Jurnal Teknologi dan Rekayasa Manufaktur JTRM | Vol.
6 | No.
1 | Tahun 2024
ISSN (P): 2715-3908 | ISSN (E): 2715-016X
DOI: HTTPS://DOI.
ORG/10.
48182/JTRM.
V6I1.
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno Teknik Otomasi Manufaktur dan Mekatronika.
Politeknik Manufaktur Bandung Email: ridwan@polman-bandung.
Informasi Artikel:
Received:
21 Maret 2024 Accepted:
01 April 2024 Available:
28 Juni 2024 Kata Kunci:
Sorting Camera
Conveyor
Arduino Uno
Python
ABSTRAK
Sistem pemilihan produk berdasarkan spesifikasi dimensi membutuhkan waktu yang cukup lama dan akurasinya menjadi rendah jika lakukan secara manual.
Faktor kelelahan operator produksi mengakibatkan menurunkan kualitas kerja, sehingga output produksi menjadi rendah Untuk mengatasi hal tersebut perlu dibuatkan peralatan sortir yang dapat membedakan jenis-jenis produk dengan menggunakan pemantauan kamera inspeksi yang di kontrol dengan Arduino Uno.
Dalam penelitian ini, dirancang sebuah prototype berbentuk konveyor yang dilengkapi dengan kamera (Webcam X.
dan beberapa sensor kedekatan .
roximity senso.
untuk memberikan inputan ke Arduino Uno.
Fungsi kamera yaitu untuk mendeteksi bentuk produk dengan menggunakan metode Deep Learning Model SSD-MobileNet v2 dengan menggunakan bahasa pemrograman phyton yang dibantu dengan library TensorFlow dan OpenCV.
Hasil dari deteksi produk akan diolah menjadi sinyal input sebagai pengontrol pada Arduino Uno, lalu dilanjutkan untuk mengendalikan solenoid valve pneumatic pada masing-masing produk.
Hasil Pembacaan oleh software yaitu untuk mendeteksi benda lingkaran sebesar 92 %, untuk mendeteksi benda segitiga yaitu sekitar 84 %, dan untuk mendeteksi benda kotak yaitu sekitar 87 %.
ABSTRACT
Sorting product system based on dimensional specifications takes a long time and the accuracy is low if done manually.
The fatigue factor of production operators results in lowering the quality of work so that the production output becomes of low quality.
To overcome this, it is necessary to make sorting equipment that can distinguish the types of products by using inspection camera monitoring which is controlled by Arduino Uno.
In this study, a conveyor-shaped prototype was designed which is equipped with a Webcam X6 camera and several proximity sensors to provide input to the Arduino Uno.
The camera function detects the product dimensions using the Deep Learning Model SSD-MobileNet v2 method using the Python programming language and is assisted by the TensorFlow and OpenCV libraries.
The results of product detection will be processed into input signals to control the Arduino Uno followed by controlling the pneumatic solenoid valves on each product.
The result of reading by software is to detect circular objects by 92%, detect triangular objects, which is about 84%, and read square objects, which is about polman-bandung.
53 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno
1 PENDAHULUAN
Di era teknologi yang semakin berkembang ini, memungkinkan masyarakat lebih tertarik menggunakan teknologi yang lebih modern .
Alasannya tidak jauh, karena dianggap lebih efektif dan efisien, salah satunya dalam meningkatkan kualitas dan kuantitas produksi.
Industri yang memproduksi barang dalam jumlah besar tidak dapat dikerjakan sepenuhnya dengan tenaga manusia, hal ini mengingat tenaga manusia mengalami kelelahan jika bekerja pada titik jenuh tertentu .
Salah satu pekerjaan yang menjenuhkan pada jalur produksi adalah memisahkan atau membedakan jenis barang yang keluar dari jalur yang sama.
Dengan kemajuan teknologi yang berkembang pesat saat ini, mengakibatkan industri sebagai produsen perlu menggunakan cara otomatisasi untuk meningkatkan jumlah barang yang diproduksinya secara efektif dan efisien dalam menentukan jenisnya .
Otomasi sendiri adalah suatu teknik untuk membuat peralatan, proses, atau sistem beroperasi secara otomatis yang mencakup kemampuan pemrosesan sistem apapun .
Sehingga secara umum sistem otomasi dapat didefinisikan sebagai suatu proses yang dapat berfungsi secara otomatis dengan menggunakan teknologi yang berkaitan dengan aplikasi mekanik elektronik dan sistem yang berbasis komputer tanpa adanya campur tangan manusia .
Salah satu peralatan kendali otomatis yang saat ini banyak digunakan adalah PLC (Programmable Logic Controlle.
PLC merupakan peralatan kontrol industri yang penggunaannya sangat luas di industri.
, .
PLC digunakan karena memiliki kehandalan-kehandalan, antara lain mudah diprogram dan diaplikasikan, pengawatan .
lebih sedikit, throubleshouting sistem lebih sederhana, konsumsi daya relatif lebih rendah, modifikasi sistem lebih sederhana dan cepat .
PLC sangat mendukung kehidupan manusia pada era sekarang, terutama dalam menyortir barang produksi di industri.
Pengertian sortir sendiri .
adalah proses memilah, secara deskripsi sortir merupakan proses menyusun kembali objek yang seharusnya disusun dengan suatu pola tertentu, sehingga tersusun secara teratur menurut aturan tertentu.
Penyortiran sendiri bisa dikelompokkan dalam beberapa jenis, ada penyortiran yang dilakukan berdasarkan berat, berdasarkan warna, berdasarkan bentuk dan lainAelain .
Proses sortir berdasarkan bentuk diperlukan akurasi dan kecepatan dalam membedakan sebuah benda .
Saat ini sudah banyak pengembangan konveyor yang dilakukan untuk mempermudah pekerjaan manusia dengan sistem sortir benda dengan nilai berat yang di baca untuk dapat memilah benda dengan tepat, serta pengembangan konveyor yang dilakukan untuk sistem pemilahan barang dengan nilai yang dibaca lebar dari barang tersebut .
Hal itu tak lepas dari peranan teknologi yang semakin pesat, terutama dengan penggunaan mikrokontroler serta sensor-sensor yang menjadi indra dari sebuah mesin.
Mikrokontroler merupakan sebuah sistem mikroprosesor yang di dalamnya sudah terdapat CPU.
ROM.
RAM.
I/O clock dan peripheral lainnya .
Mikrokontroler juga bisa digunakan sebagai pengendali kecil suatu perangkat embedded system .
Pada penelitian tahun 2021, terdapat sistem pendeteksian objek dengan menggunakan kamera ESP 32 CAM,PLC Outseal, dan konveyor untuk sortir bungkus permen.
Proses pendeteksian objek dilakukan dengan cara membandingkan objek dengan sampel yang sudah dibuat, objek yang memiliki kecenderungan terbesar dengan salah satu sampel akan diklasifikasikan dalam kelas sampel tersebut.
Hasil pendeteksian oleh modul kamera akan dikirimkan ke PLC berupa input digital .
Lalu, pada penelitian lainnya di tahun tersebut, terdapat pembahasan mengenai sistem pendeteksian objek, yang berupa macam-macam atap mobil, warna pada atap mobil, dan juga scratch dengan menggunakan metode SSD-Mobnet dan konveyor.
Tingkat keakurasian dari penelitian dengan menggunakan kamera Logitech tersebut yaitu sebesar 80% .
54 | JTRM
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno Berdasarkan uraian yang sudah dijelaskan, perlu dirancang sistem pengontrolan produksi menggunakan pengamatan otomatis dengan memanfaatkan teknologi kamera yang dapat membedakan hasil produksi sesuai bentuk produk dengan menggunakan Arduino Uno sebagai 2 METODE PENELITIAN Dalam penelitian tersebut, terdapat beberapa tahap metode penelitian yang penulis lakukan, antara lain Studi Literatur.
Pada tahap ini penulis mendalami konsep mengenai deteksi objek dan warna pada produk melalui jurnal dan buku yang penulis dapatkan, baik di perpustakaan ataupun internet.
Selanjutnya, penulis mengumpulkan data-data yang meliputi data citra digital dan pengerjaan desain.
Setelah keduanya selesai, tahapan selanjutnya adalah mengimplementasikan semua itu dalam bentuk prototipe.
Prototipe yang telah dirancang juga harus melalui tahap pengujian dan analisa sehingga dapat menjadi evaluasi dalam bentuk Metode Pengumpulan Data Prototype sistem sortir geometri jalur produksi berbasis kamera, merupakan miniatur jalur produksi, dengan produk yang akan dikemas harus melalui tahapan inspeksi sebagai quality control product.
Tahapan inspeksi ini dikerjakan secara otomatis oleh kamera inspeksi untuk menentukan produk yang lingkaran atau produk kotak dan segitiga.
Pencatatan jumlah produk lingkaran atau produk kotak dan segitiga dapat dipantau langsung melalui aplikasi Wonderware InTouch yang sudah terhubung.
Gambar 1.
Diagram blok Sistem
55 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno Pendeteksi produk dengan kamera inspeksi pada line produksi berbasis Arduino Uno ini.
Wonderware InTouch terhubung ke ethernet sebagai interface.
Motor Stepper terhubung ke Arduino Uno yang fungsinya yaitu untuk mendorong barang yang terkena sensor proximity 1 Kamera berfungsi untuk membandingkan data sesuai standar, yang nantinya data tersebut akan masuk ke mikrokontroller.
Arduino Uno, untuk mengaktifkan tidaknya motor Relay terhubung dengan Arduino Uno untuk menghidupkan atau mematikan motor DC.
Gambar 2.
Proses Image Processing Kamera mendeteksi adanya objek yang lewat untuk meningkatkan efisiensi dalam menentukan jumlah produk yang gagal .
Setelahnya memasuki proses di Deep Learning, lalu ke SSD untuk mendeteksi sebuah objek secara realtime.
Sistem pendeteksian yang dilakukan adalah dengan menggunakan repurpose classifier atau localizer untuk melakukan deteksi.
Lalu ke tensorflow dan terakhir di outputnya.
56 | JTRM
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno Mulai Kamera Mendeteksi Lingkaran? Tidak Barang terdeteksi Sensor 1 dan Solenoid Barang Terdeteksi Sensor 1 dan Solenoid tidak aktif Solenoid Valve Mendorong barang dan limit switch aktif Barang Terdeteksi di sensor 3 dan akan Limiit Switch aktif dan menghitung barang Selesai Gambar 3.
Alur Cara Kerja Pengolahan Citra sortir barang Pada Gambar 3 ketika konveyor menyala kamera mendeteksi barang.
Bila kamera sudah mendeteksi barang, sinyal akan dikirimkan menuju relay, lalu dikirimkan kembali sinyalnya ke PLC untuk diolah.
Ketika barang bagus, maka akan menonaktifkan solenoid valve dan sensor 3 akan menghitung barang yang lingkaran.
Ketika barangnya tidak bagus, solenoid valve akan aktif dan mendorong barang.
Limit Switch akan aktif dan menghitung barang yang kotak dan Tools yang digunakan pada penelitian ini adalah PC.
Metode analisis data yang digunakan dalam penelitian ini adalah metode Deep Learning dengan model SSD-MobileNet v2, menggunakan framework TensorFlow yang bertujuan untuk mengklasifikasikan object kotak, segitiga dan lingkaran secara realtime.
Setelah terdeteksi, sinyal dikirimkan ke Arduino Uno dan menyalakan relay.
Tahapan Penelitian 1 Mengumpulkan Data
57 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno Gambar 4.
Labelling Objek Langkah pertama adalah mengumpulkan data custom 250 gambar lingkaran, segitiga dan kotak menggunakan webcam berupa output .
Kemudian gambar tersebut dilabeli sebagai klasifikasi salah satu bentuk menggunakan LabelImg.
Proses labeling memakan waktu yang cukup lama apabila kita ingin mendapatkan akurasi deteksi yang baik.
Output LabelImg akan secara otomatis menyimpan gambar dalam format .
XML .
58 | JTRM
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno 2 Training Data Gambar 5.
Proses Training data Pengembangan model arsitektur menggunakan Tensorflow Deteksi Objek Untuk mendapatkan hasil export.
Gambar 6.
Proses Pengembangan Skenario Arsitektur Pada proses training, data akan dipecah menjadi dua bagian, yaitu folder train sebanyak 80% dari keseluruhan gambar dan folder test sebanyak 20%.
Data yang ada di folder traning adalah data yang akan dilatih oleh mesin menggunakan metode Deep Learning dengan model SSDMobileNet v2, yang kemudian data yang ada di folder uji akan dijadikan sebagai pembanding dengan data yang sudah dilatih .
Yang pertama adalah mengubah ukuran gambar menjadi 300x300 piksel.
Selanjutnya adalah proses konvolusi untuk mendapatkan fitur citra.
Ada beberapa tahapan dalam proses konvolusi
59 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno atau convolutional layer.
Proses konvolusi harus dilakukan berulang-ulang hingga mencapai bagian terkecil dari citra.
Metode SSD yang diimplementasikan dalam pelatihan ini berasal dari tujuan MultiBox, tetapi diperluas untuk menangani beberapa kategori objek .
3 Perancangan Alat Gambar 7.
Rancangan Alat (Tampak Ata.
Gambar 8.
Rancangan Alat (Tampak Sampin.
Gambar 7 dan 8 merupakan rancangan mekanik pengolahan citra pada suatu jalur produksi.
Kamera mendeteksi barang, dan setelah barang terdeteksi, sinyal akan diteruskan ke relay.
60 | JTRM
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno Relay kemudian akan mengirimkan sinyal ke PLC untuk diolah.
Apabila barang berbentuk kotak atau segitiga, maka akan menonaktifkan solenoid valve dan sensor 3 akan menghitung barang Sedangkan bila barangnya lingkaran, maka solenoid valve akan aktif dan mendorong barang, limit switch akan aktif dan menghitung barang tersebut.
4 Antarmuka Antarmuka pada sistem Pengolahan Citra berbasis kamera ini menggunakan Wonderware InTouch sebagai Interface-nya serta menggunakan Ethernet untuk terhubung ke PLC.
Gambar 9.
Interface Wonderware InTouch Gambar 9 menunjukkan Interface Pengolahan Citra untuk sistem sortir menggunakan Wonderware InTouch.
Ketika sensor 1, 2 dan 3 membaca barang, maka relay akan menyala berwarna merah.
Ketika relay berwarna merah, dan ketika barang terdeteksi di sensor 2 maka akan menghitung good.
Sedangkan, ketika sensor 3 menyala maka menghitung barang reject.
Data good dan data reject akan terbaca pada interface.
61 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno
3 HASIL
Gambar 10.
Rancangan Konveyor Gambar 10 merupakan rancangan konveyor yang sudah selesai dibuat.
Konveyor ini menggunakan alumunium profile sebagai rangkanya.
Terdapat belt conveyor sepanjang 120 cm dan lebar 13 cm, 2 buah sensor proximity, limit switch, dan solenoid valve 5/2 Double Acting, serta webcam untuk mendeteksi barang yang lewat konveyor.
Gambar 11.
Rancangan Trainer PLC Gambar 11 merupakan rancangan trainer yang dibuat untuk memudahkan pengguna dalam menyambungkan rangkaian elektrik dari konveyor ke PLC.
Pada trainer PLC, terdapat PLC CP1L dan dua buah power supply, yaitu 12V dan 24V.
Power Supply 24V berfungsi untuk menyalakan PLC, sedangkan Power Supply 12V untuk menyalakan Motor DC 12V.
LED, dan Kompressor 12V.
62 | JTRM
Pendeteksi Produk Dengan Kamera Inspeksi Pada Line Produksi Berbasis Arduino Uno Tabel 1.
Hasil Pembacaan Kotak Pada Kamera No.
Bentuk Real Pembacaan (%) Pembacaan Oleh Software (%) Error (%) Kotak
Kotak
Kotak
Kotak
Kotak
Kotak
Kotak
Kotak
Kotak
Kotak
14,2 %
Rata-rata Tabel 2.
Hasil Pembacaan Segitiga Pada Kamera No.
Bentuk Real Pembacaan (%) Segitiga Segitiga Segitiga Segitiga Segitiga Segitiga Segitiga Segitiga Segitiga Segitiga Rata-rata Pembacaan Oleh Software (%) Error (%) Tabel 3.
Hasil Pembacaan Lingkaran Pada Kamera No.
Bentuk Real Pembacaan (%) Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Lingkaran Rata-rata Pembacaan Oleh Software (%) Error (%) Dari hasil Pembacaan Objek pada step 6000, rata-rata pembacaan pada objek kotak yaitu 87 % dan errornya 14.
2% , untuk segitiga rata-rata pembacaan objek 84 % dan errornya 16.
dan untuk lingkaran yaitu sekitar 92 % dan errornya 7.
6%, ini dikarenakan lingkaran mempunyai ukuran yang sama dan tidak mempunyai sudut, sehingga ketika kamera
63 | JTRM
Ridwan.
Muhammad Hafidhin Affan.
Setyawan Ajie Soekarno mendeteksi dari atas maka nilai akurasinya sangat bagus.
Sementara itu, untuk kotak dan segitiga dikarenakan mempunyai sudut menyebabkan pembacaan akurasinya lebih rendah dibandingkan dengan lingkaran.
Banyaknya dataset dan training memengaruhi tingkat akurasi pembacaan objek tersebut, dikarenakan komputer dapat lebih banyak memahami dan menerima pola dari gambar yang telah diberikan.
Sehingga, keakuratan atau ketepatan proses pendeteksian semakin baik.
Gambar 12.
Hasil Pembacaan Objek Gambar 10 menunjukkan hasil pembacaan objek dari kamera.
Hasil dari pendeteksian oleh kamera, yaitu lingkaran dengan hasil pembacaan 83%, kotak dengan hasil pembacaan 93% dan segitiga dengan hasil pembacaan 87%.
4 KESIMPULAN
Hasil dari pemantauan kamera yang diolah melalui pemrograman OpenCv dengan metode SSD-MobileNet produk dapat diketahui persentase kualitasnya.
Kualitas gambar sangat dipengaruhi kualitas kamera dan banyaknya gambar sebagai dataset, serta step training, dan bentuk objek.
Hal ini dapat memengaruhi hasil pencitraannya dan tingkat keakurasiannya.
Hasil pembacaan oleh software yaitu untuk mendeteksi benda lingkaran sebesar 92 %, untuk mendeteksi benda segitiga yaitu sekitar 84 %, dan untuk mendeteksi benda kotak yaitu sekitar 87 %.
5 REFERENSI