使用 Ultralytics YOLO26 检测不安全的托盘堆放

说到仓库作业，安全至关重要。不稳定的托盘、掉落的货物和被堵塞的通道可能导致产品损坏、工作流程中断以及严重的员工伤害。

尤其是，托盘堆叠在维护仓库的安全与高效方面发挥着关键作用。它直接影响货物的稳定性、物料在空间中的流转难易程度，以及员工能够多安全地开展作业。

即使是细微的不一致，也可能带来更大的风险。轻微倾斜、重量分布不均或固定不牢的货物都可能使托盘变得不稳定。缺少缠绕膜或对齐不当还会进一步削弱稳定性，增加产品损坏或工作场所事故发生的可能性。

图 1. 仓库是一个动态空间，员工不断在其中搬运和堆叠托盘。（来源）

为防止此类问题，美国职业安全与健康管理局（OSHA）等机构会提供安全存储和搬运物料的指南。这些安全指南强调保持货物稳定、遵守安全载荷限制并采用正确的搬运操作，以防止货物堆垛掉落或倒塌等危险。

不过，在快速运转的仓库环境中始终如一地执行这些标准并不容易。托盘通常会在一天中不断被搬运、重新堆叠和操作。因此，很难实时监控每件货物的状态，也难以及时发现不稳定的早期迹象。

更有效的方法是使用计算机视觉。作为 AI 的一个分支，它让机器能够解读和分析图像及视频流中的视觉数据。借助 Ultralytics YOLO26 等视觉 AI 模型，仓库可以实时监控托盘状态，及早检测不稳定的堆叠方式，让团队能够在问题升级前作出响应。

本文将探讨不安全托盘堆叠带来的风险，以及基于视觉的系统如何帮助检测和预防这些风险。现在就开始吧！

托盘堆叠对仓库安全的影响#

托盘的设计用途是承载一定重量，并以稳定的方式堆叠。当托盘超载或未正确保持平衡时，这种稳定性就会开始下降。

堆叠过程中的细微错位可能会随时间累积，增加货物在搬运过程中失效的可能性。这些问题通常发生在托盘不断装载、移动和重新堆叠的快节奏环境中。起初看似微小的错误可能逐渐影响重量分布，并导致堆垛不稳定。

这也会影响日常作业。如果托盘在装载或运输过程中需要调整，就可能拖慢作业并造成延误。在搬运过程中，这个问题会更加明显，尤其是在使用叉车和托盘搬运车时。

由于这类设备始终处于移动状态，处理不稳定的货物会让即使是日常任务也变得更加危险。这可能导致货物损坏、工作流程中断或超载。

在更严重的情况下，还可能造成员工受伤并影响整个供应链，同时增加运营和财务成本。

传统托盘检查方法面临的挑战#

大多数仓库依赖人工托盘检查流程，通常以 OSHA 标准、安全法规和检查清单为指导。这些方法有助于保障托盘安全并遵循正确的堆叠规范，但在繁忙环境中，其执行一致性存在局限。

一个关键局限是，检查只能记录某个时间点的状态。仓库作业涉及持续的装载、移动和重新堆叠，但检查只能记录检查时堆垛的外观。这使得检测两次检查之间出现的问题变得困难，例如逐渐发生的错位、货物移位或不稳定的早期迹象。

有些问题在例行检查中也更难发现。托盘损坏、木板断裂或细小的木刺可能会被忽略，尽管它们会削弱结构，并影响搬运过程中的货物稳定性。

规模又增加了另一层难度。在大型仓库中，很难对所有区域保持定期检查，尤其是在托盘货架和输送机区域周围。这些覆盖空白使得持续遵循安全操作并确保整个作业过程中的托盘稳定堆叠更加困难。

视觉 AI 在仓库作业中的作用#

仓库开始采用能够监控日常作业的计算机视觉系统。这些系统从大量标注图像中学习，并能够持续跟踪不同存储区域中与托盘相关的细节。

例如，YOLO26 等先进的计算机视觉模型支持视觉任务，包括目标检测、图像分类、定向边界框（OBB）检测、姿态估计和实例分割，有助于分析托盘和货物在仓库空间中的排列方式。

具体来说，目标检测可用于识别和定位通道及存储区域中的托盘、箱子和搬运设备。这使系统能够跟踪物料的摆放和移动情况。

图 2. 使用 Ultralytics YOLO 模型检测堆叠的箱子（来源）

与此同时，实例分割通过在像素级勾勒每个物体的轮廓，实现对堆垛中单个物品的精确识别。这有助于分离相互重叠或紧密堆放的物品。在对齐至关重要的情况下，可以使用定向边界框评估货物的摆放方式，更准确地捕捉其角度和朝向。

同样，图像分类可用于分析托盘或场景的整体状态，并为其分配“稳定”“不稳定”或“损坏”等标签。此外，姿态估计侧重于检测关键点，以跟踪员工或设备的位置和移动，从而了解它们如何与托盘交互，并识别可能不安全的搬运行为。

Ultralytics YOLO26 如何支持现实环境中的托盘堆叠#

开箱即用的 Ultralytics YOLO26 以预训练模型的形式提供。换句话说，它已经在大型数据集上完成训练，因此无需从头构建即可识别常见物体。

不过，仓库环境有其自身的细节差异，例如托盘类型、堆叠模式、货物状态以及现实世界中的不一致情况。这正是自定义训练 Ultralytics YOLO 模型（如 YOLO26）具有价值的地方。

使用仓库特定数据训练模型，可以帮助模型更好地理解这些差异，并提供更准确、更可靠的结果。这个过程从收集仓库地面上的图像和视频帧开始，记录不同环境中的各种堆叠状态。

接着对这些图像进行标注（添加标签），例如在托盘周围绘制边界框（矩形框），或标记不稳定区域。使用标注数据准备好数据集后，就可以在这些现实世界示例上训练 Ultralytics YOLO26，使其适应布局、光照和作业方式的差异。

训练可以通过 Ultralytics Python 软件包完成，该软件包提供用于加载数据、训练模型和使用代码运行预测的内置工具；也可以通过 Ultralytics Platform完成。这是一个端到端计算机视觉平台，将数据管理、标注、训练和部署整合在一个地方。

使用 Ultralytics Platform 简化模型训练#

从数据集准备和标注到训练、评估与部署，管理计算机视觉工作流程可能很复杂。Ultralytics Platform 通过将这些步骤整合到单一环境中，应对了这一挑战。

例如，用户可以整理和标注来自仓库环境的图像数据，并使用这些数据在现实场景上训练模型。这使模型能够学习托盘在不同布局、光照条件和堆叠方式下的外观，从而在实际作业中更加准确可靠。

图 3. 查看 Ultralytics Platform 中的数据集（来源）

训练完成后，可以使用内置的 Predict 选项卡在新的、未见过的图像上测试模型，以便在部署前验证性能。

验证后，可以根据使用场景通过 Ultralytics Platform 以不同方式部署模型，包括用于开发和测试的共享推理、用于生产部署的专用端点，或导出模型以在外部系统或边缘设备上运行。

实现准确检测的摄像头布置注意事项#

当你构建由视觉驱动的托盘监控系统时，摄像头布置会直接影响系统可靠捕捉堆叠问题的能力。正确的设置有助于更有效地实现监控系统自动化。

图 4. 使用俯视摄像头监控仓库活动的示例（来源）

以下是摄像头布置的一些实用注意事项：

• 正面货架视角： 将摄像头朝向托盘货架，可以捕捉堆垛的完整高度，从而更容易观察堆叠过高和货物倾斜的情况。
• 用于观察深度和倾斜的斜角视角： 通常约为 30–45° 的斜角摄像头视角，可以更清楚地观察堆垛内部的深度、倾斜程度和间隙，这些细节从正面视角可能无法看到。
• 密集区域的俯视视角： 在空间紧凑的区域，俯视视角非常有用，因为侧面视角可能会受到遮挡，区分单个托盘也更加困难。
• 入口和出口监控点： 将摄像头布置在输送带和装卸月台区域附近，可以捕捉托盘移动前后的状态，帮助跟踪其在运输过程中的稳定性变化。
• 叉车交互区域： 监控叉车通道附近的取货和放货区域，可以了解搬运过程中的货物稳定性，因为许多问题往往发生在这些位置。

视觉 AI 在托盘堆叠中的现实应用#

接下来，我们将通过一些实用示例，了解视觉 AI 如何在仓库中用于发现和处理常见的托盘堆叠问题。

检测存储区域中的堆叠高度违规#

堆叠高度限制规定了托盘堆垛在安全情况下可以达到的高度，尤其是在存储区域中，托盘通常会彼此紧密堆叠，以最大限度地利用可用空间。这些限制有助于防止货物不稳定，并确保托盘货架及喷淋器等顶部系统周围保持安全间距。

不过，在高流量入库作业等繁忙时段，这些限制可能会被超出。为了更密切地监控此类活动，Ultralytics YOLO26 等模型可以分析摄像头视频流，检测并计数单个托盘，同时跟踪堆垛高度随时间的增长。

通过监控检测到的托盘数量和位置，视觉系统可以估算堆垛的整体高度，并识别其何时接近或超过安全限制。这能让仓库操作人员及早发现潜在问题，在问题构成安全风险之前调整堆叠方式或重新分配货物。

识别货物失衡和倾斜结构#

即使托盘堆叠高度正确但平衡不当，仍然可能变得不稳定。重量分布不均、箱子放置松散或轻微错位，都可能使装载后的托盘逐渐倾斜。

这些变化起初通常很细微，在例行检查中可能并不明显。但是，借助 Ultralytics YOLO26 等计算机视觉模型，可以通过摄像头视频流持续进行此类检查。

例如，Ultralytics YOLO26 支持定向边界框（OBBs），因此可以轻松捕捉每个托盘或箱子的角度和朝向，而不只是其位置。通过随时间跟踪这些朝向，模型可以检测轻微倾斜或对齐变化等细微偏移。

当这些角度开始偏离垂直对齐，或在不同层之间变得不一致时，就可能表明堆垛开始倾斜。及早发现失衡后，就能在问题升级前进行纠正。

使用视觉 AI 实现安全托盘堆叠的优缺点#

以下是使用基于视觉的系统进行托盘堆叠的一些主要优势：

• 作业全程的实时可见性：视觉系统可以持续监控托盘状态，让你更容易遵循 OSHA 标准和正确的堆叠规范。
• 更好的事故跟踪： 记录的视觉数据可以在之后进行查看，以了解问题何时以及如何发生。
• 与现有系统集成： 视觉模型可以连接到仓库管理系统或告警系统，以触发通知或工作流程。
• 跨区域的可扩展监控：先进的视觉模型可以部署到多个仓库区域，即使在大型或分散式设施中，也能实现一致的可见性。

虽然使用视觉 AI 进行托盘堆叠有许多优势，但以下限制因素也需要注意：

• 对环境的敏感性：光照条件、阴影和遮挡物会影响托盘堆垛被清晰捕捉的程度。
• 依赖正确设置： 要获得可靠结果，需要合理规划摄像头布置，并充分覆盖关键作业区域。
• 模型性能漂移： 仓库布局、光照或作业方式的变化，可能需要定期更新模型或重新训练。
• 摄像头维护： 摄像头可能需要定期清洁、校准和检查，以确保性能稳定。

要点总结#

不安全的托盘堆叠通常不会立即变成问题。它会通过细微错位和货物移位逐渐累积。借助持续的视觉监控，可以及早发现这些细微变化，从而更容易在问题升级前采取行动。Ultralytics YOLO26 等模型通过支持快速实时检测，为此提供了帮助。

想进一步了解视觉 AI？访问我们的 GitHub 代码库了解更多信息。加入我们的社区，探索物流领域的 AI和零售领域的视觉 AI等应用。查看我们的许可选项，开始使用吧！