AI 视觉数托盘之后：托盘检测的下半场——堆垛识别与破损检测落地

先说结论：托盘检测这件事，AI 视觉数个数是最没价值的应用。真正值钱的两件事，是空托盘堆了多高，和托盘坏没坏。这两件事做不好，一个出的是安全事故，一个出的是货损事故。

我见过太多仓，托盘管理全靠"感觉"：堆多高算超标，叉车工说了算；托盘坏没坏，收货员瞟一眼说了算。感觉这东西，出事之前都觉得没问题，出事之后谁都说不清。这事分两面——一面是省人工，AI 替人看；另一面更值钱，AI 替人作证。说白了，托盘检测最大的价值不是省人工，是把"凭感觉"变成"有记录"。

我亲历的两个坑

2025 年初，加州一家食品 3PL 仓，空托盘暂存区堆到了 20 多层、超过 2 米高。叉车取旁边一垛货时轻轻一碰，整垛托盘像多米诺一样倒下来，砸坏旁边两托货，还差点砸到人。事后复盘，全场没人说得清"堆多高算超标"——SOP 里写了限高，但没人量，全凭叉车工目测。目测这东西，忙起来就没人看了。

2024 年底，另一家电商仓，一块断裂了承重木板的托盘上了高位货架。入场时肉眼抽检，抽检率不到一成，这块托盘正好漏网。一个月后，托盘在横梁上塌腰，整托货掉下来，货损加货架维修花了小几十万。一块托盘多少钱？几十块钱。一块坏托盘上架，换回来几十万的损失。这账，财务看了都摇头。

这两个坑，一个是"堆太高"，一个是"托盘坏了"，全是 AI 视觉能干的活，而且是 AI 最擅长的活：不知疲倦地盯着，标准永远不变。

托盘检测怎么做：相机盯两件事

第一件事：空托盘堆垛识别。 相机装在托盘暂存区和堆垛区，AI 数层数、测高度，超过设定限高自动报警，联动叉车调度——超高的垛，系统直接派任务让叉车工拆垛。技术上不复杂，难的是"标准"：多高算超高，要结合托盘类型（木托盘和塑料托盘重心不一样）、地面情况定。标准定出来，剩下的就是执行。

第二件事：破损检测。 托盘过相机时，AI 识别三类破损特征：断裂的木板、缺失或松动的钉子、整体翘曲变形。识别到破损，托盘自动冻结，WMS 里打上"待维修"标签，不许上架。破损托盘不上架，货架坍塌的风险就从源头掐掉了大半。

破损托盘木板断裂检查

部署位置有讲究：托盘入库口和堆垛区入口是必装点——这是托盘进入"高风险区"（货架）之前的最后一道关。相机加补光灯，仓库门口逆光、夜班光线不足，补光不到位，识别率直接打折。

调参的坑：误报和漏报的 trade-off

这事分两面，调参就是在这两面之间找平衡。

调太灵，误报率高：托盘上有块木板颜色深一点，AI 判成断裂；堆垛角度偏一点，AI 判成超高。叉车工一天被报警烦十几次，三天之后就把系统关了——"这玩意儿还不如我眼睛"。误报杀死的是人的信任。

调太松，漏报率高：真断裂的木板没认出来，破损托盘照样上架。漏报杀死的是系统的价值——装了等于没装。

我的建议：上线第一个月，宁可误报多一点，配一个人工复核岗。所有报警先过人眼，复核结果回流给模型做训练。一个月下来，误报率降下来了，人的信任也建立起来了。托盘检测项目死掉，十个里有八个是死在"上线第一周误报太多，被现场关掉"，不是死在技术不行。

还有几个实操坑：新旧托盘颜色差异大，训练样本要覆盖；雨季托盘受潮颜色变深，模型要定期校准；堆垛时托盘角度不正，识别前先做角度归一化。这些坑，卖相机的不会告诉你，现场踩一遍才知道。

人工和 AI 到底差在哪，我列个实在的对比：

	人工巡检	AI 视觉
覆盖时间	抽检，一天看几眼	24 小时，每垛都过
标准一致性	看心情、看经验，新人老人两个标准	同一个模型，永远一个标准
留痕	靠嘴说，出事扯皮	每垛记录，破损率可查
成本结构	人力持续投入，越久越贵	一次投入，边际成本接近零

看清楚：AI 赢的从来不是"看得比人准"，是"不知疲倦"加"有记录"。人工抽检率不到一成，漏掉的九成就是风险敞口。AI 把覆盖率干到十成，风险敞口直接封死。

落地时我建议分三步走，别一上来就全场铺相机。第一步，托盘入库口装一套，先把破损拦截跑起来——这是 ROI 最快的一环，一块坏托盘不上架，省下的可能就是一次事故。第二步，堆垛区加上高度识别，超高自动派拆垛任务。第三步，把数据接到 WMS：破损托盘自动冻结、超高记录进日报，管理层每周看一次破损率趋势。三步走完，托盘管理才算从"感觉"变成了"体系"。