Confitures et conserves
Repère les erreurs de niveau de remplissage, le mauvais alignement des étiquettes, les défauts de fermeture et la contamination avant que les pots ne sortent de la ligne d'embouteillage.
Inspection qualité automatisée pour les lignes d'embouteillage de confitures, marmelades et conserves, sur iPhone reconditionné, à côté de ta sertisseuse, ta capsuleuse, ton étiqueteuse et ton encartonneur.
Les producteurs de confitures et conserves jonglent avec des recettes saisonnières, des étiquettes premium et des entrepôts de distribution exigeants qui rejettent une palette à la moindre alerte qualité. Une caméra et un modèle IA postés sur la sertisseuse, la capsuleuse, l'étiqueteuse et l'encartonneur attrapent les pots non conformes avant qu'ils n'arrivent au quai du distributeur, sans plan d'intégration de six mois ni budget câbles à six chiffres.
Qu'est-ce que l'inspection qualité automatisée pour les lignes de confitures et conserves ?
La détection IA de défauts pour confitures et conserves utilise une caméra et un modèle de vision pour surveiller chaque pot à la sortie de la sertisseuse, de la capsuleuse, de l'étiqueteuse et de l'encartonneur, et pour signaler les unités non conformes avant qu'elles n'atteignent l'entrepôt. Plutôt qu'un opérateur à la table d'inspection ou une vision rigide à base de règles, le modèle apprend la forme du pot, le visuel d'étiquette, la teneur en fruits et la géométrie de capsule de ton portefeuille de SKU, et applique un point de contrôle visuel cohérent à travers les équipes, les vitesses de ligne et les changements de recette.
Les confitures et conserves sont particulièrement difficiles à inspecter à la cadence de la ligne parce que la teneur en fruits varie à l'intérieur d'un même lot par construction, l'opacité de la gelée se lit différemment entre une fraise, une framboise et un abricot, et le pot sous-rempli qui ruine un multipack ressemble à une variation normale d'espace de tête sous l'éclairage de la ligne. Une vision à base de règles construite autour d'une seule forme de pot s'effondre dès que tu passes à un autre SKU, à une autre étiquette ou à une autre recette de fruits. L'inspection menée par IA gère ces variations parce que le modèle apprend à partir de vraies images de production plutôt que d'un seuil figé.
Le résultat est un point de contrôle visuel automatisé qui complète ton échantillon de fin de ligne et te donne un dossier image pot par pot. Quand un retour distributeur arrive six semaines plus tard, tu peux ressortir les images de la fenêtre de production exacte et soit confirmer le défaut, soit pousser ton refus avec preuves à l'appui.
Défauts détectés sur les lignes de confitures et conserves
Erreurs de niveau de remplissage et dérive de l'espace de tête
Les erreurs de niveau de remplissage sont les pots sous-remplis ou sur-remplis causés par l'usure du piston de la sertisseuse, les variations de viscosité du lot pendant la production ou la dérive de température dans le cuiseur de confiture. Les sous-remplis cassent la spécification de poids de carton chez le distributeur, et les sur-remplis contaminent la capsule au capsuleur. Les opérateurs vérifient la sertisseuse à l'œil mais ne peuvent pas regarder chaque pot, donc les cas limites passent la table d'inspection. Le modèle IA apprend l'espace de tête conforme pour chaque SKU et signale la dérive dès que la hauteur de remplissage locale dépasse ta tolérance, avec les images disponibles pour que tu puisses ajuster la sertisseuse avant qu'une palette entière ne parte hors spec.
Étiquettes mal alignées et éraflées
Les défauts d'étiquette regroupent les applications de travers, les coins relevés, les bavures de colle et les panneaux froissés causés par l'usure des rouleaux à colle, les erreurs d'alimentation de la pile d'étiquettes ou des rouleaux de pression mal alignés. Les pires défauts se cachent au panneau arrière et passent la table d'inspection avant pour échouer à l'entrepôt. Les opérateurs manuels attrapent les obliques évidentes mais ratent les coins relevés qui passent l'étiqueteuse et échouent quand le film touche l'encartonneur. Le modèle IA garde la signature visuelle d'une étiquette conforme pour chaque SKU et signale obliquité, soulèvement et éraflure dès que le motif local s'écarte du spec.
Sertissage de capsules et défauts de fermeture twist-off
Les problèmes de capsule incluent les capsules de travers, les boutons de sécurité manquants et les capsules twist-off mal sertis causés par la dérive de couple du capsuleur, le mauvais alignement de l'alimentation de capsules ou l'usure des rouleaux à pas de vis. Les capsules mal serties échouent au test de vide et provoquent une perte avant la DLUO. Les opérateurs prélèvent des capsules pendant les pauses mais ratent les fenêtres entre deux. Le modèle IA apprend la signature de capsule conforme et signale les capsules de travers, sans bouton et mal serties à la sortie du capsuleur, avec les images disponibles pour que tu puisses ajuster le couple avant qu'un lot entier ne parte.
Couple de fermeture et défauts de bague d'inviolabilité
Les défauts de fermeture sont les cousins du sertissage : bagues d'inviolabilité cassées, anneaux pilfer incomplets et capsules qui tournent librement sur le pas de vis. Les causes incluent l'usure des rouleaux à pas de vis, la tolérance du lot de capsules et le mauvais alignement du capsuleur. Les défauts ruinent la promesse d'inviolabilité affichée sur l'étiquette et déclenchent des refus distributeur à l'inspection au quai. Le modèle IA capte la signature visuelle d'une bague cassée ou d'une capsule qui tourne libre en une seule image et signale tout pot qui rate le spec, avant que l'encartonneur ne le filme.
Distribution fruits et gelée
Les problèmes de distribution incluent les fruits déposés au fond du pot, la gelée qui se sépare dans l'espace de tête et le ratio fruits-gelée inégal causés par la dérive de l'agitation du tank, la variation de température de recette ou un mauvais accord buse-recette. Les défauts ruinent l'aspect en rayon et déclenchent des plaintes sur les réseaux sociaux. Les opérateurs manuels vérifient la sortie de sertisseuse mais ratent les cas de fruits déposés qui passent la table d'inspection et rendent mal sur l'étagère du supermarché deux semaines plus tard. Le modèle IA apprend la distribution conforme pour chaque SKU et signale la dérive à la sortie de sertisseuse pour que la ligne ajuste l'agitation du tank ou la température de recette.
Casse verre et éclats
Les défauts de verre incluent les fissures au col fileté, les éclats au bord et les inclusions dans le corps causés par l'usure des manipulateurs de verre, l'impact du capsuleur ou des problèmes de lot fournisseur. Les pires défauts se cachent côté intérieur du carton et ne ressortent que lorsque le consommateur ouvre le pot à la maison. Le modèle IA apprend la signature de verre conforme et signale fissures, éclats et inclusions à l'entrée de l'encartonneur pour que la ligne dévie le pot avant qu'il n'atteigne le carton.
L'éclairage qui rend tout cela possible sur une ligne de confiture, c'est une lumière diffuse en plafond au-dessus de la sertisseuse et de l'étiqueteuse pour lire le niveau de remplissage et l'étiquette, plus une lumière annulaire à angle rasant au capsuleur pour lire le sertissage de capsule. Un iPhone Pro avec objectifs macro et grand angle gère les sept familles de défauts depuis un seul poste d'inspection par point de contrôle critique. Nous synchronisons le rig avec l'encodeur du convoyeur pour que les pots signalés déclenchent une décision de déviation ou de mise en attente en aval. L'optique se spécifie avec toi pendant l'onboarding.
Comment Enao tourne sur une ligne de confitures et conserves
Le rig matériel complet coûte moins de 1 000 € et se compose d'un iPhone Pro reconditionné, d'une lumière diffuse en plafond avec une lumière annulaire à angle rasant en option pour l'inspection de capsule, d'un câble USB-C et d'un support qui se clipse au-dessus de la sertisseuse, du capsuleur, de l'étiqueteuse ou de l'encartonneur. L'intégration PLC n'est pas nécessaire pour le premier déploiement, le rig tient dans une valise de transport, et la ligne continue de tourner pendant que tu l'installes.
L'onboarding est en autonomie. Ton équipe ligne monte le rig, ouvre l'app Enao et commence à collecter des images de référence au prochain changement de série. Le jour 1 ressort 80 % de précision sans aucun étiquetage préalable, et au jour 14 le modèle dépasse l'inspecteur manuel sur les familles de défauts qu'il a vues, en s'améliorant à chaque pot signalé que la ligne confirme ou rejette.
Chaque ligne enseigne à son propre modèle à quoi ressemblent ses formes de pots, ses visuels d'étiquette et ses recettes de fruits. Quand tu passes à une autre recette ou une autre étiquette sur la même ligne, le modèle s'adapte en une équipe. Quand tu mets en route une ligne sœur avec une famille de produits similaire, le second modèle démarre depuis l'expérience du premier et l'effort marginal chute fortement.
Les pots hors spec ne montent plus jusqu'à l'encartonneur, le rebut se logue au point d'inspection plutôt qu'au bureau qualité, et tes opérateurs récupèrent les heures d'attention dont ils ont besoin pour les parties du métier qui réclament encore un humain : réglage de sertisseuse, mise au point de recette et gestion des plaintes clients.
Comment Enao se compare à l'inspection manuelle et à la vision industrielle traditionnelle
Pour les producteurs de confitures et conserves, la comparaison se cristallise sur cinq dimensions.
Temps de mise en route sur une ligne de confitures. — Inspection visuelle manuelle : des heures de formation par opérateur, coût de main-d'œuvre récurrent. Vision industrielle traditionnelle : trois à neuf mois d'intégration avec un intégrateur système, plus un jeu de règles par pot et par étiquette. Enao : déployée en une semaine par ton équipe, jour 1 à 80 % de précision.
Coût matériel par ligne. — Inspection visuelle manuelle : aucun coût initial, main-d'œuvre récurrente. Vision industrielle traditionnelle : 40 000 à 200 000 € par ligne pour caméras industrielles, éclairage structuré et intégration. Enao : moins de 1 000 € par ligne avec un iPhone Pro reconditionné, une lampe et un support.
Gestion des nouveaux SKU, étiquettes et recettes. — Inspection visuelle manuelle : reformer les opérateurs pour chaque nouveau SKU. Vision industrielle traditionnelle : réécrire le jeu de règles par recette, souvent sous-traité à l'intégrateur. Enao : ré-enseigner le modèle sur les nouveaux pots, étiquettes et recettes de fruits en une seule équipe, sans toucher au code.
Précision de détection sur les dérives subtiles de remplissage et les éraflures d'étiquette. — Inspection visuelle manuelle : élevée en début de poste, baisse mesurablement après trois heures. Vision industrielle traditionnelle : forte sur les contrôles dimensionnels, faible sur la dérive subtile de niveau de remplissage et la détection d'éraflures d'étiquette. Enao : apprend les signatures de remplissage, d'étiquette et de capsule depuis des images de référence et tient sa précision à travers postes et séries.
Qui fait tourner le système. — Inspection visuelle manuelle : opérateur formé à la table d'inspection. Vision industrielle traditionnelle : intégrateur système ou ingénieur vision spécialisé. Enao : ton équipe ligne, sans spécialiste externe.
Distributeurs et chefs de catégorie changent de fournisseur sur le coût d'une palette refusée, et le coût d'un litige ou d'un déréférencement discret dépasse largement le coût d'un rig d'inspection sur iPhone. Enao est conçue pour ce trou-là.
