YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi

  • Eka Rahayu Setyaningsih Program Studi S2 Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur
  • Muhamad Sarwo Edy Program Studi S2 Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur
Keywords: Karung, Lubang Karung, Pertanian, Deteksi Objek, YOLOv4, Mask R-CNN, Pengolahan Citra Digital, Computer Vision

Abstract

Industri pertanian memiliki berbagai cara dalam memproses produk mulai dari proses bertani hingga ke pemasaran produk. Salah satu proses yang terlibat di dalamnya adalah penyimpanan produk yang belum dipasarkan melalui beberapa media, contohnya karung untuk menyimpan komoditi. Karung memiliki ketahanan tertentu namun juga dapat memiliki kerusakan, baik ketika digunakan secara berlebihan ataupun ketika berada dalam kondisi penyimpanan secara bertumpuk. Guna membantu mengobservasi keadaan karung komoditi pada suatu penyimpanan, penelitian ini menggagas konsep program deteksi objek berupa karung dan lubang kerusakan yang ada pada suatu frame gambar. Penelitian ini mengusung dua metode sebagai perbandingan berupa You Only Look Once (YOLO) versi 4 dan Mask R-CNN. YOLOv4 merupakan metode deteksi objek yang menekankan konsep one-stage object detection dengan keunggulan pada waktu pemrosesan dan akurasi yang dihasilkan. Keluaran YOLOv4 berupa bounding box yang teridentifikasi pada objek. Mask R-CNN menggunakan konsep two-stage object detection dimana selain identifikasi objek dengan menghasilkan bounding box, terdapat masking terhadap objek yang merepresentasikan segmentasi terhadap objek yang dideteksi. Dataset yang digunakan merupakan hasil akuisisi kamera dengan jumlah yang disamakan pada masing-masing algoritma senilai 700 data training, 100 data validasi. Kelas objek yang dideteksi pada penelitian ini yaitu karung dan lubang pada karung. Pengujian terhadap kedua algoritma tersebut dilakukan terhadap sejumlah 20 data uji dengan perbandingan terhadap kalkulasi secara manual oleh mata manusia. Hasilnya didapatkan bahwa model dari YOLOv4 dapat memberikan performa lebih baik dengan akurasi 96,8%, sedangkan model Mask R-CNN mengalami kinerja yang kurang dapat diandalkan dengan akurasi 65,78% pada data uji yang sama

Downloads

Download data is not yet available.

References

A. Naufal, A. Azhar, and A. Nugroho, “Analisis Sistem Pemasaran cengkeh (syzygium aromaticum) di kecamatan Lhoknga Kabupaten Aceh Besar,” Jurnal Ilmiah Mahasiswa Pertanian, vol. 3, no. 4, pp. 518–524, 2018.

W. Dewayani, Arafah, N. Razak, and A. Darmawidah, “Efek Jenis Kemasan Terhadap Kualitas Gabah dan Beras Varietas Cigeulis,” Jurnal Pengkajian dan Pengembangan Teknologi Pertanian, vol. 16, no. 1, pp. 8–19, 2013.

A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, Dive into Deep Learning. arXiv preprint, 2021.

P. A. Flach and M. Kull, “Precision-Recall-Gain Curves: PR Analysis Done Right,” Advances in Neural Information Processing Systems, 2015.

A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “Yolov4: Optimal Speed and accuracy of object detection,” arXiv.org, 23-Apr-2020. [Online]. Available: https://arxiv.org/abs/2004.10934. [Accessed: 11-Mar-2022].

C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “Scaled-YOLOv4: Scaling Cross Stage Partial Network ,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 13029–13038, 2021.

K. He, G. Gkioxari, P. Dollar, and R. Girshick, “Mask R-CNN,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2, pp. 386–397, 2020.

M. Hatab, H. Malekmohamadi, and A. Amira, “Surface defect detection using Yolo Network,” Advances in Intelligent Systems and Computing, pp. 505–515, 2020.

H. Xin, Z. Chen, B. Wang. “PCB Electronic Component Defect Detection Method Based on Improved Yolov4 Algorithm,” Journal of Physics: Conference Series, vol. 1827, no. 1, p. 012167, 2021.

H. Wu, W. Gao, and X. Xu, “Solder joint recognition using mask R-CNN method,” IEEE Transactions on Components, Packaging and Manufacturing Technology, vol. 10, no. 3, pp. 525–530, 2020.

J. N. Gou, X. Y. Wu, and L. Liu, “Detection and Segmentation of Defects in Industrial CT Images Based on Mask R-CNN,” Journal of Computers, vol. 31, no. 6, pp. 141–154, 2020.

M. Buric, M. Pobar, and M. Ivasic-Kos, “Ball detection using Yolo and mask R-CNN,” 2018 International Conference on Computational Science and Computational Intelligence (CSCI), 2018.

M. A. Malbog, “Mask R-CNN for pedestrian crosswalk detection and instance segmentation,” 2019 IEEE 6th International Conference on Engineering Technologies and Applied Sciences (ICETAS), 2019.

S. Garfo, M. A. Muktadir, and S. Yi, “Defect detection on 3D print products and in concrete structures using image processing and convolution neural network,” Journal of Mechatronics and Robotics, vol. 4, no. 1, pp. 74–84, 2020.

H. Liu, K. Fan, Q. Ouyang, and N. Li, “Real-time small drones detection based on pruned Yolov4,” Sensors, vol. 21, no. 10, p. 3374, 2021.

Matterport, “Matterport/MASK_RCNN: Mask R-CNN for object detection and instance segmentation on Keras and tensorflow,” GitHub, 2017. [Online]. Available: https://github.com/matterport/Mask_RCNN. [Accessed: 30-Jul-2021].

AlexeyAB, “Alexeyab/Darknet: Yolov4 / scaled-yolov4 / yolo - neural networks for object detection (windows and linux version of darknet ),” GitHub, 2016. [Online]. Available: https://github.com/AlexeyAB/darknet. [Accessed: 30-Jul-2021].

Published
2022-03-14
How to Cite
Setyaningsih, E. R., & Edy, M. S. (2022). YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi . Teknika, 11(1), 45-52. https://doi.org/10.34148/teknika.v11i1.419
Section
Articles