tương tác với pallet và nhận diện thao tác xử lý có nguy cơ mất an toàn.

Cách Ultralytics YOLO26 hỗ trợ xếp chồng pallet trong thực tế#

Ultralytics YOLO26 có sẵn dưới dạng model được huấn luyện trước, có thể sử dụng ngay. Nói cách khác, model đã được huấn luyện trên các tập dữ liệu lớn nên có thể nhận diện những đối tượng phổ biến mà không cần xây dựng từ đầu.

Tuy nhiên, môi trường kho hàng có những đặc thù riêng như các loại pallet, kiểu xếp chồng, tình trạng kiện hàng khác nhau và những yếu tố không nhất quán trong thực tế. Vì vậy, khả năng huấn luyện tùy chỉnh các model Ultralytics YOLO như YOLO26 trở nên hữu ích.

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

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

Có thể huấn luyện bằng gói Python Ultralytics, 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, nền tảng thị giác máy tính đầu cuối kết hợp quản lý dữ liệu, gán nhãn, huấn luyện và triển khai tại một nơi.

Đơn giản hóa quy trình huấn luyện model với Ultralytics Platform#

Quản lý quy trình thị giác máy tính, từ chuẩn bị và gán nhãn tập dữ liệu đến huấn luyện, đánh giá và triển khai, có thể khá 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 sắp xếp và gán nhãn dữ liệu hình ảnh từ môi trường kho hàng rồi dùng dữ liệu đó để huấn luyện model trên các tình huống thực tế. Nhờ vậy, model có thể học cách pallet xuất hiện trong các kiểu bố trí, điều kiện ánh sáng và cách xếp chồng khác nhau, từ đó hoạt động chính xác và đáng tin cậy hơn trong thực tế.

Hình 3. Khám phá tập dữ liệu trong Ultralytics Platform (Nguồn)

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

Sau khi xác thực, có thể triển khai model theo nhiều cách thông qua Ultralytics Platform, tùy trường hợp sử dụng: dùng inference chia sẻ cho phát triển và kiểm thử, endpoint chuyên dụng cho triển khai production, hoặc xuất model để chạy trên 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 hệ thống giám sát pallet bằng thị giác, vị trí đặt camera có thể ảnh hưởng trực tiếp đến độ tin cậy khi ghi nhận vấn đề xếp chồng. Cách bố trí phù hợp giúp tự động hóa hệ thống giám sát hiệu quả hơn.

Hình 4. Ví dụ sử dụng camera đặt trên cao để giám sát 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 hướng về phía kệ pallet có thể ghi lại toàn bộ chiều cao của các chồng hàng, giúp quan sát tình trạng xếp quá cao và kiện hàng nghiêng dễ dàng hơn.
• Góc nhìn nghiêng để quan sát chiều sâu và độ nghiêng: Góc nhìn nghiêng của camera, thường khoảng 30–45°, có thể giúp quan sát rõ hơn chiều sâu, độ nghiêng và khoảng trống bên trong chồng hàng mà góc nhìn trực diện có thể bỏ sót.
• Góc nhìn từ trên xuống cho khu vực đông đúc: Góc nhìn từ trên xuống hữu ích ở những khu vực xếp hàng dày đặc, nơi góc nhìn bên có thể bị che khuất và khó phân biệt từng pallet hơn.
• Điểm giám sát lối vào và lối ra: Camera đặt gần băng chuyền và khu vực bến hàng có thể ghi lại 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 khu vực lấy và đặt hàng gần lối đi của xe nâng có thể cung cấp thông tin về độ ổn định của kiện hàng trong quá trình xử lý, vốn là lúc nhiều vấn đề thường phát sinh.

Các ứng dụng thực tế của vision AI trong việc xếp chồng pallet#

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

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

Giới hạn chiều cao xếp chồng quy định độ cao tối đa có thể xếp pallet một cách an toàn, đặc biệt tại các khu vực lưu trữ nơi pallet được xếp sát nhau để tận dụng tối đa không gian. Những giới hạn này giúp ngăn kiện hàng mất ổn định và duy trì khoảng cách an toàn quanh kệ pallet cũng như các hệ thống phía trên như vòi phun nước chữa cháy.

Tuy nhiên, những giới hạn này có thể bị vượt quá trong các giai đoạn bận rộn như khi lượng hàng nhập lớn. Để theo dõi sát hơn hoạt động này, các model như Ultralytics YOLO26 có thể phân tích luồng hình ảnh từ camera để phát hiện, đếm từng pallet và theo dõi sự tăng trưởng của chồng hàng theo thời gian.

Bằng cách theo dõi số lượng và vị trí pallet được phát hiện, hệ thống tích hợp thị giác có thể ước tính tổng chiều cao của chồng hàng và xác định khi nào chiều cao tiến gần hoặc vượt quá giới hạn an toàn. Nhờ đó, nhân viên vận hành kho có thể sớm nhận biết các vấn đề tiềm ẩn và điều chỉnh cách xếp chồng hoặc phân bổ lại kiện hàng trước khi chúng trở thành nguy cơ mất an toàn.

Nhận diện tình trạng mất cân bằng của kiện hàng và kết cấu nghiêng#

Ngay cả khi pallet được xếp đúng chiều cao nhưng không cân bằng, pallet vẫn có thể mất ổn định. Trọng lượng phân bố không 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 khó nhận thấy 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, có thể thực hiện kiểm tra liên tục bằng luồng hình ảnh từ 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. 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 căn chỉnh.

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

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

Dưới đây là một số lợi ích chính khi sử dụng hệ thống thị giác để xếp chồng pallet:

• Khả năng quan sát hoạt động theo thời gian thực: Hệ thống thị giác có thể giám sát liên tục tình trạng pallet, giúp tuân thủ các tiêu chuẩn OSHA và thực hành xếp chồng đúng cách dễ dàng hơn.
• Theo dõi sự cố tốt hơn: Dữ liệu hình ảnh đã ghi có thể được xem lại sau đó để xác định thời điểm và cách thức vấn đề phát sinh.
• Tích hợp với hệ thống hiện có: Có thể kết nối model thị giác với hệ thống quản lý kho hoặc hệ thống cảnh báo để kích hoạt thông báo hay quy trình làm việc.
• Mở rộng giám sát trên nhiều khu vực: Có thể triển khai các model thị giác tiên tiến tại nhiều khu vực trong kho, duy trì khả năng quan sát nhất quán ngay cả ở các cơ sở lớn hoặc phân tán.

Dù sử dụng vision AI để xếp chồng pallet mang lại nhiều lợi ích, dưới đây là một số yếu tố hạn chế cần lưu ý:

• Nhạy cảm với môi trường: Điều kiện ánh sáng, bóng đổ và vật cản có thể ảnh hưởng đến độ rõ nét khi ghi hình các chồng pallet.
• Phụ thuộc vào việc thiết lập đúng cách: Để có kết quả đáng tin cậy, cần lập kế hoạch bố trí camera hợp lý và đảm bảo phạm vi bao phủ đầy đủ cho các khu vực vận hành trọng yếu.
• Suy giảm hiệu năng model: Thay đổi về bố cục kho, ánh sáng hoặc hoạt động có thể đòi hỏi cập nhật model định kỳ hoặc huấn luyện lại.
• Bảo trì camera: Có thể cần vệ sinh, hiệu chuẩn và kiểm tra camera thường xuyên để đảm bảo hiệu năng nhất quán.

Điểm chính cần ghi nhớ#

Việc xếp pallet không an toàn thường không trở thành vấn đề ngay lập tức. Tình trạng này tích tụ theo thời gian do các sai lệch nhỏ và kiện hàng dịch chuyển. Giám sát hình ảnh liên tục giúp phát hiện sớm những thay đổi khó nhận thấy này, nhờ đó dễ dàng xử lý trước khi vấn đề trở nên nghiêm trọng. Các model như Ultralytics YOLO26 hỗ trợ việc này bằng khả năng phát hiện nhanh theo thời gian thực.

Bạn muốn tìm hiểu thêm về vision AI? Truy cập kho lưu trữ GitHub của chúng tôi để biết thêm. Tham gia cộng đồng của chúng tôi và khám phá các ứng dụng như AI trong logistics và vision AI trong bán lẻ. Xem các tùy chọn cấp phép để bắt đầu!