Palet Lojistiğinde Yapay Zeka: Bilgisayarlı Görü Hasar Tespitini Nasıl Değiştiriyor

Yapay zeka lojistikte çoktan yerini aldı — rota planlamasında, talep tahmininde, depo yönetiminde. Ancak her gün binlerce Euro paletin girip çıktığı yükleme rampasında, işletmelerin çoğunda kalite kontrolü hâlâ göz kararıyla yapılıyor. Bu durum şimdi değişiyor.

Bilgisayarlı görü — yapay zeka sistemlerinin görüntüleri analiz ederek bilgi çıkarma yeteneği — palet hasarlarının otomatik tespitini sadece mümkün değil, aynı zamanda pratik ve uygun fiyatlı hale getiriyor.

Bilgisayarlı Görü Paletlerde Neleri Tespit Edebilir

Hasarlı ve sağlam paletlerin binlerce görüntüsü üzerinde eğitilmiş modern yapay zeka modelleri, çok çeşitli kusurları tanıyabilir:

Yapısal hasarlar: Kırık veya çatlak üst ve alt tahtalar, eksik veya bükülmüş takozlar, hasarlı boyuna kirişler. Bunlar, EPAL kriterlerine göre paleti değiştirilemez yapan hasarlardır.

Yüzey kusurları: Çıkıntılı çiviler, güçlü ahşap kıymıkları, küf, yağ veya kimyasallardan kaynaklanan kirlenme. Bu kusurlar güvenlik açısından önemlidir ve kalite sınıflandırmasını etkiler.

İşaretleme sorunları: Okunamayan veya eksik EPAL markalama, onarılmış paletlerde eksik onarım çivileri, eksik IPPC işaretlemesi.

Boyut sapmaları: Hasar nedeniyle standart ölçülerini kaybetmiş ve bu nedenle otomatik yüksek raflı depolarda sorunlara neden olan paletler.

Pratikte Nasıl Çalışıyor?

Palet lojistiğinde bilgisayarlı görü kullanımı için iki temel yaklaşım bulunmaktadır:

Yaklaşım 1: Yapay Zeka Analizli Mobil Uygulama

Rampadaki çalışan paleti akıllı telefonuyla fotoğraflar. Görüntüler, yapay zeka analizini gerçekleştiren bir bulut servisine gönderilir. Saniyeler içinde bir değerlendirme geri döner: Hangi hasarlar tespit edildi, ne kadar ciddi ve palet hâlâ değiştirilebilir mi?

Bu yaklaşım, sabit donanıma yatırım yapmadan palet iadelerini dijitalleştirmek isteyen işletmeler için özellikle uygundur. Giriş engeli düşüktür — bir akıllı telefon yeterlidir.

Yaklaşım 2: Sabit Kamera Sistemleri

Mal kabul kapılarında veya konveyör hatlarında kalıcı olarak kurulmuş kameralar, geçen her paleti otomatik olarak yakalar. Yapay zeka görüntüleri gerçek zamanlı analiz eder ve hasarlı paletleri ayırır veya otomatik olarak doğru kalite sınıfına atar.

Bu yaklaşım, tam otomatik bir süreç hedefleyen yüksek hacimli işletmeler için uygundur. Yatırım daha yüksektir, ancak verimlilik oranı ve değerlendirme tutarlılığı üstündür.

Manuel Kontrole Göre Avantajlar

Nesnellik. İnsanlar subjektif değerlendirir — bir çalışan hafif hasarlı bir paleti geçirir, diğeri ayırır. Yapay zeka tek tip kriterlere göre değerlendirir, her seferinde aynı.

Hız. Manuel kontrol, titizlikle yapıldığında palet başına 30–60 saniye sürer. Yapay zeka analizi 5 saniyenin altında tamamlanır.

Eksiksiz dokümantasyon. Her analiz otomatik olarak kaydedilir — fotoğraf, tespit edilen hasarlar, değerlendirme ve zaman damgasıyla birlikte. Bu, şikayetler ve hasar kanıtları için mükemmel bir temeldir.

Ölçeklenebilirlik. Günde 50 veya 500 palet fark etmez — yapay zeka ek personel maliyeti olmadan ölçeklenir.

Yapay Zekanın Bugün Henüz Yapamadıkları

Dürüstlük önemlidir: Yapay zeka tabanlı hasar tespiti mükemmel bir sistem değildir. Bilinmesi gereken sınırlar vardır:

Gizli hasarlar — bir palet üstten sağlam görünüyor ancak alt tarafı hasarlıysa — yapay zeka yalnızca fotoğraflarda görünür olanı tespit eder. Bu nedenle birden fazla açıdan çekim yapmak önemini korumaktadır.

Taşıma kapasitesi değerlendirmesi — kılcal çatlaklı bir paletin 1.000 kg yük altında kırılıp kırılmayacağını yapay zeka yalnızca bir fotoğraftan belirleyemez. Yapay zeka hasarı tespit eder, sonuçların değerlendirmesi insana kalır.

Bağlama bağlı kararlar — C sınıfı bir paletin belirli bir kullanım amacı için hâlâ kabul edilebilir olup olmadığı, uygulamaya bağlıdır. Yapay zeka veri tabanını sağlar, kararı lojistik yöneticisi verir.

Maliyetler Düşüyor, Kalite Artıyor

Sadece birkaç yıl önce yapay zeka tabanlı görüntü analizi, kendi geliştirme departmanlarına sahip büyük şirketlerin konusuydu. Bu temelden değişti. Performans birimi başına donanım maliyetleri 2020'den bu yana %50–70 düştü. Açık kaynaklı çerçeveler ve bulut hizmetleri, orta ölçekli işletmelerin de altı haneli yatırımlar olmadan yapay zeka destekli çözümleri kullanmasını mümkün kılıyor.

Aynı zamanda modeller analiz edilen her görüntüyle iyileşiyor. Bir sistem ne kadar çok palet görürse, tespit o kadar hassas olur — klasik bir ağ etkisi.

Sonuç

Bilgisayarlı görü, palet kontrolünü daha hızlı, daha objektif ve eksiksiz dokümante edilmiş hale getiriyor. İster mobil uygulama çözümü ister sabit kamera sistemi olsun — teknoloji, orta ölçekli işletmelerde pratik kullanım için olgunlaşmıştır. Palet değişiminde bugün hâlâ göz kararına güvenen, para ve izlenebilirlik kaybediyor.