Hiri Visual AI Anti-Lifting: Se activa la alerta antes de que el neumático se levante del suelo.

01 Descripción general del sistema y antecedentes técnicos

Durante las operaciones de carga y descarga en el muelle, “ Antilevantamiento ” Lo que debe abordarse no es un simple problema de identificación del vehículo, sino una decisión de bloqueo que afecta directamente la seguridad durante el levantamiento: cuando una grúa de muelle o una grúa de patio está elevando un contenedor, si el pasador de bloqueo no se ha liberado por completo, si un lado permanece bloqueado o si el bastidor y el contenedor siguen acoplados mecánicamente, el sistema debe completar la identificación antes de que todo el vehículo o una de sus mitades se eleve del suelo y transmitir de manera fiable el resultado. PLC O un interbloqueo de seguridad, que activa la parada, el arranque suave o una alarma.

Si se pierde este plazo, podría ocurrir un accidente.

Seguido

Seguir

Reproducir Compartir Me gusta

Cerrar

Ver más

Más

Salir de pantalla completa

Cambiar a modo vertical, entrar en pantalla completa, salir de pantalla completa.

Se ha seguido a HIRI Innovation.

Compartir video

0/0

00:00/00:09

Cambiar a modo horizontal

Continuar jugando

Desde los láseres hasta la visión, ¿por qué la tecnología antirrobo requiere inteligencia artificial?

A medida que aumenta el nivel de automatización portuaria, lo que el sistema necesita ya no es únicamente “ Ver anomalía ” , sino más bien para distinguir de manera estable dentro de un intervalo de elevación extremadamente breve “ Desapego normal ” y “ Levantamiento anormal de la correa ”。

Las soluciones tradicionales suelen basarse en la inspección manual de video, en umbrales de desplazamiento del borde o en la medición láser de un solo punto para determinar si se ha producido una anomalía. Estos métodos pueden funcionar en condiciones operativas estables, pero, al enfrentarse a situaciones del mundo real —como la noche, la lluvia y la niebla, la iluminación trasera, el polvo, el rebote de los neumáticos o las vibraciones sutiles del esparcidor—, los riesgos de falsas alarmas y de detecciones omitidas aumentan de manera significativa.

▲ Escenarios complejos en tareas del mundo real

Tomemos como ejemplo la medición de distancias con láser: En condiciones de niebla densa, lluvia intensa o alta concentración de partículas en suspensión, el haz láser se dispersa y se absorbe por las partículas suspendidas, lo que provoca una atenuación de la señal de retorno o incluso su pérdida total. Como consecuencia, el sistema no logra medir la distancia o bien emite lecturas de distancia erróneas. Además, los láseres solo pueden obtener información de distancia en uno o unos pocos puntos discretos, lo que dificulta la detección de cambios complejos en la configuración, como la deformación de los neumáticos o la inclinación del chasis, comprometiendo directamente los beneficios en materia de seguridad de la protección contra el levantamiento.

En cambio, visual IA No solo puede mantener su operatividad en entornos adversos gracias a mejoras algorítmicas —como la eliminación de neblina, la supresión de la lluvia y la mejora en condiciones de baja luminosidad—, sino que también es capaz de captar simultáneamente evidencia multidimensional, incluyendo los patrones de contacto rueda‑suelo, la orientación del chasis del vehículo y el movimiento relativo de la carrocería de carga, proporcionando así una base de toma de decisiones más completa para las evaluaciones de prevención de vuelcos.

 

Definición del Sistema Visual Anti‑Levantamiento

El sistema visual anti‑levantamiento puede entenderse como un sistema de percepción de seguridad basado en bordes que se apoya principalmente en cámaras industriales, complementadas con sensores de profundidad o escáneres láser. Monitorea de manera continua el contacto entre los neumáticos y el suelo, la postura del bajo del vehículo, la geometría relativa entre el piso de carga y el chasis, así como las tendencias de movimiento ascendente a corto plazo, integrando estos datos con una máquina de estados determinista y… PLC Entrelazado, proporcionar “ Liberación segura ”“ Inicio lento sospechoso ” o “ Apagado de la alarma ” La acción final.

El Sistema Inteligente de Prevención de Elevación de Remolques lanzado por HIRI FUTURE ( Sistema de prevención de elevación de remolques ), Adoptar un modelo de inteligencia artificial de extremo a extremo , sin depender de umbrales establecidos manualmente ni de juicios lógicos, Es decir, mediante el entrenamiento y la construcción de este modelo utilizando enormes cantidades de datos. IA Modelo, Puede realizar un análisis integral en tiempo real de condiciones complejas, incluyendo los ángulos de inclinación del vehículo, las ruedas, el chasis y los contenedores. , evaluar de manera integral el riesgo de que el camión contenedor sea levantado y intervenir de forma oportuna y adecuada para restringir los movimientos del equipo; en la actualidad, HIRI TLPS El sistema alcanza la altura de elevación más baja del sector, lo que permite su operación en la mayoría de los escenarios. “ El neumático nunca se separa del suelo ” Alerta temprana a nivel, Cobertura 70 Otras condiciones típicas de elevación 。

HIRI TLPS Valores fundamentales:

· Trasladar la detección de anomalías a antes de que el vehículo realmente se eleve del suelo, logrando así… “ El neumático nunca se separa del suelo ” Alerta temprana a nivel.

· A través de la visión de extremo a extremo IA El modelo captura de manera integral las relaciones de contacto entre las ruedas, el chasis y la carcasa con el suelo, lo que reduce la dependencia de umbrales manuales y de reglas de punto único.

· Al aprovechar la correlación temporal entre múltiples fotogramas y la fusión de múltiples fuentes de evidencia, se reduce el riesgo de falsas alarmas provocadas por operaciones normales de elevación, vibraciones del equipo y variaciones en la iluminación.

· Inferencia en tiempo real basada en el borde y interconexión PLC Un sistema de seguridad de circuito cerrado permite una gestión rápida, fiable y trazable de las medidas de prevención de elevación.

02 Enlace de percepción del sistema antilevantamiento

2.1 Desafíos del sector: ¿Por qué la detección de levantamiento es más difícil que la inspección convencional?

El desafío de prevenir el secuestro radica en que no se trata de una tarea de identificación estática, sino de una evaluación de seguridad dinámica que se lleva a cabo en escalas de tiempo del orden de milisegundos a segundos. Lo que realmente es difícil de distinguir es “ La carcasa se ha desprendido de manera normal y está ascendiendo. ” , o aún “ El contenedor está elevando el apilador de alcance junto con él. ”。 Durante este proceso, la compresión y el rebote de los neumáticos, la deformación elástica del chasis del vehículo, la oclusión parcial, la contaminación de la lente, el deslumbramiento provocado por la iluminación de relleno nocturna, el temblor de la cámara, la distorsión debida al obturador rodante e incluso la congelación de la imagen o la desincronización de las marcas de tiempo pueden hacer que el sistema llegue a conclusiones erróneas en un intervalo de tiempo extremadamente breve.

2.2 La trayectoria tecnológica central de HIRI: la comprensión de extremo a extremo aumenta los riesgos

Tradición IA Las soluciones visuales suelen emplear “ Objetivo de detección — Medir la distancia — Umbral establecido manualmente — Activar la alarma ” del procedimiento segmentado. Este procedimiento puede funcionar en condiciones normales, pero en los sitios reales de muelle, factores como el rebote de los neumáticos, la deformación elástica del bastidor, las micro‑vibraciones del separador, las obstrucciones, la lluvia y la niebla, la iluminación trasera y la contaminación de la lente dificultan que un único umbral se mantenga estable a largo plazo. Si el umbral se fija demasiado estrictamente, es probable que se produzcan detenciones falsas con frecuencia; si se fija demasiado laxamente, podrían pasarse por alto riesgos de levantamiento prematuro.

HIRI TLPS Adoptar una visión de extremo a extremo IA El modelo integra el proceso de toma de decisiones, que anteriormente se distribuía entre múltiples módulos basados en reglas, en un marco unificado para el aprendizaje integral. El modelo recibe como entrada no solo el rectángulo delimitador del objetivo en un único fotograma, sino también múltiples tipos de información procedente de fotogramas consecutivos, incluyendo la posición de las ruedas, la geometría del bastidor, la configuración de la caja de carga, el área de contacto con el suelo, el ángulo de inclinación y las tendencias del movimiento relativo. Al entrenarse sobre un amplio conjunto de datos que abarca levantamientos normales, levantamientos anormales, levantamientos con carga parcial, levantamientos por una sola esquina, condiciones de pasadores desbloqueados, rebote de los neumáticos y otros escenarios, El sistema es capaz de aprender. “ Desapego normal ” y “ Levantamiento anormal de la correa ” Las sutiles diferencias entre… 。

 

En la operación real, Los modelos de extremo a extremo realizan un análisis integrado de la evidencia visual en ventanas temporales cortas y continuas, generando directamente un nivel o una puntuación de riesgo para las operaciones de levantamiento de contenedores con camiones. En comparación con los enfoques tradicionales, que dependen de la experiencia humana para configurar umbrales específicos para cada parámetro, este modelo muestra una adaptabilidad superior a condiciones operativas complejas y ofrece ventajas notables en la supresión de falsas alarmas, la detección temprana de riesgos y la generalización entre distintos escenarios.

Es importante subrayar que el enfoque de extremo a extremo no implica la eliminación de los interbloqueos de seguridad. El modelo se encarga de identificar los riesgos con mayor precisión y en una etapa más temprana, mientras que las acciones de control finales —como el arranque gradual, la parada y la activación de alarmas— siguen estando regidas por máquinas de estados deterministas y… PLC Se ejecuta el entrelazado. De este modo, se aprovecha tanto… IA La capacidad del modelo para comprender estados visuales complejos, al tiempo que preserva la controlabilidad, la auditabilidad y el determinismo que deben poseer los sistemas de seguridad industrial.

2.3 Plan de Ingeniería de HIRI

Para materializar el mencionado vínculo de percepción, HIRI TLPS Se adoptaron los siguientes cuatro elementos clave de diseño en la ingeniería:

1. Industrial síncrono de doble canal RGB Cámara como sensor principal, con profundidad/láser como complementario.
El sistema dispone de dos cámaras industriales RGB que operan de manera sincrónica, montadas en las vigas laterales de la grúa; una está orientada hacia la zona de contacto neumático‑suelo y la otra hacia el área adyacente a la parte inferior de la caja del bastidor. Esta configuración de doble cámara permite capturar simultáneamente tanto los detalles locales del contacto —como la deformación del neumático y la separación entre rueda y suelo— como los cambios geométricos globales —como las diferencias de actitud entre el lado izquierdo y el derecho y la elevación del bastidor—. Los sensores de profundidad o los LiDAR de escaneo disperso no se emplean como modalidades primarias de percepción; solo sirven para realizar verificaciones secundarias de las regiones candidatas a anomalías cuando las entradas visuales están obstruidas o los niveles de confianza son bajos. Esta arquitectura de “visión primero, profundidad después” reduce los costos de hardware y la complejidad del sistema, al tiempo que mantiene una alta precisión. 2. Clave ROI + sin anclaje Detección + Seguimiento Ligero

La capa del modelo no procesa directamente la imagen completa; en cambio, primero delimita regiones de interés que contienen el neumático, el borde inferior del marco y el límite inferior del rectángulo ( Retorno de la inversión ). En Retorno de la inversión Adoptado internamente ancla libre El detector localiza regiones clave y, además, este enfoque de detección no depende de cajas de anclaje predefinidas, presenta pocos hiperparámetros, resulta adecuado para su despliegue en dispositivos de borde y muestra una gran robustez frente a la deformación de los objetos. Posteriormente, un módulo ligero de seguimiento multiobjetivo mantiene asociaciones de identidad estables entre fotogramas consecutivos para el mismo neumático y el mismo vehículo. Incluso en casos de ocultación parcial o de breves detecciones de baja confianza, el rastreador preserva la continuidad del objetivo, evitando errores de interpretación debidos a la falta de detección en un único fotograma.

3. Modelado conjunto del flujo óptico, los residuos de profundidad y las métricas geométricas

La mayor ventaja del sistema antilevantamiento es que no depende de un único rasgo visual; en cambio, extrae simultáneamente tres tipos de información:

· Flujo óptico y campo de movimiento: Calcule la dirección y la velocidad del movimiento a nivel de píxel para determinar si el bastidor o los neumáticos presentan un desplazamiento vertical anómalo.

· Medición geométrica: Se miden a partir de la imagen dimensiones explícitas como la altura libre entre la rueda y el suelo, la distancia desde el borde inferior del bastidor hasta el suelo y la diferencia de alineación izquierda‑derecha.

· Residual Profundo (Cuando el sensor de profundidad está activado): Verifique si realmente existe el espacio libre entre la parte inferior de la caja y el bastidor del vehículo.

Los tres tipos de evidencia se corroboran mutuamente: Detección y seguimiento proporcionados “ ¿Quién se está mudando? ” , el flujo óptico proporciona “ Cómo moverse ” , se proporcionan cantidades geométricas “ ¿Cuánto se movió? ” , proporcionar en profundidad “ ¿Sigues en contacto? ” El modelado conjunto es más robusto frente a interferencias que el uso exclusivo de los cambios de posición de los rectángulos delimitadores, y permite distinguir mejor entre el desenganche normal y el levantamiento anómalo.

4. Fusión de secuencias a corto plazo + máquina de estados determinista + PLC Entrelazado

La capa de percepción no produce un resultado de clasificación de una sola imagen, sino más bien una secuencia sobre una ventana temporal corta (por ejemplo 10 ~ 15  la puntuación de riesgo dentro del marco. Esta puntuación se introduce a continuación en una máquina de estados determinista —es decir, un módulo basado en reglas— que, sobre la base de valores umbral predefinidos, la confirmación entre fotogramas consecutivos, la fase de elevación actual y otras reglas, determina la salida. “ Liberación segura ”“ Inicio lento sospechoso ” o “ Apagado de la alarma ” . Este enfoque escalonado resulta más fácil de auditar y se alinea mejor con la lógica de implementación de los sistemas de seguridad industrial.

03 Más allá del reconocimiento: lo que realmente importa es un apagado fiable.

Se identifican de manera uniforme las anomalías en el vehículo completo, en la mitad del lateral y en una sola esquina.

HIRI TLPS No solo activa una alarma cuando se levanta todo el vehículo, sino que también emite advertencias tempranas y más sutiles en etapas previas, menos evidentes, como la asimetría lateral en la postura, el despegue inicial de un neumático de un solo lado o la elevación anómala de una sola esquina. Para las operaciones en el lugar, esto… “ Plazo de entrega ” A menudo resulta más valioso que simplemente reducir el umbral de la altura libre al suelo. —— Porque los accidentes verdaderamente peligrosos suelen comenzar con pequeñas anomalías asimétricas que van escalando gradualmente.

La consistencia de múltiples evidencias previene eficazmente los apagados falsos.

HIRI TLPS Al validar de manera conjunta múltiples tipos de evidencia —como las relaciones geométricas, la velocidad de izado, los residuales de profundidad, el codificador de izado y la continuidad temporal—, es posible distinguir claramente entre un izado normal, microvibraciones del spreader, rebote de los neumáticos y anomalías genuinas, evitando así las frecuentes paradas falsas que, de otro modo, reducirían la eficiencia operativa.

Diagnósticos de salud y protección contra manipulaciones, implementados como una cadena de bloques independiente.

El sistema cuenta con una capacidad independiente de diagnóstico del estado de salud y puede detectar en tiempo real condiciones como sombreado, desenfoque, manipulación del objetivo, congelación de la imagen y anomalías en el sello temporal. Cuando el estado de salud de la cámara se ve alterado, el sistema pasa automáticamente a un modo conservador —por ejemplo, permitiendo únicamente un arranque lento, requiriendo confirmación manual o rechazando por completo el despegue— para garantizar que no se superen los umbrales de seguridad.

Escenarios de verificación de claves sugeridos a cubrir:

· Diversas combinaciones de iluminación y condiciones climáticas, incluyendo el día, la noche, la lluvia y la niebla, la luz de fondo y el deslumbramiento intenso.

· Perturbaciones de origen ingenieril, como la contaminación de la lente, la oclusión parcial, una ligera vibración del soporte de montaje y la distorsión en los bordes.

· Muestras clave, como el levantamiento de todo el vehículo, el levantamiento por medio lado, el levantamiento en una sola esquina y el ascenso rápido tras la liberación normal.

· Escenarios de fallos y manipulaciones, como la pérdida de fotogramas, el congelamiento, anomalías en las marcas de tiempo y la distorsión de un solo sensor.

 

04 Nuestras principales líneas de optimización

Suplementar muestras de límites complejos

Las principales mejoras incluyen el levantamiento semilateral, el levantamiento por una sola esquina, la liberación parcial del pasador de bloqueo y el rebote del bastidor con desenganche normal. “ El más difícil de distinguir ” La capacidad de reconocimiento de escenas lleva la evaluación del riesgo a la etapa en la que las anomalías apenas comienzan a manifestarse.

Mejorar la robustez en todas las condiciones climáticas y la capacidad de autodiagnóstico

La iluminación suplementaria nocturna, la lluvia y la niebla, la retroiluminación, las lentes sucias, los obstáculos, las vibraciones, los fotogramas congelados, las anomalías en el sello de tiempo y otros problemas similares deben abordarse conjuntamente con las evaluaciones de adaptabilidad ambiental y el monitoreo del estado del equipo para prevenir… “ No puedo ver con claridad ” Y perder el juicio.

Optimización de la eficiencia del despliegue en el borde y estrategias de interconexión

Al activar una confirmación profunda en la ventana del candidato, reducimos los cálculos innecesarios, acortamos la latencia de las alertas, perfeccionamos las acciones de respuesta escalonadas ante arranques lentos y paradas bruscas, y mejoramos el registro de eventos y los registros de transición de estado, logrando así una gestión de anomalías más estable, rápida y verificable.

Mejorar la capacidad generalizada en todos los modelos de vehículos, grúas y áreas portuarias.

Acumular de manera continua datos sobre diversos dispositivos, marcos, tipos de contenedores y condiciones operativas, y perfeccionar la solución actual a partir de… “ Disponible para un solo proyecto ” La iteración es “ Reproducible en múltiples escenarios ” El módulo de capacidad de estandarización reduce los costos posteriores de despliegue y mantenimiento.