SEGMENTASI OBJEK BERBASIS KAMERA TERMAL MENGGUNAKAN DEEP LEARNING (PRE-TRAINED RESNET 34)

Abstrak

Teknologi berkembang amat pesat berkembang di negara majemuk, diantara teknologi tersebut ialah kendaraan listrik tanpa intervensi manusia, kita lebih mengenal hal tersebut dengan kendaraan listrik otonom (KLO). Tujuan dari kendaraan listrik otonom ini untuk menekan kelalaian manusia pada saat berkendara, disamping itu mampu memberi kemudahan bagi pengemudinya berpergian tanpa perlu mengendarainya. Sebelum semua hal itu bisa beroperasi dengan baik, kendaraan listrik otonom tersebut membutuhkan skema pendeteksian yang bisa membedakan objek, metode segmentasi menggunakan sensor kamera termal yang didasarkan pada Deep Learning yang dilatih bersama kumpulan data yang diperlukan. Metode ini menggunakan Fully Convolutional Network (FCN) dengan model arsitektur Residual Network 34 (ResNet 34) yang berdimensi gambar sebesar 640x512 pixel sebagai ekstrasi fiturnya. Kelebihan ResNet 34 yaitu mampu melakukan training dataset cukup banyak meskipun hardware yang digunakan bukanlah yang paling mumpuni.

Rancangan sistem pendeteksian objek ini mempergunakan metode segmentasi semantik, Neural Network, dan Image Processing sebagai sinyal masukan yang berupa gambar, dan kamera termal FLIR yang di ibaratkan sebagai mata untuk kendaraan yang mana menerima sinyal masukan, prosedur awal hingga akhir diproses menggunakan Jetson AGX Xavier. Kemampuan dari segmentasi semantik diuji secara offline dengan 40216 frame gambar, terdapat tiga kategori yaitu, baik, cukup, serta kurang baik. Yang termasuk kategori baik sebanyak 23389 frame, 10706 frame merupakan kategori cukup, dan untuk kategori kurang baik terdapat 6120 frame. Hasil mean Intersection over Union (IoU) yang didapatkan pada saat penelitian ini sebesar 78,56%.