Compotas e conservas
Apanha erros de nível de enchimento, desalinhamento de rótulo, problemas de assentamento de tampa e contaminação antes de os frascos saírem da linha de enchimento.
Inspeção de qualidade automatizada para linhas de enchimento de compotas, marmeladas e conservas, a correr num iPhone recondicionado ao lado da enchedora, da capsuladora, da rotuladora e da encartonadora.
Um frasco com pouco enchimento que nenhum operador apanha até o controlo de qualidade do retalhista pesar a caixa no entreposto, um rótulo a descolar pela ponta que o encartonador embrulha sem ver, uma tampa que assenta alta e salta no terceiro frasco de um pack de seis na prateleira do supermercado. Numa linha de compotas e conservas a expedir para retalho e food-service, cada frasco que sai com um defeito oculto custa-te duas vezes. O frasco sai com a tua marca. Depois o comprador liga de volta, o retalhista emite um chargeback, e a próxima revisão de categoria vai para o concorrente na próxima feira. Os operadores manuais apanham as falhas óbvias, mas a deriva gradual de nível de enchimento que uma câmara apanha à saída da enchedora é a que um humano cansado perde após a terceira hora. A inspeção de qualidade automatizada para a produção de compotas e conservas fecha essa lacuna, e não precisas de um sistema de visão de seis dígitos para o fazer.
O que é a inspeção de qualidade automatizada para a produção de compotas e conservas?
A deteção de defeitos por IA para compotas e conservas usa uma câmara e um modelo de visão para observar cada frasco à saída da enchedora, da capsuladora, da rotuladora e da encartonadora, e para sinalizar unidades não conformes antes de chegarem ao entreposto. Em vez de um operador na bancada de inspeção ou de visão rígida por regras, o modelo aprende a forma do frasco, a arte do rótulo, o conteúdo de fruta e a geometria da tampa do teu portfólio de SKU, e aplica um ponto de controlo visual coerente em todos os turnos, velocidades de linha e mudanças de receita.
As compotas e conservas são particularmente difíceis de inspecionar à velocidade da linha porque o conteúdo de fruta varia dentro do mesmo lote por design, a opacidade do gelificado lê-se de forma diferente em gamas de morango, framboesa e alperce, e o frasco com pouco enchimento que estraga um multipack parece idêntico a uma variação normal de espaço de cabeça sob a iluminação da linha de embalamento. A visão por regras construída em torno de uma única forma de frasco parte-se assim que mudas para um SKU diferente, um rótulo diferente ou uma receita de fruta diferente. A inspeção conduzida por IA gere essas variações porque o modelo aprende a partir de fotogramas de produção real em vez de a partir de um limiar fixo.
O resultado é um ponto de controlo visual automatizado que complementa a tua amostra de fim de linha e te dá um registo de imagem frasco-a-frasco. Quando uma queixa de retalhista regressa seis semanas depois, podes puxar os fotogramas da janela exata de produção e confirmar o defeito ou contestar com prova.
Defeitos que detetamos em linhas de produção de compotas e conservas
Erros de nível de enchimento e deriva do espaço de cabeça
Os erros de nível de enchimento são os frascos com pouco e com excesso de enchimento causados por desgaste do pistão da enchedora, alterações de viscosidade do lote durante a série de produção, ou deriva de temperatura no cozedor de compota. Os enchimentos baixos quebram a especificação de peso da caixa no entreposto do retalhista, e os enchimentos excessivos provocam contaminação da tampa na capsuladora. Os operadores verificam a linha de enchimento a olho mas não conseguem observar cada frasco, por isso os casos limite passam a bancada de inspeção. O modelo de IA aprende o espaço de cabeça dentro da especificação para cada SKU e sinaliza deriva assim que a altura local de enchimento ultrapassa a tua tolerância, com os fotogramas disponíveis para que possas ajustar a enchedora antes de uma palete completa sair fora da especificação.
Desalinhamento e marcas de cola no rótulo
Os defeitos de rótulo incluem aplicação enviesada, cantos levantados, marcas de cola e painéis vincados causados por desgaste do rolo de cola, erros de alimentação do empilhamento de rótulos, ou rolos de pressão desalinhados. Os piores casos ficam no painel traseiro e passam a bancada de inspeção da frente do rótulo para falhar no entreposto. Os operadores manuais apanham os enviesamentos óbvios mas perdem os cantos levantados que passam pela rotuladora e falham quando o filme toca na encartonadora. O modelo de IA mantém a assinatura visual de um rótulo dentro da especificação para cada SKU e sinaliza enviesamento, levantamento e marcas de cola assim que o padrão local se desvia da especificação.
Assentamento de tampa e problemas de vedação twist-off
Os problemas de tampa incluem tampas inclinadas, botões de segurança em falta e tampas twist-off mal assentes causados por deriva do binário da capsuladora, desalinhamento da alimentação de tampas, ou desgaste do rolo de roscagem. As tampas mal assentes falham o teste de vácuo e levam a deterioração antes da data de validade. Os operadores amostram tampas nas pausas mas perdem as janelas entre amostras. O modelo de IA aprende a assinatura de tampa dentro da especificação e sinaliza tampas inclinadas, sem botão e mal assentes à saída da capsuladora, com os fotogramas disponíveis para que possas ajustar o binário antes de um lote completo ser expedido.
Binário de fecho e defeitos de banda de inviolabilidade
Os defeitos de fecho são os primos do assentamento, incluindo bandas de inviolabilidade partidas, anéis de garantia incompletos e tampas que rodam livremente na rosca. As causas incluem desgaste do rolo de roscagem, tolerância do lote de tampas e alinhamento da capsuladora. Os defeitos arruínam a alegação de inviolabilidade no rótulo e desencadeiam rejeições do retalhista na inspeção de entreposto. O modelo de IA capta a assinatura visual de uma banda partida ou de uma tampa que roda livremente num único fotograma e sinaliza qualquer frasco que falhe a especificação antes de a encartonadora o embrulhar.
Distribuição de fruta e gelificado
Os problemas de distribuição incluem fruta sedimentada no fundo do frasco, separação de gelificado no espaço de cabeça e rácio desigual de fruta e gelificado causados por deriva da agitação do depósito, variação de temperatura da receita, ou incompatibilidade de bico da enchedora. Os defeitos arruínam a aparência na prateleira do consumidor e desencadeiam queixas nas redes sociais. Os operadores manuais verificam a saída da enchedora mas perdem os casos de fruta sedimentada que passam a bancada de inspeção e ficam mal na prateleira do supermercado duas semanas depois. O modelo de IA aprende a distribuição dentro da especificação para cada SKU e sinaliza deriva à saída da enchedora para que a linha possa ajustar a agitação do depósito ou a temperatura da receita.
Danos no vidro e fragmentos
Os defeitos de vidro incluem fissuras no gargalo roscado, lascas no rebordo e inclusões no corpo causados por desgaste do manipulador de vidro, impacto da capsuladora, ou problemas de lote do fornecedor. Os piores casos ficam do lado interior da caixa e só aparecem quando o consumidor abre o frasco em casa. O modelo de IA aprende a assinatura de vidro dentro da especificação e sinaliza fissuras, lascas e inclusões à entrada da encartonadora para que a linha possa desviar o frasco antes de ele chegar à caixa.
A montagem de iluminação que faz isto funcionar numa linha de compotas é uma luz cenital difusa sobre a enchedora e a rotuladora para ler nível de enchimento e rótulo, mais uma luz em anel de baixo ângulo na capsuladora para ler o assentamento da tampa. Um iPhone Pro com lentes macro e grande angular trata das sete famílias de defeitos a partir de uma única estação de inspeção por ponto de controlo crítico. Sincronizamos a montagem com o codificador do tapete para que os frascos sinalizados acionem uma decisão de desvio ou retenção a jusante. Especificamos a ótica contigo durante o onboarding.
Como o Enao corre numa linha de compotas e conservas
A montagem completa de hardware custa menos de 1 000 € e consiste num iPhone Pro recondicionado, uma luz cenital difusa com uma luz em anel de baixo ângulo opcional para inspeção de tampa, um cabo USB-C, e um suporte que se fixa sobre a enchedora, a capsuladora, a rotuladora ou a encartonadora. A integração com o PLC não é necessária para o primeiro arranque, a montagem cabe numa mala de transporte, e a linha continua a correr enquanto a montas.
O onboarding é self-service. A tua equipa de linha monta a estação, abre a app Enao e começa a recolher fotogramas de referência na próxima mudança. O dia um devolve 80 % de precisão sem qualquer rotulagem prévia, e até ao dia catorze o modelo está a operar acima do inspetor manual nas famílias de defeitos que viu, melhorando a cada frasco sinalizado que a linha confirma ou rejeita.
Cada linha ensina o seu próprio modelo a reconhecer as suas formas de frasco, arte de rótulo e receitas de fruta. Quando passas para uma receita ou rótulo diferente na mesma linha, o modelo adapta-se num único turno. Quando colocas uma linha-irmã em produção com uma família de produtos semelhante, o segundo modelo arranca a partir da experiência do primeiro e o esforço marginal cai acentuadamente.
Os frascos fora de especificação deixam de chegar à encartonadora, o refugo é registado no ponto de inspeção em vez de no gabinete da QC, e os teus operadores recuperam as horas de atenção de que precisam para as partes do trabalho que ainda exigem um humano, incluindo setup da enchedora, ajuste de receita e queixas de cliente.
Como o Enao se compara à inspeção manual e à visão tradicional por máquina
Para produtores de compotas e conservas a comparação aguça-se em torno de cinco dimensões.
Tempo de instalação numa linha de compotas. — Inspeção visual manual: horas de formação por operador, mão-de-obra contínua. Visão tradicional por máquina: três a nove meses de integração com um integrador de sistema, mais um conjunto de regras por frasco e rótulo. Enao: instalado numa semana pela tua própria equipa, dia um a 80 % de precisão.
Custo de hardware por linha. — Inspeção visual manual: nenhum à partida, custo de mão-de-obra contínuo. Visão tradicional por máquina: 40 000 € a 200 000 € por linha em câmaras industriais, iluminação estruturada e integração. Enao: abaixo de 1 000 € por linha com um iPhone Pro recondicionado, lâmpada e suporte.
Tratamento de novos SKU, rótulos e receitas. — Inspeção visual manual: re-formar operadores para cada novo SKU. Visão tradicional por máquina: reescrever o conjunto de regras por receita, frequentemente subcontratado ao integrador. Enao: re-ensinar o modelo a novos frascos, rótulos e receitas de fruta num único turno, sem código a tocar.
Precisão de deteção em deriva subtil de enchimento e marcas no rótulo. — Inspeção visual manual: alta no início do turno, cai mensuravelmente após três horas. Visão tradicional por máquina: forte em verificações dimensionais, fraca em deteção de deriva subtil de enchimento e marcas no rótulo. Enao: aprende as assinaturas de enchimento, rótulo e tampa a partir de fotogramas de referência e mantém a precisão em todos os turnos e séries.
Quem o opera. — Inspeção visual manual: operador formado na bancada de inspeção. Visão tradicional por máquina: integrador de sistema ou engenheiro de visão especializado. Enao: a tua equipa de linha, sem especialista externo necessário.
Os retalhistas e gestores de categoria mudam de fornecedor pelo custo de uma palete rejeitada, e o custo de um chargeback ou de uma troca silenciosa de listagem fica bem acima do custo de uma estação de inspeção em iPhone. O Enao foi construído para essa lacuna.
