Hiri Visual AI Anti-Lifting: Alerta acionado antes que o pneu saia do solo.

01 Visão Geral do Sistema e Fundamentação Técnica

Durante as operações de carga e descarga no cais, “ Anti-levantação ” O que precisa ser resolvido não é uma simples questão de identificação do veículo, mas um julgamento de bloqueio que afeta diretamente a segurança da operação de levantamento: quando uma grua de cais ou uma grua de pátio está erguendo um contêiner, se o pino de travamento não tiver sido totalmente liberado, se um dos lados permanecer trancado ou se o chassi e o contêiner ainda estiverem mecanicamente acoplados, o sistema deve concluir a identificação antes que todo o veículo — ou metade dele — seja elevado do solo e transmitir de forma confiável o resultado. CLP Ou um intertravamento de segurança, que aciona o desligamento, a partida suave ou um alarme.

Se esta janela for perdida, pode ocorrer um acidente.

Seguido

Seguir

Reproduzir Compartilhar Curtir

Fechar

Assista mais

Mais

Sair do modo de tela cheia

Mude para o modo retrato, entre no modo de tela cheia, saia do modo de tela cheia.

A HIRI Innovation foi seguida.

Compartilhar vídeo

0/0

00:00/00:09

Mudar para o modo paisagem

Continuar jogando

Dos lasers à visão, por que a tecnologia anti‑levantamento exige IA?

À medida que o nível de automação portuária aumenta, o que o sistema necessita já não é apenas “ Ver anomalia ” , mas sim para distinguir de forma estável dentro de uma janela de elevação extremamente curta “ Desprendimento normal ” e “ Levantamento anormal da correia ”。

As soluções tradicionais costumam recorrer à inspeção manual por vídeo, a limiares de deslocamento de borda ou ao método de medição a laser em ponto único para determinar se ocorreu uma anomalia. Esses métodos podem funcionar em condições operacionais estáveis, mas, ao enfrentarem cenários do mundo real — como noite, chuva e neblina, contra‑luz, poeira, rebote dos pneus ou vibrações sutis do espalhador —, os riscos de alarmes falsos e de falhas na detecção aumentam significativamente.

▲ Cenários complexos em tarefas do mundo real

Tomemos o telêmetro a laser como exemplo: Em condições de neblina densa, chuva intensa ou elevada concentração de partículas em suspensão, o feixe laser é espalhado e absorvido pelas partículas presentes no ar, resultando na atenuação do sinal de retorno ou até em sua perda total. Consequentemente, o sistema ou não consegue medir a distância, ou apresenta leituras de distância incorretas. Além disso, os lasers só conseguem obter informações de distância em um ou poucos pontos discretos, o que dificulta a detecção de mudanças complexas na geometria, como a deformação dos pneus ou a inclinação do chassi, comprometendo diretamente os benefícios de segurança da proteção contra levantamento.

Em contraste, visual IA Não apenas consegue manter a operacionalidade em ambientes adversos por meio de aprimoramentos algorítmicos — como desnebulização, remoção de chuva e melhoria em condições de baixa luminosidade —, como também é capaz de capturar simultaneamente evidências multidimensionais, incluindo padrões de contato roda‑solo, a orientação da estrutura do veículo e o movimento relativo da carroceria, proporcionando assim uma base de tomada de decisão mais abrangente para avaliações de prevenção de tombamento.

 

Definição do Sistema Visual Antilifting

O sistema visual anti‑levantamento pode ser entendido como um sistema de percepção de segurança baseado em bordas, que se apoia principalmente em câmeras industriais, complementadas por sensores de profundidade ou scanners a laser. Ele monitora continuamente o contato entre os pneus e o solo, a orientação da parte inferior do veículo, a geometria relativa entre o piso de carga e o chassi, bem como as tendências de movimento vertical em curto prazo, integrando essas informações a uma máquina de estados determinística e… CLP Intertravamento, fornecer “ Liberação segura ”“ Início lento suspeito ” ou “ Desligamento do alarme ” A ação final.

O Sistema Inteligente de Prevenção de Elevação de Reboques lançado pela HIRI FUTURE ( Sistema de Prevenção de Elevação de Reboques ), Adotando um modelo de Inteligência Artificial de ponta a ponta , sem depender de limiares definidos manualmente ou de julgamentos lógicos, Ou seja, treinando‑o e construindo‑o com base em enormes volumes de dados. IA Modelo, Ele pode realizar, em tempo real, uma análise abrangente de condições complexas, incluindo os ângulos de inclinação do veículo, das rodas, da estrutura e dos contêineres. , avaliar de forma abrangente o risco de elevação do caminhão‑contêiner e intervir de maneira oportuna e adequada para restringir os movimentos do equipamento; atualmente, HIRI TLPS O sistema atinge a menor altura de elevação do setor, permitindo sua operação na maioria dos cenários. “ O pneu nunca sai do chão ” Alerta precoce no nível, Cobertura 70 Outras condições típicas de elevação 。

HIRI TLPS Valores fundamentais:

· Transferir a detecção de anomalias para antes que o veículo realmente deixe o solo, alcançando assim… “ O pneu nunca sai do chão ” Alerta precoce no nível.

· Por meio de uma visão de ponta a ponta IA O modelo captura de forma abrangente as relações de contato entre as rodas, o quadro e a carcaça com o solo, reduzindo assim a dependência de limiares manuais e de regras de ponto único.

· Ao aproveitar a correlação temporal entre múltiplas imagens e a fusão de múltiplas evidências, reduz-se o risco de alarmes falsos decorrentes de operações normais de elevação, vibrações dos equipamentos e variações de iluminação.

· Inferência em tempo real baseada em borda e interconexão CLP Um sistema de segurança em circuito fechado permite o manuseio rápido, confiável e rastreável das medidas de prevenção contra a elevação.

02 Ligação de Percepção do Sistema Antilift

2.1 Desafios do setor: Por que a detecção de levantamento antecipado é mais difícil do que a inspeção convencional?

O desafio de prevenir o sequestro reside no fato de que não se trata de uma tarefa de identificação estática, mas sim de uma avaliação de segurança dinâmica, realizada na escala de milissegundos a segundos. O que é realmente difícil de distinguir é “ A carcaça se desprendeu normalmente e está se movendo para cima. ” , ou ainda “ O contêiner está levantando o empilhador de alcance junto com ele. ”。 Durante esse processo, a compressão e o retorno do pneu, a deformação elástica da estrutura do veículo, a oclusão parcial, a contaminação da lente, o ofuscamento causado pela iluminação de preenchimento noturna, o tremor da câmera, a distorção do obturador em rotação e até mesmo o congelamento da imagem ou a dessincronização do carimbo de data/hora podem todos levar o sistema a tirar conclusões incorretas dentro de um intervalo de tempo extremamente curto.

2.2 O Caminho Tecnológico Central da HIRI: A Compreensão de Ponta a Ponta Eleva os Riscos

Tradição IA As soluções visuais geralmente empregam “ Alvo de detecção — Medir a distância — Limiar definido manualmente — Acionar o alarme ” do procedimento segmentado. Esse procedimento pode funcionar em condições padrão, mas, em locais de ancoragem reais, fatores como o rebote dos pneus, a deformação elástica da estrutura, micro‑vibrações do espalhador, obstruções, chuva e neblina, iluminação de fundo e contaminação da lente dificultam que um único limiar se mantenha estável a longo prazo. Se o limiar for definido de forma demasiado rigorosa, é provável que ocorram paradas falsas frequentes; se for definido de forma demasiado flexível, podem ser perdidos riscos de levantamento precoce.

HIRI TLPS Adotar a visão de ponta a ponta IA O modelo consolida o processo de tomada de decisão, que antes se distribuía por múltiplos módulos baseados em regras, em um framework unificado para a aprendizagem abrangente. O modelo recebe como entrada não apenas a caixa delimitadora do alvo em um único quadro, mas também diversos tipos de informações ao longo de quadros consecutivos, incluindo a posição das rodas, a geometria do quadro, a configuração da caçamba, a área de contato com o solo, o ângulo de inclinação e as tendências de movimento relativo. Ao ser treinado em um grande conjunto de dados que abrange levantamentos normais, levantamentos anormais, levantamentos com carga parcial, levantamentos por um único canto, condições de pinos destravados, rebote dos pneus e outros cenários, O sistema é capaz de aprender. “ Desprendimento normal ” e “ Levantamento anormal da correia ” As sutis diferenças entre… 。

 

Na operação real, Os modelos de ponta a ponta realizam uma análise integrada das evidências visuais em janelas temporais curtas e contínuas, emitindo diretamente um nível ou uma pontuação de risco para as operações de levantamento de contêineres por caminhões. Em comparação com abordagens tradicionais que dependem da expertise humana para configurar limiares para cada parâmetro individual, este modelo demonstra adaptabilidade superior a condições operacionais complexas e oferece vantagens distintas na supressão de falsos alarmes, no alerta precoce e na generalização entre cenários.

É importante salientar que o conceito de ponta a ponta não implica a eliminação dos intertravamentos de segurança. O modelo é responsável por identificar os riscos de forma mais precisa e em estágio mais inicial, enquanto as ações finais de controle — como a partida lenta, a parada e o acionamento de alarmes — continuam sendo regidas por máquinas de estados determinísticas e… CLP O intertravamento é realizado. Dessa forma, ele tanto aproveita… IA A capacidade do modelo de compreender estados visuais complexos, ao mesmo tempo em que preserva a controlabilidade, a auditabilidade e o determinismo que os sistemas de segurança industrial devem possuir.

2.3 Plano de Engenharia da HIRI

Para concretizar a referida ligação de percepção, o HIRI TLPS As quatro principais características de projeto a seguir foram adotadas na engenharia:

1. Industrial síncrono de canal duplo RGB Câmera como sensor principal, com profundidade/laser como complementar.
O sistema dispõe de duas câmeras industriais RGB operando em sincronia, instaladas nas vigas laterais do guindaste: uma focalizada na zona de contato pneu‑solo e a outra na área adjacente à parte inferior da caixa do chassi. Essa configuração de dupla câmera permite a captura simultânea tanto de detalhes locais do contato — como a deformação do pneu e a folga entre roda e solo — quanto de alterações geométricas globais — como diferenças de atitude entre os lados esquerdo e direito e o levantamento do chassi. Sensores de profundidade ou LiDAR esparsos não são utilizados como modalidades primárias de percepção; eles servem apenas para realizar verificações secundárias em regiões candidatas a anomalias quando as entradas visuais estão obstruídas ou os níveis de confiança são baixos. Essa arquitetura “visão primeiro, profundidade depois” reduz os custos de hardware e a complexidade do sistema, ao mesmo tempo em que mantém alta precisão. 2. Chave ROI + sem âncora Detecção + Rastreamento Leve

A camada do modelo não processa diretamente toda a imagem; em vez disso, ela primeiro delimita regiões de interesse que contêm o pneu, a borda inferior do quadro e o limite inferior da caixa ( Retorno sobre o Investimento ). Em Retorno sobre o Investimento Adotado internamente âncora livre O detector localiza regiões-chave e, ao contrário de abordagens baseadas em caixas‑âncora pré‑definidas, apresenta poucos hiperparâmetros, é adequado para implantação em dispositivos de borda e demonstra forte robustez frente à deformação dos objetos. Em seguida, um módulo leve de rastreamento multi‑objetos mantém associações de identidade estáveis entre quadros consecutivos para o mesmo pneu e o mesmo veículo. Mesmo em situações de oclusão parcial ou de detecções breves com baixa confiança, o rastreador preserva a continuidade do alvo, evitando erros de classificação decorrentes de falhas de detecção em um único quadro.

3. Modelagem Conjunta do Fluxo Óptico, dos Resíduos de Profundidade e de Métricas Geométricas

A maior vantagem do sistema anti‑levantamento é que ele não depende de um único recurso visual; ao contrário, extrai simultaneamente três tipos de informação:

· Fluxo Óptico e Campo de Movimento: Calcule a direção e a velocidade do movimento em nível de pixel para determinar se o quadro ou os pneus estão apresentando um movimento vertical anormal.

· Medição geométrica: Dimensões explícitas, como a altura do eixo‑roda em relação ao solo, a distância entre a borda inferior do quadro e o solo, e a diferença de inclinação entre os lados esquerdo e direito, são medidas a partir da imagem.

· Residual Profundo (Quando o sensor de profundidade está ativado): Verifique se a folga espacial entre o fundo da caixa e o chassi do veículo realmente existe.

Os três tipos de evidências corroboram-se mutuamente: Detecção e rastreamento fornecidos “ Quem está se mudando? ” , o fluxo óptico fornece “ Como se mover ” , são fornecidas grandezas geométricas “ Quanto é que se moveu? ” , fornecer em profundidade “ Você ainda está em contato? ” A modelagem conjunta é mais robusta à interferência do que a dependência exclusiva das mudanças de posição das caixas delimitadoras e diferencia melhor entre o desengate normal e o levantamento anormal.

4. Fusão de sequências de curto prazo + máquina de estados determinística + CLP Intertravamento

A camada de percepção não produz um resultado de classificação de quadro único, mas sim uma sequência ao longo de uma janela temporal curta (por exemplo 10 ~ 15  A pontuação de risco dentro do quadro. Essa pontuação é então alimentada a uma máquina de estados determinística — ou seja, um módulo baseado em regras — que, com base em valores‑limite predefinidos, na confirmação por quadros consecutivos, na fase atual de elevação e em outras regras, determina a saída. “ Liberação segura ”“ Início lento suspeito ” ou “ Desligamento do alarme ” . Essa abordagem em camadas é mais fácil de auditar e está mais alinhada à lógica de implementação dos sistemas de segurança industrial.

03 Além do reconhecimento — o desligamento confiável é o que realmente importa.

Anomalias de veículo inteiro, de metade do lado e de um único canto são identificadas de forma uniforme.

HIRI TLPS Ele não apenas aciona um alarme quando todo o veículo é levantado, como também fornece avisos antecipados e mais sutis em estágios iniciais, menos evidentes — como a assimetria de postura entre os lados esquerdo e direito, o levantamento inicial de um pneu de um único lado ou a elevação anormal de uma única roda. Para operações no local, isso… “ Prazo de entrega ” Muitas vezes, isso é mais valioso do que simplesmente reduzir o limiar de altura em relação ao solo. —— Porque os acidentes verdadeiramente perigosos geralmente começam com pequenas anomalias assimétricas que, gradualmente, se agravam.

A consistência de múltiplas evidências evita efetivamente desligamentos falsos.

HIRI TLPS Ao validar conjuntamente múltiplos tipos de evidências — como relações geométricas, velocidade de elevação, resíduos de profundidade, o codificador de içamento e a continuidade temporal — é possível distinguir claramente entre elevação normal, microvibrações do spreader, recuperação elástica dos pneus e anomalias genuínas, evitando assim paradas falsas frequentes que, de outro modo, reduziriam a eficiência operacional.

Diagnósticos de saúde e proteção contra adulteração, implementados como uma blockchain independente.

O sistema dispõe de capacidade independente de diagnóstico de saúde e pode detectar, em tempo real, condições como sombreamento, desfocagem, adulteração da lente, congelamento do vídeo e anomalias nos carimbos de data/hora. Assim que o estado de saúde da câmera se torna comprometido, o sistema muda automaticamente para um modo conservador — por exemplo, permitindo apenas uma partida lenta, exigindo confirmação manual ou rejeitando categoricamente a decolagem —, a fim de garantir que os limites de segurança não sejam ultrapassados.

Cenários de verificação de chaves sugeridos a serem abrangidos:

· Várias combinações de iluminação e condições climáticas, incluindo dia, noite, chuva e neblina, contra‑luz e forte ofuscamento.

· Distúrbios de engenharia, como a contaminação da lente, a oclusão parcial, uma leve vibração do suporte de montagem e a distorção nas bordas.

· Amostras‑chave, como o levantamento do veículo inteiro, o levantamento de metade da lateral, o levantamento de um único canto e a subida rápida após a liberação normal.

· Cenários de falha e de adulteração, tais como perda de quadros, congelamento, anomalias de marcação temporal e distorção proveniente de um único sensor.

 

04 Nossas Principais Diretrizes de Otimização

Suplementar amostras de limite complexas

As principais melhorias incluem o levantamento semi‑lateral, o levantamento em um único canto, a liberação parcial do pino de travamento e o retorno da estrutura com desengate normal. “ O mais difícil de distinguir ” A capacidade de reconhecimento de cenários leva a avaliação de riscos à fase em que as anomalias estão apenas começando a surgir.

Aprimore a robustez em todas as condições climáticas e a capacidade de autodiagnóstico

A iluminação suplementar noturna, a chuva e o nevoeiro, a iluminação de fundo, lentes sujas, obstruções, vibrações, quadros congelados, anomalias nos registros de data/hora e problemas semelhantes devem ser tratados em conjunto com avaliações de adaptabilidade ambiental e monitoramento do estado dos equipamentos, a fim de prevenir… “ Não consigo enxergar claramente ” E perder o juízo.

Otimização da eficiência da implantação na borda e estratégias de interconexão

Ao acionar a confirmação profunda na janela do candidato, reduzimos cálculos desnecessários, encurtamos a latência dos alertas, aperfeiçoamos as ações de resposta em camadas para inicializações lentas e paradas abruptas e aprimoramos o registro de eventos e os registros de transição de estado, alcançando assim um tratamento de anomalias mais estável, mais rápido e mais auditável.

Aprimorar a capacidade generalizada em todos os modelos de veículos, guindastes e áreas portuárias.

Acumule continuamente dados sobre diversos dispositivos, quadros, tipos de contêineres e condições operacionais, e aperfeiçoe a solução atual a partir de… “ Disponível para um único projeto ” Iteração é “ Reproduzível em múltiplos cenários ” O módulo de capacidade de padronização reduz os custos subsequentes de implantação e manutenção.