METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PENERAPAN DEEP LEARNING YOLO UNTUK PENGUKURAN JARAK OBJEK
MENGGUNAKAN MONO KAMERA
HerdiantoA.
Darmeli Nasution.
Niko Surya Atmaja.
Syahrul Ramadhan Program Studi Sistem Komputer.
Universitas Pembangunan Panca Budi.
Medan.
Indonesia Email: herdianto@dosen.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No1.
ABSTRACT
Mobile robots are a type of robot that can move from one place to another.
Therefore, this type of robot has been given the ability to detect objects and measure estimated distances to objects around it to then carry out actions to turn left and right, forward, backward or even stop to avoid collisions.
In general, to measure the distance of objects on mobile robots, ultrasonic sensors such as the HC-SR04 are used and some also use cameras, although they can be used to measure distances, but the use of these sensors has disadvantages, such as the maximum distance that can be measured is 4 meters.
Given this deficiency, the research that will be carried out will try a YOLO deep learning method that can detect objects and then measure the distance of objects around them.
From the results of the tests that have been carried out, it is known that the distance to the object that can be measured is 31,400 mm with the actual object height being 1750 mm.
Keyword: Object Detection.
Deep Learning.
Distance Measurement.
Estimation.
Monocamera.
ABSTRAK
Robot mobile merupakan salah satu jenis robot yang dapat berpindah dari satu tempat ke tempat yang lain.
Oleh karenanya pada robot jenis ini telah diberi kemampuan untuk mendeteksi objek dan melakukan pengukuran estimasi jarak terhadap objek di sekelilingnya untuk selanjutnya melakukan aksi berbelok ke kiri kanan, maju, mundur atau pun berhenti untuk menghindari tabrakan.
Pada umumnya untuk mengukur jarak objek pada robot mobile menggunakan sensor ultrasonic seperti HCAeSR04 dan ada juga yang menggunakan kamera meskipun dapat digunakan untuk melakukan pengukuran jarak tetapi penggunaan sensor ini memiliki kekurangan seperti jarak yang dapat diukur maksimum 4 meter.
Dengan adanya kekurangan ini maka pada penelitian yang akan dilakukan dicoba sebuah metode deep learning YOLO yang dapat mendeteksi objek untuk selanjutnya melakukan pengukuran jarak objek yang ada di sekitarnya.
Dari hasil uji coba yang telah dilakukan diketahui jarak objek yang dapat diukur sejauh 31400 mm dengan tinggi objek sebenarnya 1750 mm.
Kata Kunci: Deteksi Objek.
Deep Learning.
Pengukuran Jarak.
Estimasi.
Monokamera.
PENDAHULUAN
Servoing Visual (VS) adalah teknik untuk mengendalikan pergerakan robot menggunakan informasi umpan balik yang dikirim dari sensor penglihatan .
Pada VS sangat sulit untuk melacak pergerakan objek jika data jarak objek tidak Ada tiga jenis kontrol servo visual yaitu :
servo visual berbasis posisi kontrol (PBVS), kontrol servo visual berbasis gambar (IBVS) dan hybrid .
ikipedia, 2.
, (Alizadeh, 2.
, (Herdianto, 2.
, (Herdianto, 2.
Masukan referensi untuk PBVS adalah posisi 3D dan orientasi antara objek dan robot end-effector .
angan robo.
dalam ruang lingkup kendali berdasarkan koordinat cartesian.
Sedangkan untuk kontrol servo visual berbasis gambar adalah posisi objek 2D yang diperoleh dari kamera.
Pendekatan menggunakan IBVS kurang berhasil dimana estimasi jarak pada objek bergerak kurang akurat dibandingkan dengan pengukuran jarak pada objek tidak bergerak terutama pada lingkungan yang dinamis sehingga mempengaruhi akurasi servoing (Firouzi & Najjaran, 2.
, (Herdianto et al.
, 2.
Untuk menghitung jarak objek bergerak terhadap kamera maka objek harus terlebih dahulu terdeteksi oleh kamera.
Ada empat metode yang dapat dilakukan dalam pendeteksian objek yaitu: berbasis model, region-based, berbasis fitur dan kontur (Alizadeh, 2.
, (Nababan et al.
, 2.
, (Herdianto & Nasution.
Metode deteksi objek berbasis model membutuhkan pengetahuan tentang bentuk Ae bentuk objek untuk proses pencocokan ketika menemukan objek di lingkungan sekitar sebelum digunakan metode ini juga menerapkan model geometris dari Tetapi metode ini memiliki kekurangan yaitu :
Halaman 51 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
objek yang tidak ada dalam database tidak dapat dikenali oleh model ini dan metode ini sulit untuk diterapkan (Shaaban & Omar, 2.
Sedangkan metode region-based dalam melakukan pendeteksian objek menggunakan bentuk 2D dari daerah objek.
Pendekatan dengan metode ini sangat bergantung pada informasi yang diberikan oleh piksel-piksel dari daerah objek seperti warna dan Untuk metode berbasis fitur cara mendeteksi objek dengan mencari fitur spesifik dari suatu objek seperti titik- titik tertentu dan deteksi tepi objek.
Kelebihan dari metode berbasis fitur ini adalah algoritma sederhana dan stabil dalam mendeteksi objek tetapi metode ini tidak efisien dalam aplikasi pendeteksian objek secara real time.
Metode berbasis kontur mendeteksi kontur batas objek daripada mendeteksi semua piksel yang membentuk objek.
Dalam metode berbasis kontur objek dalam bingkai berikutnya yang ditangkap oleh kamera ditentukan menggunakan gerakan informasi objek tersebut.
Dengan demikian bentuk dan posisi kontur objek pada bingkai selanjutnya dapat diperbaiki sesuai bentuk objek sesungguhnya.
Selanjutnya informasi gerak objek diperbarui pada setiap perubahan lokasi kontur (Shaaban & Omar, 2.
, (Hariyanto et al.
, 2.
Namun metode ini memiliki kekurangan yaitu tidak dapat mendeteksi objek sebagian.
Namun demikian metode berbasis kontur memiliki kelebihan seperti komputasi lebih ringan dibandingkan dengan metode lain dan memiliki akurasi yang baik dalam mendeteksi benda diam dan bergerak.
Beberapa penelitian sebelumnya terkait pengukuran jarak objek terhadap kamera telah dilakukan peneliti sebelumnya seperti yang telah dilakukan oleh (Yamaguti et al.
, 1.
dimana untuk menghitung jarak objek menggunakan rasio dua gambar yang diambil dari dua kamera dari lokasi yang berbeda selanjutnya dilakukan pemetaan dengan kompleks log mapping pada dua gambar Namun model yang dihasilkan (Yamaguti et , 1.
membutuhkan waktu komputasi yang lama dan hanya berlaku untuk objek yang sejajar dengan bidang kamera.
Selanjutnya ada juga penelitian pengukuran jarak yang diusulkan oleh (M & R, 2.
Pada penelitian ini pengukuran jarak objek diawali dengan menetapkan titik awal geometri objek yang berbentuk persegi.
Lalu ada juga penelitian yang dilakukan oleh (Zhang et al.
, 2.
yang mengembangkan algoritma 3 langkah untuk menghitung posisi 3D dari objek terhadap kamera.
Dalam algoritma yang diusulkan oleh (Zhang et al.
parameter kamera dikalibrasi terlebih dahulu ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
kemudian sebuah model diatur untuk mengukur jarak objek terhadap kamera yang bergerak.
Dari ke tiga penelitian yang telah diuraikan di atas peneliti menganalisis masih adanya kekurangan pada hasil ke penelitian di atas yaitu objek yang diukur bersifat tertentu dan hasil pengukuran masih tidak Oleh karena itu pada penelitian yang akan dilakukan peneliti mencoba menerapkan metode deep
learning YOLO untuk mendeteksi dan melakukan pengukuran jarak objek berbasis kamera
memiliki jangkauan jarak pengukuran lebih dari 7000
KAJIAN LITERATUR
Model Dasar Pengukuran Jarak Pengukuran jarak objek terhadap kamera dapat dilakukan bila tinggi, sudut kamera diketahui seperti Gambar 1.
T camera T objek d rest d objek Gambar 1.
Model Pengukuran Jarak Objek (Jyngel et al.
, 2.
Dari Gambar 1 maka untuk menghitung jarak d dan d rest dapat dilakukan dengan menggunakan persamaan .
d = tan (I) * T camera d rest = tan (I) * T objek sedangkan untuk menghitung jarak d objek dilakukan dengan persamaan .
d objek = d Ae d rest d objek = tan (I) * (T camera Ae T obje.
Halaman 52 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
Pada penelitian (Jamzad.
M Foroughnassiraei.
A Chiniforooshan.
E Ghorbani et al.
, 2.
untuk mengukur jarak dicoba metode yang sedikit berbeda dari penelitian (Jyngel et al.
, 2.
Adapun bentuk dari model pengukuran objek seperti terlihat seperti Gambar 2.
berikut ini.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
menggunakan mono kamera secara tradisional geometric memiliki kesamaan karena menggunakan variabel yang sama seperti tinggi dan sudut kamera.
Deep Learning YOLO Deep learning merupakan perkembangan dari neural network yang dapat mengenali objek pada citra digital dalam jumlah besar setelah dilakukan proses You Only Look Once (YOLO) diperkenalkan pertama kali oleh (Redmon et al.
, 2.
metode ini sangat cepat dimana dapat memproses 45 frames dalam 1 detik.
Adapun bagaimana cara kerja YOLO dapat dilihat dari arsitekturnya seperti pada Gambar 3.
Objek Gambar 2.
Model Lain Pengukuran Jarak Objek (Jamzad.
M Foroughnassiraei.
A Chiniforooshan.
E Ghorbani et al.
, 2.
A dan B pada Gambar 2 adalah variabel yang merupakan jarak sebenarnya antara posisi kamera dengan objek paling awal dan tengah di lantai sedangkan T camera merupakan tinggi kamera.
adalah sudut kamera terhadap jarak B dan I 2 adalah sudut kamera yang terbentuk dari jarak B dengan DH.
Untuk L adalah jarak diagonal antara A ke B sedangkan K merupakan nilai hypotenuse ( sisi mirin.
antara T camera dan B.
I1 = tan-1 (B/T camer.
L = ( B Ae A) sin ((A/.
- (I.
) K = Oo T camera2 A2 Ae L2 X = L (.
Ae .
X0 / I.
) I2 = tan-1((X/K)) DH = Tcamera * tan (I1 I.
X0 merupakan nilai piksel yang diperoleh dari citra objek bagian bawah dari sumbu y.
Ip adalah jumlah piksel citra objek secara vertical.
Dengan diketahuinya variabel Ae variabel tersebut di atas maka untuk nilai DH dapat dihitung yang menjadi jarak objek Secara umum pengukuran jarak objek Gambar 3.
Arsitektur Yolo | (Redmon et al.
, 2.
Agar model YOLO yang digunakan seperti Gambar 3 menjadi pintar maka terlebih dahulu model dilatih dengan sejumlah dataset image yang telah diberi ground truth, koordinat objek serta lebar dan tinggi ground truth.
Lalu model ini akan terlebih dahulu membagi gambar input menjadi beberapa grid umpamanya 7 * 7, di mana setiap sel pada grid bertanggung jawab untuk memprediksi jika ada bagian tengah bounding box berada di dalamnya.
Selain itu setiap sel grid juga memprediksi koordinat x, y bounding box , lebar dan tinggi serta tingkat kepercayaan objek.
Untuk prediksi kelas juga dilakukan pada setiap sel grid dan setiap sel dalam grid dapat memprediksi 2 bounding box sehingga jumlah seluruh bounding box ada 98 yang dapat prediksi.
Selanjutnya dilakukan pemetaan probabilitas kelas dan bounding box dengan tingkat kepercayaanya Halaman 53 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
kemudian digabungkan menjadi satu set akhir dari bounding box dan label kelas.
METODE PENELITIAN
Untuk menyelesaikan penelitian ini maka peneliti menyusun kerangka penelitian seperti Gambar
STUDI LITERATUR
PENGUMPULAN DATA CITRA
OBJEK
PROSES PELATIIHAN
MENGUKUR TINGGI IMAGE
CITRA OBJEK
MEMBUAT FORMULA
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Bounding box yang terbentuk pada saat proses pelatihan selanjutnya dilakukan pengukuran A Membuat Formula Menentukan formula yang tepat sesuai variabel yang digunakan dalam pengukuran jarak.
A Pengujian Melakukan pengujian formula dan proses pelatihan yang telah dilakukan dengan kesesuaian hasil prediksi jarak yang diperoleh.
A Kesimpulan Menarik kesimpulan dari hasil pengujian yang telah dilakukan untuk mengetahui ketercapaian tujuan penelitian.
HASIL DAN PEMBAHASAN
Agar jaringan YOLO dapat menjadi pintar dalam mengenali objek untuk selanjutnya melakukan pengukuran jarak maka langkah awal yang dilakukan adalah melakukan pelatihan terhadap citra objek yang telah dikumpulkan.
Dan tujuan dari pelatihan ini adalah untuk memperoleh bobot jaringan yang ideal yang nantinya akan dipakai pada proses testing.
PENGUJIAN
KESIMPULAN
Gambar 4.
Tahapan Penelitian Yang Dilakukan Keterangan :
A Studi Literatur Pada tahap ini peneliti mengumpulkan data terkait perkembangan hasil penelitian tentang pengukuran jarak objek menggunakan kamera yang telah dilakukan peneliti Data yang dikumpulkan bersumber dari proseding, jurnal nasional dan internasional serta buku.
A Pengumpulan Data Citra Objek Tahap ini peneliti mengumpulkan sampel beberapa objek dengan jumlah tertentu dan berbagai jarak untuk dipakai pada saat proses pelatihan.
A Proses Pelatihan Agar deep learning dapat mendeteksi objek dan membentuk bounding box dari image citra objek maka jaringan deep learning YOLO mesti dilakukan pelatihan.
A Mengukur Tinggi Image Citra Objek Gambar 5.
Bentuk Jaringan YOLO Yang Dilatih Gambar 5 memperlihatkan jaringan YOLO yang digunakan dalam proses pelatihan dimana terlihat jaringan ini terdiri dari beberapa layer yang berisi convolusi dengan berbagai filter.
Halaman 54 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
dengan berhasilnya YOLO membentuk bounding box warna merah pada objek manusia.
Gambar 6.
Proses Pelatihan YOLO Gambar 8.
YOLO Mendeteksi Objek Jarak 3400 mm Proses pelatihan pada gambar 6 menunjukkan perubahaan nilai average loss (AVG) loss, iterasi, estimasi waktu pelatihan dan maksimum batches Saat pertama kali dilakukan pelatihan nilai AVG di atas 18, nilai ini masih tinggi jika untuk Selanjutnya nilai AVG ini terus diperbaiki hingga 0,98 dan nilai dianggap sudah ideal artinya jaringan sudah baik.
Untuk membuktikan bahwasannya jaringan hasil pelatihan sudah baik maka dilakukan proses pengujian dengan data citra yang pernah dilatih dan belum dengan persentase 70% data latih dan 30% belum pernah dilatihkan.
Pada gambar 8 YOLO dapat mendeteksi objek manusia dengan jarak objek 4300 mm dan ditandai dengan berhasilnya YOLO membentuk bounding box warna merah pada objek manusia.
Gambar 9.
YOLO Mendeteksi Objek Jarak 9400 mm Gambar 7.
YOLO Mendeteksi Objek Jarak 2400 mm Pada gambar 7 YOLO dapat mendeteksi objek manusia dengan jarak objek 2400 mm dan ditandai Pada gambar 9 YOLO dapat mendeteksi objek manusia dengan jarak objek 9400 mm dan ditandai dengan berhasilnya YOLO membentuk bounding box warna merah pada objek manusia.
Lalu masing Ae masing bounding box yang dibentuk diukur tinggi pikselnya selanjutnya persamaan 1 dihitung jaraknya.
yc yaycaycycayco = yce Oe (.
OeEa ) O .
co O .
c Oe E.
)) .
Halaman 55 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
Dimana:
: tinggi image referensi .
: tinggi citra objek .
: focal length kamera : konstanta Tinggi bounding box yang terbentuk merupakan tinggi citra objek .
Tabel 1.
Hasil Pengukuran Jarak Objek Manusia Jarak Pengukuran Error Objek Kamera (M.
(M.
18820,787 19850,396 20980,769 21750,873 23100,736 23740,728 25230,591 25990,173 27510,387 27880,915
29210,268
30060,508
31270,739
-420,787
-450,396
-580,769
-350,873
-700,736
-340,728
169,409
409,827
-110,387
519,085
189,732
339,492
129,261
KESIMPULAN
Dari hasil pengujian yang telah dilakukan diketahui deep learning YOLO dapat mendeteksi objek dan membentuk bounding box untuk selanjutnya dilakukan pengukuran jarak objek.
Untuk objek manusia yang diukur dengan tinggi badan 1750 mm maka jarak yang dapat diukur hingga 31400 mm.
DAFTAR PUSTAKA