15jurnal.docx

resume jurnal Wondo09111002027

Incorporating On-demand Stereo for Real Time Recognition

Tulisan ini dimaksudkan untuk membuat suatu metode dimana komputer dapat mengenali benda

benda yang bersentuhan langsung dengan tangan secara realtime. Tulisan ini merupakan pengembangan

dari beberapa penelitian yang berkaitan dengan Real Time Recognition dengan beberapa perubahan yang

bertujuan untuk ke efektivan dalam mengenali objek objek yang di pegang/sentuh oleh tangan.

- Inputan

Dalam penelitian ini inputan yang diberikan berupa gambar dari kamera video

- Metode

Dalam penelitiannya penulis menggunakan random forest algorithm digunakan untuk

menyeleksi dan menggabungkan seperangkat tampilan minimal, bentuk dan kedalaman fitur

untuk mencapai perbedaan kelas maksimum pada gambar yang diberikan. Terdapat juga

conventional stereo algorithm yang digunakan untuk mendeteksi berbagai pose tangan serta

disparity maps (peta kesenjangan).

Sebagai bahan pelatihan peneliti menggunakan 100 gambar yang dabagi menjadi dua

buah kelas yang terdiri dari kelas dengan tangan menyentuh suatu benda dan kelas dengan tangan

tidak menyentuh apa apa. Setiap gambar diberikan label tersendiri.

Langkah yang dilakukan adalah :

1. Foreground extraction, untuk mendapatkan segmentasi antara object yang diamati dengan

latar belakang.

2. Classification using random forest, untuk memilih dan menggabungkan berbagai isyarat

visual serta mencapai perbedaan kelas yang baik.

- Output

Output dari penelitian ini adalah Metode yang dapat mengenali pose serta benda yang

bersentuhan dengan tangan dengan media berupa komputer.

Tree-based Classifiers for Bilayer Video Segmentation

Dalam tulisan ini peneliti menyajikan suatu algoritma yang digunakan untuk segmentasi otomatis

antara background dan foreground berbasis klasifikasi pohon. Makalah ini berfokus pada skenario umum

video chat dimana pemisahan sekuler foreground pada video sekuler yang memiliki banyak gangguan

1


seperti gerakan orang pada bacground, kamera yang bergoyang atau perubahan iluminasi dapat

mempengaruhi kecepat transmisi selama streaming.

- Inputan

Dalam penelitian ini inputan yang diberikan berupa gambar dari kamera video

- Metode

Algoritma yang diusulkan dalam makalah ini memanfaatkan gerak dan konteks spasial

sebagai isyarat kuat untuk pemisahan lapisan. Tingkat yang benar kekakuan geometris secara

otomatis dipelajari dari data pelatihan yang diberikan. Manfaat yang diberikan oleh algoritma

penulis disebut “moton” yang berkaitan dengan motion modeling, object and material

recognition.

- Output

Output dari penelitian ini adalah Algoritma yang dapat melakukan segmentasi pada

foreground dari video.

Object Categorization by Learned Universal Visual Dictionary

Dalam tulisan ini peneliti menyajikan sebuah algoritma baru untuk pengenalan kelas objek dari

gambar secara otomatis. Metode yang sajikan sangat sederhana namun memiliki kecepatan sehingga

metode ini cocok diterapakan untuk berbagai aplikasi seperti pengambilan gambar sematik, pencarian di

web serta editing gambar secara interaktif. Pada dasarny metode ini mengklasifikasikan daerah sesuai

dengan proporsi dari kata-kata visual yang berbeda (cluster dalam ruang fitur). Kata-kata visual yang

spesifik dan proporsi unik pada setiap obyek yang dipelajari pada saat melakukan seperangkat pelatihan

tersegmentasi.

- Inputan

Inputan pada algoritma ini berupa sebuah image. Pada saat pelatihan penulis menggunakan

gambar yang terdiri dari:

a) Foto yang diakuisisi oleh penulis

b) gambar dari web

c) gambar dari dataset Pascal

- Metode

Algoritma ini dapat mengklasifikasikan objek-objek yang termasuk dalam kelas objek secara

otomatis, artinya user tidak lagi terkait secara langsung. Ini lah yang membedakan metode ini

2


dengan metode single click, dimana user harus terlebih dahulu mengklik suatu object baru

kemudian dilakukan pemroses untuk pengklasifikasianya.

Dalam proses untuk pengklasifikasian, hal yang sangat fundamentala adalah melakukan

pengompakan terhadap universal visual dictionary. Universal visual dictionary digunakan untuk

menemukan kata kata yang merepresentasikan dari gambar yang di inputkan. Untuk melakukan

pengompakan terlebih dahulu dilakukan pelatihan yang melibatkan berbagai macam foto. Foto

tersebut kemudian dibagi menjadi 9 kelas yang terdiri dari bangunan, rumput, pohon, sapi, langit,

pesawat, wajah, mobil dan sepeda.

- Output

Output dari penilitian ini adalah suatu algoritma yang dapat melakukan determinasi secara akurat

dan efisien dari pada obje-objek dari gambar yang menjadi inputan.

Epitomic Location Recognition

Pada tulisan ini disajikan sebuah metode baru untuk pengenalan lokasi dengan memanfaatkan

representasi epitomic untuk mencapai suatu pengenalan dengan tingkat efisiensi tinggi serta pemerataan

yang baik. Model visual kompak lokasi yang bisa dipelajari secara otomatis dari foto atau video tentang

lingkungan. Disini juga disajikan algoritma yang efisien untuk mengenali lokasi dengan bantuan kamera /

robot dalam ruang lingkup pembelajaran hanya dengan gambar yang di tangkap melalui kamera.

- Input

Inputan pada algoritma ini berupa sebuah/beberapa image.

- Metode

Dalam tulisan ini berkaitan langsung dengan efesiensi komputasi pengenalan. Pada

pendekatan coarse-to-fine representasi file yang terbalik digunakan untuk mempercepat

pencocokan gambar tes terhadap database gambar, disini diperlukan database yang besar untuk

melakukan penyimpanan gambar. Sebaliknya pada tulisan ini semua gambar pelatihan

digabungkan menjadi suatu model contoh compact and dense.

Dalam membangun suatu pengenalan perlu diambil serangkaian gambar dari suatu

tempat yang nantinya akan diuat representasi dari lokasi tersebut dengan efficient recognition.

Pada saat pengambilan gambar diasumsikan sebuah crop persegi panjang, semua gambar

pelatihan tersebut kemudian di wakili secara bersama dalam contoh lokasi tunggal yang

kemudian digunakan untuk pengenalan.

- Output

Output dari penelitian ini adala suatu metode yang efisien untuk pengenalan suatu tempat.

3


3D-aware Image Editing for Out of Bounds Photography

Dalam tulisan ini penulis mengusulkan suatu algoritma yang dapat memanipulasi sebuah

gambar 2 dimensi dengan cara yang konsisten dengan geometri 3 dimensi. Pada dasarny

algoritma ini dibuat dalam rangka menciptakan gambar yang menarik yang di hasilkan dari foto

konvensional 2 dimensi. Persepsi 3D yang dicapai pada akhir proses didapat dengan

memanfaatkan dua petunjuk yaitu oklusi dan bayangan. Untuk meningkatkan persepsi

kedalaman, sebuah realisticlooking bingkai 3D interaktif dimasukkan dalam foto antara

background dan foreground.

- Inputan

Inputan pada metode ini berupa sebuah image.

- Metode

Terdapat sedikitnya lima langkah kerja yang digunakan untuk memanipulasi gambar

inputan untuk menhghasilkan nuansa 3 dimensi. Yang pertama adalah penempatan frame.

Penempatan frame menjadi sangat penting karena menghasilkan okulasi baru antara objek

foreground dan frame itu sndiri sehingga frame tampak menonjol. Selanjutnya adalah melakukan

ekstarsi foreground pada tahap ini menggunakan grabcut untuk memilih daerah foreground yang

bertujuan untuk mempercepat eksekusi. Setelah ekstrasi foreground terdapat proses penggantian

backgroiund image. Ini didasarkan pada asumsi efek 3D yyang kuat dicapai dengan mengganti

background image dengan tampilan yyang sederhana. Hal ini juga membuat orang yang melihat

memfokuskan penglihatnya pada objek foreground . langkah terakhir adalah membangun

bayangan dan melakukan editing bayangan pada gambar. Pada proses ini menggunakan suatu

algoritma sederhana yang dapat melampaui fotografi OB, dengan teknik ini dapat menghasilkan

bayangan yang realistis dimana sangat penting untuk meyakinkan ilusi yang dihasilkan.

- Output

Output dari metode ini adalah suatu gambar 2D yang termanipulasi menjadi 3D.

Detection and Removal of Rain from Videos

Pada tulisan ini disajikan suatu algoritma yang dapat mendeteksi adanya hujan dari suatu video

dan menghapus hujan tersebut dengan konsep bluring. Efektivitas algoritma yang digunakan ditunjukan

menggunakan percobaan pada video yang kompleks dengan objek-objek yang bergerak dalam waktu

yang berbeda.

4


- Inputan

Inputan untuk metode ini adalah urutan frame gambar yang direkam dengan kamera video,

dengan terdapat objek hujan.

- Metode

Ada dua hal yang dijadikan fokus penelitian dalam tulisan ini, yang pertama adalah

mendeteksi adanya objek hujan dari gambar dan yang kedua adalah menghapus objek ujan

tersebut. Air hujan berpenampilan seperti sebuah lensa yang membiaskan lingkungan

disekitarnya. Tetesan air hujan juga didistribusi secara acak dengan rentang waktu yang dinamis.

Untuk mendeteksi adanya hujan pembiasan. Pembiasan secara acak pada bidang gambar inilah

yang mewakili dinamika hujan.

Untuk melakukan penghapusan pada daerah yang diidentifikasi positif hujan, dibuat

sebuah algoritma sederhana dengan mengganti intensitas pixel dengan perkiraan latar belakang.

Perkiraan latar belakang didapat dari pixel yang paling berdekatan dengan pixel positif hujan.

- Output

Hasil akhir dari metode ini adalah urut-urutan frame gambar dengan objek hujan yang telah

dihapus.

Manipulating Image Patcher For Compression

Pada tulisan ini peneliti membuat suatu metode baru yang bertujuan untuk melakukan kompresi

pada gambar. Tidak seperti metode kompresi lainya, pada metode ini sifat redudance gambar akan

diminimalisir. Bukan hanya itu pada kompresi biasa ukuran gambar akan mengalami penysutan setelah

dilakukan kompresi, namun pada metode yang diterapkan oleh penulis kompresi yang dilakukan tidak

akan mengubah ukuran gambar hanya daerah pasrial saja yang dihapus.

- Input

Input untuk metode ini adalah berupa image.

- Metode

Pada metode ini menerapkan metode intuitif yang memanafaatkan korelasi antara patch gambar.

Dalam kasus ini gambar asli masih menyimpan lokasi spasial dari patch sedangkan gambar yang

telah dikompresi akan kehilangan informasi tersebut. Kemudian untuk merekontruksi gambar

memerlukan peta fullresolusition yang menunjukan dimana patch dapat ditemukan dalam gambar

yang lebih kecil. Rekonstruksi hanya diperlukasn pada daerah yang dihapus saja. Dalam

melakukan rekonstruksi penulis mengadopsi inpainting dengan asisten informasi sebagai metode

rekosntruksi.

5


- Output

Output dari penelitian ini adalah metode yang dapat mengkompresi gambar.

Automated measurement of species and length of fish by computer vision

Pada penelitian ini dibahas suatu metode untuk mengidentifikasi dan mengukur berbagai jenis

ikan hasil tangkapan. Pemilahan ikan secara manula yang dilakukan kapal penangkap ikan komersial

dianggap tidak efisien karena membutuhkan waktu yang lama serta jumlah pegawai yang banyak. Sebuah

metode yang sama sebenrnya telah di kenalkan sejak tahun 1982 oleh Strachan dan 1987 oleh wagner

namun hasil yang didapatkan masih terbatas. \secara khusus tulisan ini menggambarkan sebuah metode

hitungan momen polygon yang diperoleh dari siluet ikan. Pengukuran panjang dapat dibuat dengan

kesalahan kurang dari 1 cm dan specie ikan ditentuukan berdasar warna dan bentuk.

- Input

Input untuk metode ini berupa image.

- Metode

Data akuisisi gambar ikan didapatkan pada saat penelitian dengan species yang biasa di

tangkap nelayan yaitu Dab Rough long (Hippoglossoides platessoides) , Sole (Solea vulgaris) ,

Lemon Sole (Microstomus kitt) , Plaice (Pleuronectes platessa) , Golden Redfish (Sebastes

marinus) , Deepwater Redfish (Sebastes mentella) dan Flounder (Platichthys flesus).

Untuk memulai pemilahan ikan diletakan pada conveyor dengan kecepatan 1,5m/s,

selanjutnya sebuah kamera di tugaskan untuk mengambil gambardengan ukuran 1024 x 480

pixel. Untuk mendeteksi gambar ikan dibuat sebua algoritma dengan mengecek pixel pixel pada

suatu wilayah dengan kriteria tertentu. Setelah gambar ikan telah terdeteksi dilakukan pengecekan

rotasi agar semua gambar ikan yang telah terdeteksi memiliki format yang sama.

Langkah selanjutnya yait menetukan bagian ikan secara umum yaitu bagian kepala,

punggung, perut dan ekor. Setelah ikan dibagi menjadi dua polygon yang mewakili atas dan

bawah, intensitas greyscale rata-rata dihitung untuk setiap area. Jika perbedaan antara rata rata

intensitas bagian atas dan bawah ikan lebih besar dari 15% ikan dikategorikan sebagai flatfish.

Data warna dan bentuk kemudian diproses untuk membedakan spesies ikan dengan

memanfaatkan analisis diskriminan kanonik. Untuk menguji pengukuran panjang sebuah

algoritma Greenland Halibut tunggal diukur 100 kali, dalam berbagai posisi dan rotasi. Untuk

mendapatkan panjang ikan digunakan CatchMeter yang memperkirakan panjang dengan

6


mendapatkan garis yang secara akurat menggambarkan panjang ikan dalam orientasi atau

deformasi.

- Output

Output dari penelitian ini adalah metode yang dapat memedakan 7 species ikan dengan berbagai

ukuran.

In-vivo fish sorting by computer vision

Penlitian ini bertujuan untuk melakukan sorting terhadap 3 species ikan yang diternakan dalam

satu tempat yaitu ikan common carp (Cyprinus carpio), St.Peter’s fish (Oreochromis sp.) and grey mullet

(Mugil cephalus). Pada sorting manual biasanya peternak akan menguras kolam ikan dengan mesin

hingga pada ketinggian air tertentu. Setelah itu baru kemudian ikan dipilih berdasarkan speciesnya. Cara

ini cenderung kurang efektif, selain biaya oprasional yang tinggi resiko stress pada ikan juga tinggi.

- Input

Input untuk metode ini berupa image.

- Metode

Gambar ikan diperoleh dari kamera video berwarna dengan resolusi warna 24-bit.

Kamera ditempatkan pada sebuah akuarium yang memiliki background dinding putih. Sebagai

sampel digunakan 10 ikan dari masing masing species. Ikan dibiarkan berenang bebas dalam

akuarium. Saat ikan mendekati kamera pada saat inilah kamera manangkap gambar ikan.

Terdapat 143 gambar yang diperoleh (47 mullet abu-abu, ikan 43 St Petrus dan 53 ikan mas)

dibagi menjadi dua set 20 mullet abu-abu, 20 ikan Santo Petrus dan 20 ikan mas. Untuk

mengidentifikasi 3 jenis ikan dilakukan citra binner yang dibangun dari citra greyscale dari

gambar. Sebagai dukungan identifikasi bentuk menggunakan momen-invariants. . Identifikasi

mullet abu-abu didasarkan pada MI dari seluruh ikan. Sedangkan identifikasi antara ikan mas dan

Santo Petrus didasarkan pada MI dari ekor. Untuk penerapanny pada kolam yang sesungguhya

perlu dilakukan pelatihan pada ikan. Hal ini ditunjukan untuk mendapatkan gambar ikan yang

akan diseleksi. Untuk pelatatihan dibutuhkan sebuah lorong kaca yang memiliki panjang tertentu,

lorong kaca ini difungsikan sebagai tempat untuk mengambil gambar ikan. Pada bagian ujung

lorong diberikan makanan ikan berupa pelet untuk menarik perhatian ikan agar mau melewati

lorong tersebut.

Identifikasi in-vivo spesies ikan terlepas dari ukuran dan orientasi dua dimensi berhasil

dilakukan dengan menggunakan analisis citra bentuk berdasarkan momen-invariants. Bentuk

7


khas mullet abu-abu adalah berbeda dengan ikan mas dan ikan Santo Petrus, sehingga

perhitungan seluruh tubuh saat-invariants dapat digunakan untuk mengidentifikasi mereka. Abu-

abu mullet, diidentifikasi 98% benar.

- Output

Output dari penelitian ini adalah metode yang dapat melakukan identifikasi terhadap 3 jenis ikan

yaitu common carp (Cyprinus carpio), St.Peter’s fish (Oreochromis sp.) and grey mullet (Mugil

cephalus)

Water Video Analysis

Penelitian ini bertujuan untuk menganalisa gelombang laut berdasarkan penglihatan dari

komputer. Metode yang di sajikan tidak terpengaruh dengan background yang dinamis dimana

banyak metode lain yang berhubungan dengan analisis gelombang laut masih terpaku pada

background yang statis. Yang menjadi fokusan penelitian ini adalah bangaimana menyajikan

scala gelombang, kecepatan angin dan keadaan laut dengan sumber informasi yang didapat dari

gambar.

- Inputan

Inputan untuk metode ini berupa video

- Metode

Untuk menganalisa penulis menggunakan hubungan antara sifat sifat air seperti hubungan

antara panjang gelombang dan periode gelombang, dan fitur tingkat rendah dari video, seperti

spektrum frekuensi spasial dan temporal, untuk mempelajari sifat tingkat yang lebih tinggi dari

lingkungan, seperti skala yang ada pada dunia nyata, tinggi gelombang, dan bahkan kecepatan

angin.

- Output

Output untuk metode ini berupa scala nyata keadaan laut baik tinggi gelombang laut maupun

kecepatan angin.

Leafsnap: A Computer Vision System for Automatic Plant Species Identification

8


Tulisan ini menyajikan penelitian yang berkenaan dengan suatu aplikasi pengenalan species

pohon dari daunya yang bernama leafsnap. Pembuatan aplikasi ini didasarkan pada sulitnya

mengidentifikasi species suatu pohon hanya dengan meilihat daunya saja. Aplikasi ini ditujukan pada

pengguna amatir maupun ilmuan dengan flatform apple yang menjalankan aplikasi ini.

- Input

Input dari metode ini berupa image

- Metode

Gambar daun diambil dengan menggunakan kamera digital. Gambar daun yang diambil

harus sesuai dengan yang ditetapkan oleh aplikasi. Jika tidak sesuai maka aplikasi akan meminta

pengguna untuk memfoto daun yang bersangkutan. Pendeteksian daun ini menggunakan binary

leaf/non-leaf classifier. Selanjutnya dilakukan segmentasi warna pada daun dengan menggunakan

metode Ekspektasi-Maksimalisasi, tujuan dari Ekspektasi-Maksimalisasi ini adalah untuk

mempermudah menghilangkan objek pada gambar yang bukan bagian dari daun. Langkah

selanjutnya menghapus bagian tangkai daun dengan rasio tertentu.

Proses klasifikasi menggunakan algoritma Nearest Neighbors dimana pada database

sistem terdapat sekitar 23.915 gambar daun yang diambil dengan menggunakan kamera resolusi

tinggi dengan sudut pandang yang berbeda beda. Data lainya ada sekitar 5.192 sampel yang

didapat dari kamera mobile.

- Output

Output dari penelitian ini adalah Sistem yang mampu mengklasifikasikan daun dari 184 species

pohon yang berada di Amerika bagian timur laut.

Fog Detection System Based on Computer Vision Techniques

Penelitian ini mengkaji suatu metode untuk mendeteksi adanya kabut. Tujuan dari sistem ini

adalah untuk mengembangkan sebuah sistem diagnostik otomatis berbasis visi untuk melakukan

switching on-off ADAS jika terdapat kondisi yang salah juga digunakan untuk mengaktikan fog beams

secara otomatis sehingga dapat mengurangi resiko kecelakaan. Penelitian serupa mengenai deteksi kabut

telah banyak diperbincangkan namun masih memiliki beberapa kendala. Terdapat tiga hal penting yang

harus dicapai dalam sistem ini yaitu sistem harus dapat mendeteksi semua keadaan berkabut dengan baik,

algoritma pendeteksian harus bekerja secara cepat karena nantinya sistem ini diintegrasikan pada sistem

yang lebih kompleks di kendaraan dan yang terakhir algoritma harus dapat mengelola skenario pada

keadaan cuaca cerah, berawan dan hujan.

9


- Input

Input dari sistem ini adalah berupa image yang ditangkap oleh kamera secara real-time.

- Metode

Sebuah kamera diletakan pada bagian depan mobil, kamera ini bertugas untuk menangkap

gambar lingkungan, gambar ang dihasilkan memiliki ukuran pixel 320 x 240. Selanjutnya Sobel

edge detector digunakan untuk membedakan gambar berawan/berkabut dan cerah. Jika pada

gambar terdapat kabut, sebah binarization optimal diterapkan pada gambar untuk meningkatkan

kejelasan tepi. Kemudian garis-garis tepi dihitung dengan Hough line detector untuk

memperkirakan garis tepi jalan.

Langkah selanjutnya melakukan segmentasi antara langit dan jalan dengan menggunakan

algoritma tertentu dan langkah terakhir melakukan pengukuran jarak visibilitas untuk menetukan

adanya kabut atau tidak.

- Output

Output dari penelitian ini berupa algoritma yang mampu mendeteksi terdapat kabut atau tidak

dengan tingkat kebenaran mencapai 87%.

Door-detection using computer vision and fuzzy logic

Pada tulisan ini disajikan suatu metode yang dapat mendetesksi adanya pintu di dalam ruangan..

dalam hal ini robot digunakan untuk mendapatkan foto dari suatu rangan kemudian dari foto tersebut

dianalisa dengan bantuan fuzzy logic untuk menentukan adanya pintu atau tidak. Tujuan dari penelitian

ini adalah utntuk memperbaiki sistem navigasi robot yang berada didalam suatu ruangan.

- Input

Input utntuk metode ini berupa gambar yang didapat dari kamera secara real time.

- Metode

Dalam tulisan metode yang digunakan berdasarkan abstraksi segmen gambar dengan

menerapkan beberapa konsep fuzzy logic. Segmen gambar dianalisis untuk mendeteksi gambar

bagian mana yang merupakan bingkai pintu. Dua konsep fuzzy logic Simple Frame (SF) and

double Frame (DF) didefinisikan untuk membedakan keadaan dimana bagian tepi bingkai pintu

dapat terlihat. Segmen seperti ukuran, arah atau jarak pintu diukur dan dianalisi menggunakan

fuzzy logic. Metode ini mampu mendeteksi pintu di dalam ruangan dengan kondisi pencahayaan

minim.

- Output

10


Penelitian ini menghasilkan suatu metode baru yang dapat mendeteksi pintu dalam rungan

dengan inputan berupa gambar dari kamera secara real time.

Tracking animal in wildlife videos using face detection

Tulisan ini menyajikan sebuah metode untuk mendeteksi dan melacak wajah hewan dalam video

satwa liar . Algoritma yang digunakan didasarkan pada metode deteksi wajah manusia dengan

memanfaatkan haar-like fitur dan pengklasifikasian AdoBoost. Pendeteksian ini dilaksanakan dengan

menggunakan Kanade-Lucas-Tomasi method.

- Input

Inputan untuk metode ini berupa video.

- Metode

Seperti yang telah dijelaskan sistem ini menggunakan pendekatan yang dimodifikasi dari

pendekatan untuk mendeteksi wajah manusia yang diperkenalkan oleh Viola dan Jones pada

tahun 2001. Metode ini menggunakan pool of Haar-like luminance features seperti ruangan input

primer. Haar-like feature merupakan karakteristik kontras lokal persegi panjang yan menguraikan

keberadaan tepi, garis, titik dll. Turunan dari AdaBoost digunakan untuk mengekstrak classifier

yang menggabungkan haar-like feature untuk membedakan positif atau negatif patch dari satu set

gambar pelatihan.

Setelah wajah terdeteksi, daerah wajah dilacak dengan menerapkan teknik Kanade-

Lucas-Tomasi serta membuat interest model yang di perbaharui setiap saat mengikuti posisi

wajah.

- Output

Output dari penelitian ini berupa metode baru untuk mendeteksi wajah hewan liar yang dalam

penelitian ini untuk mendeteksi wajah singa dengan inputan berupa video.

Automated classification of underwater multispectral imagery

for coral reef monitoring

Dalam tulisan ini disajikan suatu metode untuk mengklasifikasikan karang dibawah laut dengan

klasifikasi multi spectral. Penelitian ini didasari mahalnya proses pengklasifikasian karang dibawah laut.

Dengan menggunakan pengklasifikasian manual paling tidak dibutuhkan seorang peyelam untuk

11


mengidentifikasi organisme dengan mengambil fotonya di bawah laut dan seorang analis yang bertugas

mengidentifikasi citra organisme yang bersangkutan.

- Input

Input utuk metode ini berupa foto.

- Metode

Gambar diambil dengan menggunakan robot yang dikendalikan oleh komputer dengan

reolusi gambar 512 x 512. Gambar yang sudah diambil kemudian diperbaiki kualitasnya dan

dilakukan pemisahan antara ganggang, karang dan background. Pemisahan ini menggunakan

algoritma GLCM. Gambar yang telah dilakukan pemisahan tersebut kemudian di cek

keakuratanya dengan menggunakan software CPCe.

- Output

Output penelitian ini adalah suatu metode yang dapat mengklasifikasikan sebuah gambar

termasuk bagian dari karang, gangang atau background.

Computer Vision Based Fire Detection

Alat deteksi kebakaran yang sudah ada sebagian besar memanfaatkan asap untuk mendeteksi

kebakaran yang terjadi, hal ini hanya efektif jika kebakaran itu terjadi dalam ruang lingkup yang kecil,

misalnya rumah, kantor atau gedung lainya. Permasalahan yang terjadi adalah bagaimana jika kebakaran

itu terjadi dalam ruang lingkup yang lebih luas seperti halnya gedung pertemuan, stadion atau di luar

ruangan. Dalam kasus ini asap tidak akan terkosentrasi pada satu titik saja, hal ini membuat alat deteksi

kebakaran yang sudah ada akan sulit untuk medeteksi terjadinya kebakaran.

Dalam tulisan ini peneliti menggunakan combination tecnique untuk mendeteksi api dengan

inputan berupa data video. Dengan inputan berupa data dari camera video memungkinkan cakupan

wilayah yang dapat dideteksi lebih luas dibandingkan dengan alat yang inputanya berasarkan data sensor

panas atau sensor asap. Tidak hanya itu saja, deteksi kebakaran berbasis video juga berpotensi

ditempatkan pada platform mobile seperti pesawat atau robot.

- Input

gambar dari kamera real time

- Metode

12


Pada dasarnya api memiliki beberapa sifat dasar yang dapat dikenali, antara lain

warnanya, bentuknya, geraknya, pertumbuhan serta prilaku dari asap yang dihasilkan. Dalam

tulisan ini untuk mendapatkan gambaran kasar dari api, peneliti menggunakan gaussian dalam

ruang warna RGB untuk mengklasifikasikan pixel merupakan bagian warna api atau bukan.

Untuk dapat sampai mengklasifikasikan video yang diamati merupakan suatu kebakaran atau

bukan dibutuhkan sekitar 50-100 frame yang di olah dalam modul analisis dinamis.

1. Motion Detection

Bertujuan untuk melacak adanya gerakan dalam suatu pixel dalam video, ini dapat dilakukan

dengan membandingkan nilai intensitas citra dari pixel setiap frame.

2. Detecting Fire-Colored Pixels

Bertujuan untuk mendapatkan tingkatan kepastian warna dari api, hal ini disebabkan pada

gambar mungkin saja ada object object yang secara tampilan 2D warnanya mendekati warna

api.

3. Motion + Color

Dengan menggabungkan kedua deteksi di atas, memudahkan dalam pengecekan pixel yang di

mungkinkan berupa gambar dari api dan juga dapat menghemat waktu dalam pencarian

daerah yang dimungkinkan terdapat api.

4. Dynamic Textur Analysis

Digunakan untuk menganalisis textur dinamis dari setiap frame tersebut merupakan api atau

bukan.

Dalam penelitianya, peneliti menggunakan camera video Canon PowerShot A540 dengan

resolusi 320 x 240 dan 15fps dengan alasan karena camera CCTV yang terhubung pada jaringan

biasanya beresolusi rendah. Ini juga sebagai pembuktian bahwa metode yang diterapkan dapat

berjalan pada video dengan resolusi yang rendah.

- Output

Sistem ini mampu mendeteksi gambar api dengan persentasi ke benaran mencapai 97.5%.

yang menjadi kelebihan lainya dari sistem deteksi api ini adalah mampu ditempatkan pada tempat

yang luas. Hal ini di sebabkan tidak menggunakanya ssensor asap ataupun panas sehingga pada

saat api muncul sistem langsung dapat mendeteksi terjadinya kebakaran tanpa harus menunggu

api membesar.

13

15jurnal.docx

Documents

Transcript of 15jurnal.docx