Como a AlgaeBarn automatizou a rotulagem de tampas com visão computacional interna

Na AlgaeBarn, uma produtora do Colorado de produtos vivos para aquicultura, como copépodes e fitoplâncton, cada uma das nove linhas de produtos precisa de seu próprio rótulo para a tampa da garrafa. Durante anos, isso significou as periódicas “festas dos adesivos”: sessões de uma a duas horas nas quais funcionários de toda a empresa destacavam os rótulos e os colavam manualmente. Os encontros eram sociais, mas afastavam operadores, técnicos e engenheiros de suas atividades principais — e, quando o estoque de tampas rotuladas acabava inesperadamente, a produção precisava parar para fabricar mais.

Célula de rotulagem interna da AlgaeBarn: bobina de rótulos, estrutura de alumínio e contadores de visão na bancada para tampas aprovadas/rejeitadas.

O engenheiro de robótica e automação Akash Chinthamanipeta tratou o trabalho repetitivo como um problema do chão de fábrica, não como uma questão de compras. O objetivo era uma célula autônoma capaz de orientar cada tampa, aplicar o rótulo, inspecionar o posicionamento e separar as peças aprovadas das rejeitadas sem supervisão contínua — mantendo o custo do hardware e o controle do processo dentro da fábrica.

Por que construir em vez de comprar

As rotuladoras comerciais apresentavam duas questões: custo de capital e lógica fechada. Muitas máquinas pressupõem que, depois que a configuração está correta, o posicionamento permanecerá correto. Em uma linha em operação, o deslocamento do rolo de rótulos ou do liner após algumas centenas de ciclos pode mover o ponto de destacamento o suficiente para posicionar incorretamente o próximo adesivo. A AlgaeBarn também queria uma lógica de máquina editável, para que a célula pudesse evoluir junto com a produção. A maior parte da mecânica foi projetada no SOLIDWORKS; o custo direto do hardware ficou abaixo de US$ 1.000. Construir internamente significava que cada tampa poderia ser inspecionada, em vez de confiar apenas na configuração mecânica inicial.

De tampas soltas a peças inspecionadas

Um operador despeja tampas soltas em um elevador dispensador. Um sensor monitora a trilha de alimentação e aciona o elevador somente quando são necessárias mais tampas. A própria trilha passiva proporciona a orientação passiva: as tampas corretamente assentadas seguem até a estação de rotulagem, enquanto as invertidas caem de volta no reservatório — evitando a necessidade de um orientador ativo separado.

Uma bandeja apresenta uma tampa por vez. Um laser KEYENCE confirma a presença; o controlador aciona um cilindro pneumático para posicionar a peça, com sensores reed confirmando o fim do curso antes que a sequência continue. Um motor de passo com engrenagem avança o rolo de rótulos ao redor de uma borda de destacamento, fazendo o adesivo se soltar do liner. Um aplicador pneumático assistido por vácuo captura o rótulo e o pressiona sobre a tampa, novamente com a confirmação de um sensor reed.

A inspeção OpenCV baseada em bordas, executada em um nó de câmera da classe Raspberry Pi, verifica o posicionamento do rótulo antes da separação entre aprovados e rejeitados.

Em seguida, o controlador publica uma mensagem MQTT para um nó de câmera Raspberry Pi. Uma rotina personalizada em OpenCV captura a imagem, mede o espaçamento entre as bordas detectadas da tampa e do rótulo e verifica o posicionamento dentro de uma tolerância estreita. O resultado retorna ao controlador, e um robô com ventosa coloca a peça no reservatório de aprovados ou rejeitados.

Um milímetro que nunca foi apenas um milímetro

O problema mais difícil foi fazer o rolo de rótulos parar em uma posição repetível. Um acionamento inicial obedecia ao comando de parada, mas continuava avançando devido à energia residual e à inércia — às vezes quase uma polegada além do ponto, o suficiente para comprometer o posicionamento seguinte. O redesenho com um motor de passo NEMA 24 com engrenagem permitiu ao controlador comandar uma quantidade fixa de passos por rótulo e parar de forma limpa. A lição para células de embalagem é conhecida no chão de fábrica: erros repetidos de menos de um milímetro se transformam em sucata após centenas de ciclos por hora.

Precisão antes da velocidade máxima

A célula concluída opera a cerca de 450 tampas por hora — o suficiente para atender à demanda da AlgaeBarn. A vazão ficou em segundo plano em relação à qualidade sem supervisão. O operador abastece as tampas, inicia a máquina e retorna a outras atividades. A falta de material na alimentação ou outras falhas interrompem a célula e geram um alerta, em vez de produzir itens de qualidade incerta. Em um teste com 100 tampas, 98 atenderam à tolerância de posicionamento; duas foram rejeitadas por pequenos erros posicionais, sob limites intencionalmente conservadores.

O projeto levou aproximadamente quatro meses, paralelamente a outros trabalhos de automação. Ele encerrou as recorrentes festas dos adesivos — embora alguns operadores brincassem que sentiam falta do tempo de conversa — e estima-se que economize cerca de US$ 40.000–50.000 por ano em mão de obra e interrupções evitadas. A principal lição para fabricantes menores é começar por uma necessidade operacional real, dimensionar tempo e orçamento de acordo com o valor e priorizar feedback confiável e qualidade repetível em vez da máquina de catálogo mais rápida. Projetos relacionados de embalagem e controle geralmente ficam ao lado de sistemas PLC e PAC e de trajetos de sensores, como a instrumentação Honeywell, quando as fábricas ampliam a mesma célula posteriormente.