使用 Ultralytics YOLO26 检测不安全的托盘堆叠

在仓库运营中，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、工作流程中断以及员工严重受伤。

托盘堆叠对维护仓库安全与效率尤为关键。它直接影响货物的稳定性、物料在空间内的移动便利程度，以及员工操作的安全性。

即使是微小的不一致，也可能带来更大的风险。轻微倾斜、重量分布不均或货物固定不牢，都可能导致托盘不稳。缺少拉伸膜包装或堆放不齐，也会进一步削弱稳定性，增加产品损坏或工伤事故的可能性。

图 1. 仓库是一个动态的作业空间，员工不断搬运和堆叠托盘。（来源）

例如，美国职业安全与健康管理局 (OSHA) 等组织会提供安全存储和搬运材料的指南。这些安全指南强调保持货物稳定、遵守安全载荷限制并遵循正确的搬运规范，以防止货物掉落或堆垛倒塌等危险。

不过，在节奏快速的仓库环境中始终如一地落实这些标准并不容易。托盘通常会在一天中不断被移动、重新堆叠和搬运，因此很难实时监控每件货物的状态，或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，它使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放情况，让团队在问题恶化前采取应对措施。

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。我们开始吧！

托盘堆叠对仓库安全的影响#

托盘的设计承重有限，并且需要以稳定的方式堆叠。托盘一旦超载或堆放不平衡，稳定性就会开始下降。

堆叠时即使是很小的错位，随着时间推移也会不断累积，增加搬运过程中货物垮塌的可能性。这类问题通常发生在节奏紧张的环境中，因为托盘一直在装载、移动和重新堆叠。起初看似轻微的错误，可能会逐渐影响重量分布，导致堆垛不稳定。

这也会影响日常运营。如果装载或运输过程中需要调整托盘，就会拖慢作业进度并造成延误。搬运时这个问题会更加明显，尤其是在使用叉车和托盘搬运车时。

由于这类设备始终在移动，处理不稳定的货物会让常规任务也变得更危险。这可能导致货物受损、工作流程中断或超载。

在更严重的情况下，这可能导致员工受伤并影响更广泛的供应链，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检查托盘，检查通常依据 OSHA 标准、安全法规和检查清单。这些方法有助于保障托盘安全并规范堆叠操作，但在繁忙环境中，它们难以始终如一地执行。

一个主要局限是检查只能反映某个时间点的情况。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当时的堆垛状态。因此，很难发现两次检查之间出现的问题，例如逐渐错位、货物移位或不稳定的早期迹象。

有些问题在常规检查中也更难发现。托盘损坏、板条断裂或细小木刺可能会被忽略，尽管它们会削弱结构，并影响搬运时货物的稳定性。

规模也增加了难度。在大型仓库中，很难定期检查所有区域，尤其是托盘货架和输送线区域周围。检查覆盖中的这些空缺，会让整个运营过程更难持续遵循安全规范并确保托盘堆叠稳定。

视觉 AI 在仓库运营中的作用#

仓库开始采用能够监控日常运营的计算机视觉系统。这些系统通过大量标注图像进行学习，并能持续跟踪不同存储区域中的托盘相关细节。

例如，YOLO26 等前沿计算机视觉模型支持视觉任务，例如目标检测、图像分类、有向边界框（OBB）检测、姿态估计和实例分割，可用于分析仓库空间内托盘和货物的摆放方式。

具体来说，目标检测可用于识别并定位通道和存储区域中的托盘、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。这有助于区分相互重叠或紧密堆放的物品。在对齐至关重要的情况下，可以使用有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况，并标注为“稳定”“不稳定”或“损坏”等类别。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，从而了解员工或设备如何与托盘交互，并识别可能不安全的搬运操作。

Ultralytics YOLO26 如何在现实中实现托盘堆叠应用#

开箱即用的 Ultralytics YOLO26 是一个预训练模型。换句话说，它已经在大型数据集上完成训练，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特点，例如托盘类型、堆叠模式、货物状况各不相同，现实情况也不尽一致。这时，定制训练 Ultralytics YOLO 模型（例如 YOLO26）的能力就很有价值。

使用仓库专属数据训练模型，能让模型更好地理解这些变化，并提供更准确、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，捕捉不同环境下的各种堆叠状况。

随后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，就可以用这些真实场景示例训练 Ultralytics YOLO26，使模型能够适应布局、照明和作业方式的变化。

你可以使用 Ultralytics Python 软件包进行训练，该软件包提供内置工具，可通过代码加载数据、训练模型并运行预测；也可以通过 Ultralytics Platform进行训练。Ultralytics Platform 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起。

使用 Ultralytics Platform 简化模型训练#

管理计算机视觉工作流程，从数据集准备和标注到训练、评估和部署，可能会很复杂。Ultralytics Platform 将这些步骤整合到单一环境中，解决了这一难题。

例如，用户可以整理并标注来自仓库环境的图像数据，并使用这些数据训练模型，使其适应真实场景。这样，模型就能学习托盘在不同布局、照明条件和堆叠方式下的外观，从而在实际运营中更准确、更可靠。

图 3. Ultralytics Platform 中的数据集示例（来源）

训练完成后，你可以使用内置的“预测”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。

验证完成后，你可以根据使用场景，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，或导出模型以便在外部系统或边缘设备上运行。

实现精准检测的摄像头安装位置注意事项#

构建由视觉技术驱动的托盘监控系统时，摄像头的安装位置会直接影响系统捕捉堆叠问题的可靠性。恰当的安装方案有助于更有效地自动化监控系统。

图 4. 使用俯视摄像头监控仓库作业的示例（来源）

以下是摄像头安装位置的一些实用注意事项：

• 正对货架的视角： 将摄像头对准托盘货架，可以拍摄堆垛的全高，更容易发现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° 的斜角视角，能更清楚地观察堆垛的深度、倾斜情况和内部空隙，这些细节从正面视角可能无法看到。
• 用于密集区域的俯视视角： 在空间紧凑的区域，俯视角度很有用，因为侧面视角可能受到遮挡，而且更难区分单个托盘。
• 入口和出口监控点： 将摄像头安装在输送带和装卸区附近，可以在托盘移动前后进行拍摄，帮助跟踪运输过程中稳定性的变化。
• 叉车作业区域： 监控叉车通道附近的取货和卸货区域，有助于了解搬运过程中货物的稳定性，因为许多问题都发生在这些环节。

视觉 AI 在托盘堆叠中的实际应用#

接下来，我们来看看视觉 AI 如何应用于仓库，通过一些实际示例了解它如何发现并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情况#

堆叠高度限制规定了托盘堆垛可安全堆放的高度，尤其是在托盘紧密堆放、以充分利用空间的存储区域。这些限制有助于防止货物不稳定，并确保托盘货架和喷淋装置等顶部系统周围留有安全间距。

不过，在业务繁忙时段（例如大量货物入库期间），堆叠高度可能会超出限制。为了更密切地监控这类情况，Ultralytics YOLO26 等模型可以分析摄像头画面，检测并统计单个托盘，并跟踪堆垛随时间的增长情况。

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，并识别堆垛何时接近或超过安全限值。这能让仓库运营人员及早发现潜在问题，从而在问题演变为安全风险之前调整堆叠方式或重新分配货物。

识别货物失衡和结构倾斜#

即使托盘堆叠高度适当，如果没有平衡堆放，仍可能变得不稳定。重量分布不均、箱子放置松散或轻微错位，都可能导致装载后的托盘逐渐倾斜。

这些变化起初往往很细微，常规检查时可能并不明显。不过，借助 Ultralytics YOLO26 等计算机视觉模型，可以使用摄像头画面持续进行检查。

例如，Ultralytics YOLO26 支持有向边界框（OBB），因此能够轻松捕捉每个托盘或箱子的角度和朝向，而不仅仅是它们的位置。通过持续跟踪这些朝向，模型可以检测轻微倾斜或对齐方式变化等细微偏移。

如果这些角度开始偏离垂直方向，或在不同层之间变得不一致，就可能意味着堆垛开始倾斜。及早发现失衡，就能在情况恶化前加以纠正。

使用视觉 AI 保障托盘堆叠安全的优缺点#

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：

• 全面实时掌握运营状况：视觉系统可以持续监控托盘状况，让你更轻松地遵循 OSHA 标准和规范的堆叠操作。
• 更好地跟踪事件： 之后可以查看记录的视觉数据，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警报系统，以触发通知或工作流程。
• 在多个区域扩展监控： 先进的视觉模型可以部署到多个仓库区域，即使在大型或分散的设施中，也能实现持续、统一的监控。

尽管使用视觉 AI 进行托盘堆叠有许多优势，以下一些限制因素也值得留意：

• 对环境敏感： 照明条件、阴影和遮挡会影响托盘堆垛的成像清晰度。
• 依赖恰当的设置： 要获得可靠结果，需要合理规划摄像头安装位置，并确保关键作业区域得到充分覆盖。
• 模型性能漂移： 仓库布局、照明或作业方式发生变化时，可能需要定期更新或重新训练模型。
• 摄像头维护： 为确保性能稳定，可能需要定期清洁、校准和检查摄像头。

要点#

托盘堆叠不安全通常不会立即造成问题，而是由细微错位和货物移位逐渐累积而成。持续进行视觉监控，就能及早发现这些细微变化，从而更容易在问题恶化前采取行动。Ultralytics YOLO26 等模型可通过实现快速实时检测来提供支持。

想进一步了解视觉 AI？访问我们的 GitHub 代码库了解更多。加入我们的社区，探索物流中的 AI和零售业中的视觉 AI等应用。查看我们的许可选项，立即开始！