Comment AlgaeBarn a automatisé l’étiquetage des bouchons grâce à un système de vision industrielle développé en interne
AlgaeBarn a remplacé les « sessions d’étiquetage » manuelles des bouchons par une cellule à moins de 1 000 $ qui oriente, étiquette, inspecte avec OpenCV et ...
Chez AlgaeBarn, producteur du Colorado de produits d’aquaculture vivants tels que les copépodes et le phytoplancton, chacune des neuf gammes de produits doit avoir sa propre étiquette de bouchon. Pendant des années, cela signifiait organiser périodiquement des « fêtes des autocollants » : des sessions d’une à deux heures durant lesquelles des employés de tous les services décollaient les étiquettes et les apposaient à la main. Ces rassemblements étaient conviviaux, mais ils détournaient opérateurs, techniciens et ingénieurs de leurs tâches principales — et lorsque le stock de bouchons étiquetés s’épuisait de manière imprévue, la production devait s’arrêter pour en fabriquer davantage.
La cellule d’étiquetage conçue en interne par AlgaeBarn : bobine d’étiquettes, châssis en aluminium et compteurs de contrôle par vision sur table pour les bouchons conformes et non conformes.
L’ingénieur en robotique et automatisation Akash Chinthamanipeta a considéré ce travail répétitif comme un problème d’atelier, et non comme une simple opération d’achat. L’objectif était de créer une cellule autonome capable d’orienter chaque bouchon, d’appliquer l’étiquette, d’en contrôler le positionnement et de trier les pièces acceptées et rejetées sans supervision continue — tout en maintenant le coût du matériel et la maîtrise du procédé au sein de l’usine.
Pourquoi construire plutôt qu’acheter
Les étiqueteuses commerciales soulevaient deux problèmes : le coût d’investissement et une logique fermée. De nombreuses machines partent du principe qu’une fois le réglage correct effectué, le positionnement restera correct. Sur une ligne en fonctionnement, un déplacement de la bobine d’étiquettes ou du support après quelques centaines de cycles peut décaler suffisamment le point de décollement pour mal positionner l’autocollant suivant. AlgaeBarn souhaitait également disposer d’une logique machine modifiable afin que la cellule puisse évoluer avec la production. La majeure partie de la mécanique a été conçue dans SOLIDWORKS ; le coût direct du matériel est resté inférieur à 1 000 $. La fabrication en interne permettait d’inspecter chaque bouchon plutôt que de se fier uniquement au réglage mécanique initial.
Des bouchons en vrac aux pièces contrôlées
Un opérateur verse des bouchons en vrac dans un élévateur distributeur. Un capteur surveille la piste d’alimentation et ne fait fonctionner l’élévateur que lorsque davantage de bouchons sont nécessaires. La piste passive assure elle-même l’orientation : les bouchons correctement positionnés poursuivent leur chemin vers le poste d’étiquetage, tandis que les bouchons retournés retombent dans le bac — ce qui évite d’ajouter un dispositif d’orientation actif.
Un plateau présente un bouchon à la fois. Un laser KEYENCE confirme sa présence ; le contrôleur actionne un vérin pneumatique pour positionner la pièce, des interrupteurs à lames magnétiques confirmant la fin de course avant la poursuite de la séquence. Un moteur pas à pas réducté fait avancer la bobine d’étiquettes autour d’une arête de décollement afin de séparer l’autocollant de son support. Un applicateur pneumatique assisté par vide saisit l’étiquette et la presse sur le bouchon, ce qui est de nouveau confirmé par un interrupteur à lames magnétiques.
Le contrôle OpenCV fondé sur les contours, exécuté sur un nœud caméra de type Raspberry Pi, vérifie le positionnement de l’étiquette avant le tri entre pièces acceptées et rejetées.
Le contrôleur publie ensuite un message MQTT vers un nœud caméra Raspberry Pi. Une routine OpenCV personnalisée capture l’image, mesure l’espacement entre les contours détectés du bouchon et de l’étiquette, puis vérifie le positionnement par rapport à une tolérance stricte. Le résultat revient au contrôleur, et un robot à ventouse place la pièce dans le bac des pièces acceptées ou dans celui des pièces rejetées.
Un millimètre qui n’était jamais simplement un millimètre
Le problème le plus difficile consistait à arrêter la bobine d’étiquettes à une position reproductible. Un premier entraînement obéissait à la commande d’arrêt, mais continuait sa course sous l’effet de l’énergie résiduelle et de l’inertie — parfois avec un dépassement de près d’un pouce, suffisant pour compromettre le positionnement suivant. Une refonte autour d’un moteur pas à pas NEMA 24 réducté a permis au contrôleur de commander un nombre fixe de pas par étiquette et de s’arrêter proprement. La leçon est bien connue dans les ateliers de conditionnement : des erreurs répétées de moins d’un millimètre deviennent des rebuts après des centaines de cycles par heure.
La précision avant la vitesse maximale
La cellule terminée traite environ 450 bouchons par heure — un débit suffisant pour répondre à la demande d’AlgaeBarn. Le débit a été considéré comme secondaire par rapport à la qualité sans surveillance. Un opérateur charge les bouchons, démarre la machine, puis retourne à ses autres tâches. L’absence de produit dans l’alimentation ou toute autre anomalie arrête la cellule et déclenche une alerte au lieu de produire des pièces incertaines. Lors d’un essai sur 100 bouchons, 98 pièces respectaient la tolérance de positionnement ; deux ont été rejetées pour de légères erreurs de positionnement, avec des seuils volontairement conservateurs.
Le projet a duré environ quatre mois, en parallèle d’autres travaux d’automatisation. Il a mis fin aux fêtes récurrentes des autocollants — même si certains opérateurs plaisantaient en disant que les conversations leur manquaient — et devrait permettre d’économiser environ 40 000 à 50 000 $ par an en main-d’œuvre et en interruptions évitées. Pour les petits fabricants, l’enseignement plus général est de partir d’un besoin opérationnel réel, d’adapter le temps et le budget à la valeur attendue, et de privilégier une rétroaction fiable et une qualité reproductible plutôt que la machine sur catalogue la plus rapide. Les projets connexes de conditionnement et de contrôle s’intègrent souvent à des systèmes PLC et PAC ainsi qu’à des chaînes de capteurs telles que l’instrumentation Honeywell lorsque les usines étendent ultérieurement la même cellule.
À propos de l’auteur
Akash Chinthamanipeta | Ingénieur en robotique et automatisation – AlgaeBarn
Akash Chinthamanipeta est ingénieur en robotique et automatisation chez AlgaeBarn, à Commerce City, dans le Colorado. Il est titulaire d’un master en génie mécanique de l’Université du Colorado à Boulder, avec une spécialisation en robotique et en systèmes de contrôle.