Retour au blog

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 trie environ 450 bouchons par heure.

Chez AlgaeBarn, un producteur du Colorado de produits d’aquaculture vivants tels que des copépodes et du phytoplancton, chacune des neuf gammes de produits doit avoir sa propre étiquette de bouchon. Pendant des années, cela signifiait organiser périodiquement des « séances d’étiquetage » : 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 venait à manquer à l’improviste, la production devait s’arrêter pour en fabriquer davantage.

Cellule interne d’étiquetage de bouchons d’AlgaeBarn avec bobine d’étiquettes et compteurs de contrôle par vision des bouchons conformes et non conformes

Cellule d’étiquetage interne d’AlgaeBarn : bobine d’étiquettes, châssis en aluminium et compteurs de vision sur le bureau 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 la position et de trier les pièces acceptées et rejetées sans supervision continue, tout en maintenant les coûts matériels 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 effectué, le positionnement restera correct. Sur une ligne en fonctionnement, un déplacement du rouleau 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 les 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 jusqu’à la station d’étiquetage, tandis que les bouchons retournés retombent dans le bac, ce qui évite d’ajouter un système 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, tandis que des interrupteurs à lames magnétiques confirment la fin de course avant la poursuite de la séquence. Un moteur pas à pas démultiplié fait avancer le rouleau d’étiquettes autour d’une arête de décollement afin de séparer l’autocollant de son support. Un applicateur pneumatique assisté par le vide saisit l’étiquette et l’appuie sur le bouchon, ce qui est également confirmé par un interrupteur à lames magnétiques.

Système de vision OpenCV de classe Raspberry Pi utilisé pour les contrôles de positionnement fondés sur les contours

Le contrôle OpenCV fondé sur les contours, exécuté sur un nœud caméra de classe 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 seulement un millimètre

Le problème le plus difficile consistait à arrêter le rouleau d’étiquettes à une position répétable. Un premier système d’entraînement obéissait à la commande d’arrêt, mais continuait sur sa lancée en raison de l’énergie résiduelle et de l’inertie, avec parfois près d’un pouce de dépassement, suffisamment pour compromettre le positionnement suivant. La refonte autour d’un moteur pas à pas NEMA 24 démultiplié 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, ce qui suffit à répondre à la demande d’AlgaeBarn. Le débit était secondaire par rapport à une qualité sans surveillance. Un opérateur charge les bouchons, démarre la machine, puis retourne à ses autres tâches. Un bac d’alimentation vide ou toute autre anomalie arrête la cellule et déclenche une alerte au lieu de produire des pièces dont la conformité est incertaine. Lors d’un essai sur 100 bouchons, 98 pièces respectaient la tolérance de positionnement ; deux ont été rejetées pour de légères erreurs de position, avec des seuils volontairement conservateurs.

Le projet a duré environ quatre mois, en parallèle d’autres travaux d’automatisation. Il a mis fin aux séances récurrentes d’étiquetage, même si certains opérateurs plaisantaient en disant que les discussions leur manquaient, et devrait permettre d’économiser environ 40 000 à 50 000 $ par an en main-d’œuvre et en interruptions évitées. La leçon plus générale pour les petits fabricants est de partir d’un besoin opérationnel réel, d’adapter le temps et le budget à la valeur attendue, et de privilégier un retour d’information fiable et une qualité répétable plutôt que la machine de catalogue la plus rapide. Les projets connexes de conditionnement et de commande peuvent souvent s’intégrer à des systèmes PLC et PAC ainsi qu’à des circuits de capteurs tels que l’instrumentation Honeywell lorsque les usines étendent ultérieurement la même cellule.

Laisser un commentaire

Veuillez noter que les commentaires doivent être approuvés avant d'être publiés.