AlgaeBarn in-house cap labeling cell with label spool and vision quality counters

Bagaimana AlgaeBarn Mengotomatiskan Pelabelan Tutup Botol dengan Visi Mesin Internal

AlgaeBarn mengganti “pesta stiker” tutup manual dengan sel seharga di bawah $1.000 yang mengarahkan, memberi label, memeriksa dengan OpenCV, dan menyortir se...

Di AlgaeBarn, produsen produk akuakultur hidup asal Colorado seperti copepod dan fitoplankton, sembilan lini produk masing-masing memerlukan label tutup botol sendiri. Selama bertahun-tahun, hal itu berarti mengadakan “pesta stiker” secara berkala: sesi selama satu hingga dua jam ketika karyawan dari berbagai bagian perusahaan mengelupas label dan menempelkannya dengan tangan. Acara tersebut memang bersifat sosial, tetapi membuat operator, teknisi, dan insinyur meninggalkan pekerjaan utama—dan ketika persediaan tutup berlabel habis tanpa terduga, produksi harus berhenti untuk membuat lebih banyak.

Sel pelabelan tutup botol internal AlgaeBarn dengan gulungan label dan penghitung kualitas berbasis visi

Sel pelabelan internal AlgaeBarn: gulungan label, rangka aluminium, dan penghitung visi di meja untuk tutup yang baik/buruk.

Akash Chinthamanipeta, insinyur robotika dan otomasi, memandang pekerjaan berulang tersebut sebagai masalah di lantai produksi, bukan sekadar urusan pembelian. Tujuannya adalah membuat sel otonom yang dapat mengorientasikan setiap tutup, menempelkan label, memeriksa posisinya, serta memilah komponen yang diterima dan ditolak tanpa pengawasan terus-menerus—dengan biaya perangkat keras dan kendali proses tetap berada di dalam pabrik.

Mengapa membangun sendiri, bukan membeli

Mesin pelabel komersial menimbulkan dua masalah: biaya modal dan logika yang tertutup. Banyak mesin berasumsi bahwa setelah penyetelan benar, posisi penempelan akan tetap benar. Pada lini yang berjalan, pergeseran gulungan label atau liner setelah beberapa ratus siklus dapat mengubah titik pengelupasan sehingga stiker berikutnya salah posisi. AlgaeBarn juga menginginkan logika mesin yang dapat diedit agar sel tersebut dapat berkembang mengikuti produksi. Sebagian besar mekanismenya dirancang menggunakan SOLIDWORKS; biaya langsung perangkat keras dipertahankan di bawah $1.000. Membangun sendiri berarti setiap tutup dapat diperiksa, bukan hanya mengandalkan penyetelan mekanis awal.

Dari tutup lepas hingga komponen yang diperiksa

Operator menuangkan tutup lepas ke dalam elevator pemasok. Sensor memantau jalur pengumpanan dan hanya menjalankan elevator ketika diperlukan lebih banyak tutup. Jalur pasif itu sendiri menyediakan orientasi pasif: tutup yang terpasang dengan benar terus bergerak ke stasiun pelabelan, sedangkan tutup yang terbalik jatuh kembali ke wadah—sehingga tidak memerlukan pengorientasi aktif terpisah.

Sebuah baki menyajikan satu tutup setiap kali. Laser KEYENCE mengonfirmasi keberadaan tutup; pengendali mengaktifkan silinder pneumatik untuk memosisikan komponen, dengan sakelar reed memastikan ujung langkah tercapai sebelum urutan berlanjut. Stepper bergigi menggerakkan gulungan label melewati tepi pengelupasan sehingga stiker terlepas dari liner. Aplikator pneumatik berbantuan vakum mengambil label dan menekannya ke tutup, yang kembali dikonfirmasi oleh sakelar reed.

Tumpukan visi OpenCV kelas Raspberry Pi yang digunakan untuk pemeriksaan penempatan berbasis tepi

Pemeriksaan OpenCV berbasis tepi pada node kamera kelas Raspberry Pi memeriksa posisi label sebelum pemilahan diterima/ditolak.

Pengendali kemudian menerbitkan pesan MQTT ke node kamera Raspberry Pi. Rutin OpenCV khusus mengambil gambar, mengukur jarak antara tepi tutup dan label yang terdeteksi, serta memeriksa posisi berdasarkan toleransi yang ketat. Hasilnya dikirim kembali ke pengendali, lalu robot berkepala cangkir isap menempatkan komponen ke dalam wadah diterima atau ditolak.

Satu milimeter yang ternyata bukan sekadar satu milimeter

Masalah tersulit adalah menghentikan gulungan label pada posisi yang dapat diulang secara konsisten. Penggerak awal mematuhi perintah berhenti, tetapi terus melaju akibat energi sisa dan inersia—terkadang hampir satu inci, cukup untuk merusak posisi penempelan berikutnya. Perancangan ulang dengan stepper NEMA 24 bergigi memungkinkan pengendali memerintahkan jumlah langkah tetap untuk setiap label dan berhenti dengan bersih. Pelajaran bagi sel pengemasan ini sudah umum di lantai produksi: kesalahan berulang di bawah satu milimeter berubah menjadi produk afkir setelah ratusan siklus per jam.

Akurasi sebelum kecepatan maksimum

Sel yang telah selesai bekerja sekitar 450 tutup per jam—cukup untuk memenuhi kebutuhan AlgaeBarn. Laju produksi berada di urutan kedua setelah kualitas tanpa pengawasan. Operator mengisi tutup, menyalakan mesin, lalu kembali ke pekerjaan lain. Pengumpanan kosong atau gangguan lain menghentikan sel dan memicu peringatan, alih-alih menghasilkan produk yang kualitasnya tidak pasti. Dalam uji coba 100 tutup, 98 komponen memenuhi toleransi penempatan; dua komponen ditolak karena kesalahan posisi kecil berdasarkan ambang batas yang sengaja dibuat konservatif.

Proyek ini memerlukan waktu sekitar empat bulan, dikerjakan bersamaan dengan pekerjaan otomasi lainnya. Proyek tersebut mengakhiri pesta stiker yang berulang—meskipun beberapa operator bercanda bahwa mereka merindukan waktu mengobrol—dan diproyeksikan menghemat sekitar $40.000–$50.000 per tahun melalui penghematan tenaga kerja dan berkurangnya gangguan. Pelajaran yang lebih luas bagi produsen kecil adalah memulai dari kebutuhan operasional nyata, menyesuaikan waktu dan anggaran dengan nilainya, serta mengutamakan umpan balik yang andal dan kualitas yang konsisten daripada mesin katalog tercepat. Pembangunan terkait untuk pengemasan dan pengendalian sering ditempatkan berdampingan dengan sistem PLC dan PAC serta jalur sensor seperti instrumentasi Honeywell ketika pabrik memperluas sel yang sama di kemudian hari.

Tentang Penulis

Akash Chinthamanipeta | Insinyur Robotika & Otomasi – AlgaeBarn

Akash Chinthamanipeta adalah insinyur robotika dan otomasi di AlgaeBarn, Commerce City, Colorado. Ia meraih gelar magister teknik mesin dari University of Colorado Boulder, dengan fokus pada robotika dan sistem kendali.

Bagaimana AlgaeBarn Mengotomatiskan Pelabelan Tutup Botol dengan Visi Mesin Internal

AlgaeBarn mengganti “pesta stiker” tutup manual dengan sel seharga di bawah $1.000 yang mengarahkan, memberi label, memeriksa dengan OpenCV, dan menyortir sekitar 450 tutup per jam.

Di AlgaeBarn, produsen produk akuakultur hidup asal Colorado seperti copepod dan fitoplankton, sembilan lini produk masing-masing memerlukan label tutup botol sendiri. Selama bertahun-tahun, hal itu berarti mengadakan “pesta stiker” secara berkala: sesi selama satu hingga dua jam ketika karyawan dari berbagai bagian perusahaan mengelupas label dan menempelkannya dengan tangan. Acara tersebut memang bersifat sosial, tetapi membuat operator, teknisi, dan insinyur meninggalkan pekerjaan utama—dan ketika persediaan tutup berlabel habis tanpa terduga, produksi harus berhenti untuk membuat lebih banyak.

Sel pelabelan tutup botol internal AlgaeBarn dengan gulungan label dan penghitung kualitas berbasis visi

Sel pelabelan internal AlgaeBarn: gulungan label, rangka aluminium, dan penghitung visi di meja untuk tutup yang baik/buruk.

Akash Chinthamanipeta, insinyur robotika dan otomasi, memandang pekerjaan berulang tersebut sebagai masalah di lantai produksi, bukan sekadar urusan pembelian. Tujuannya adalah membuat sel otonom yang dapat mengorientasikan setiap tutup, menempelkan label, memeriksa posisinya, serta memilah komponen yang diterima dan ditolak tanpa pengawasan terus-menerus—dengan biaya perangkat keras dan kendali proses tetap berada di dalam pabrik.

Mengapa membangun sendiri, bukan membeli

Mesin pelabel komersial menimbulkan dua masalah: biaya modal dan logika yang tertutup. Banyak mesin berasumsi bahwa setelah penyetelan benar, posisi penempelan akan tetap benar. Pada lini yang berjalan, pergeseran gulungan label atau liner setelah beberapa ratus siklus dapat mengubah titik pengelupasan sehingga stiker berikutnya salah posisi. AlgaeBarn juga menginginkan logika mesin yang dapat diedit agar sel tersebut dapat berkembang mengikuti produksi. Sebagian besar mekanismenya dirancang menggunakan SOLIDWORKS; biaya langsung perangkat keras dipertahankan di bawah $1.000. Membangun sendiri berarti setiap tutup dapat diperiksa, bukan hanya mengandalkan penyetelan mekanis awal.

Dari tutup lepas hingga komponen yang diperiksa

Operator menuangkan tutup lepas ke dalam elevator pemasok. Sensor memantau jalur pengumpanan dan hanya menjalankan elevator ketika diperlukan lebih banyak tutup. Jalur pasif itu sendiri menyediakan orientasi pasif: tutup yang terpasang dengan benar terus bergerak ke stasiun pelabelan, sedangkan tutup yang terbalik jatuh kembali ke wadah—sehingga tidak memerlukan pengorientasi aktif terpisah.

Sebuah baki menyajikan satu tutup setiap kali. Laser KEYENCE mengonfirmasi keberadaan tutup; pengendali mengaktifkan silinder pneumatik untuk memosisikan komponen, dengan sakelar reed memastikan ujung langkah tercapai sebelum urutan berlanjut. Stepper bergigi menggerakkan gulungan label melewati tepi pengelupasan sehingga stiker terlepas dari liner. Aplikator pneumatik berbantuan vakum mengambil label dan menekannya ke tutup, yang kembali dikonfirmasi oleh sakelar reed.

Tumpukan visi OpenCV kelas Raspberry Pi yang digunakan untuk pemeriksaan penempatan berbasis tepi

Pemeriksaan OpenCV berbasis tepi pada node kamera kelas Raspberry Pi memeriksa posisi label sebelum pemilahan diterima/ditolak.

Pengendali kemudian menerbitkan pesan MQTT ke node kamera Raspberry Pi. Rutin OpenCV khusus mengambil gambar, mengukur jarak antara tepi tutup dan label yang terdeteksi, serta memeriksa posisi berdasarkan toleransi yang ketat. Hasilnya dikirim kembali ke pengendali, lalu robot berkepala cangkir isap menempatkan komponen ke dalam wadah diterima atau ditolak.

Satu milimeter yang ternyata bukan sekadar satu milimeter

Masalah tersulit adalah menghentikan gulungan label pada posisi yang dapat diulang secara konsisten. Penggerak awal mematuhi perintah berhenti, tetapi terus melaju akibat energi sisa dan inersia—terkadang hampir satu inci, cukup untuk merusak posisi penempelan berikutnya. Perancangan ulang dengan stepper NEMA 24 bergigi memungkinkan pengendali memerintahkan jumlah langkah tetap untuk setiap label dan berhenti dengan bersih. Pelajaran bagi sel pengemasan ini sudah umum di lantai produksi: kesalahan berulang di bawah satu milimeter berubah menjadi produk afkir setelah ratusan siklus per jam.

Akurasi sebelum kecepatan maksimum

Sel yang telah selesai bekerja sekitar 450 tutup per jam—cukup untuk memenuhi kebutuhan AlgaeBarn. Laju produksi berada di urutan kedua setelah kualitas tanpa pengawasan. Operator mengisi tutup, menyalakan mesin, lalu kembali ke pekerjaan lain. Pengumpanan kosong atau gangguan lain menghentikan sel dan memicu peringatan, alih-alih menghasilkan produk yang kualitasnya tidak pasti. Dalam uji coba 100 tutup, 98 komponen memenuhi toleransi penempatan; dua komponen ditolak karena kesalahan posisi kecil berdasarkan ambang batas yang sengaja dibuat konservatif.

Proyek ini memerlukan waktu sekitar empat bulan, dikerjakan bersamaan dengan pekerjaan otomasi lainnya. Proyek tersebut mengakhiri pesta stiker yang berulang—meskipun beberapa operator bercanda bahwa mereka merindukan waktu mengobrol—dan diproyeksikan menghemat sekitar $40.000–$50.000 per tahun melalui penghematan tenaga kerja dan berkurangnya gangguan. Pelajaran yang lebih luas bagi produsen kecil adalah memulai dari kebutuhan operasional nyata, menyesuaikan waktu dan anggaran dengan nilainya, serta mengutamakan umpan balik yang andal dan kualitas yang konsisten daripada mesin katalog tercepat. Pembangunan terkait untuk pengemasan dan pengendalian sering ditempatkan berdampingan dengan sistem PLC dan PAC serta jalur sensor seperti instrumentasi Honeywell ketika pabrik memperluas sel yang sama di kemudian hari.

Tentang Penulis

Akash Chinthamanipeta | Insinyur Robotika & Otomasi – AlgaeBarn

Akash Chinthamanipeta adalah insinyur robotika dan otomasi di AlgaeBarn, Commerce City, Colorado. Ia meraih gelar magister teknik mesin dari University of Colorado Boulder, dengan fokus pada robotika dan sistem kendali.

Tinggalkan komentar

Harap diperhatikan, komentar perlu disetujui sebelum dipublikasikan.