Home / Teknologi / Memahami Lebih Jauh Tentang Teknologi Pengelihatan Mesin

Memahami Lebih Jauh Tentang Teknologi Pengelihatan Mesin

Teknologi pengelihatan mesin secara dasarnya adalah sistem kerja pemahaman mesin yang menangkap gambar, memproses dan mengklasifikasikan gambar tersebut, lalu mengeluarkan dalam bentuk respon. Mesin menangkap gambar menggunakan alat sejenis kamera, sensor, radar, sonar, atau alat lainnya. Kemudian memproses gambar tersebut dengan pengelihatan komputer. Sehingga gambar bisa terklasifikasikan berdasarkan dalam bentuk program. Terakhir mesin mengeluarkan hasil program lain yang berupa respon objek. Misalkan ketika gambar yang masuk menunjukkan situasi A, maka responnya harus melakukan B. Atau contoh sederhana dapat kita lihat mobil tanpa awak. Kemampuan menyetir otomatis yang menggunakan teknologi pengelihatan mesin ini, ketika sensor dan kamera menangkap gambar lingkungan, maka mobil akan melakukan respon yang sesuai. Seperti menghindari mobil di depannya, berhenti ketika ada jalan buntu, atau pun kemampuan parkir otomatis.

Teknologi pengelihatan mesin sebenarnya hampir sama dengan teknologi pengelihatan komputer. Karena memang masing-masing berhubungan saling membutuhkan. Pengelihatan komputer maksudnya adalah teknologi analisis data gambar, pengenalan pola, serta mengkalkulasikan hasil proses antara gambar satu dengan lainnya. Analisis gambar tersebut berguna agar komputer bisa mengenal dan mengetahui objek target berdasarkan lokasi dari ruang tiga dimensional yang tertangkap. Di sisi lain pengelihatan mesin lebih ke arah aspek teknis dari pengelihatan komputer. Hasil yang tertangkap pengelihatan komputer secara otomatis akan keluar dalam bentuk respon tertentu. Secara spesifiknya pengelihatan komputer memberikan dasar teori dan algoritma gambar untuk mesin. Sedangkan pengelihatan mesin memberikan sensor objek, konstruksi sistem, dan implementasi bagi komputer. Kesimpulannya, apa yang bisa pengelihatan mesin lakukan antara lain mendeteksi posisi objek, meneliti adanya kejanggalan, pengenalan target, penghitungan, dan pelacakan.

Teknologi Pengelihatan Objek

Pengelihatan objek pada mesin merupakan salah satu penemuan paling berpengaruh dalam merubah pola hidup manusia sekarang. Sama seperti manusia, mesin pun memiliki kemampuan untuk ‘melihat’. Mata dari mesin tersebut menggunakan kamera dan komputer untuk mengidentifikasikan, melacak, dan mengukur objek. Studi ini dinamakan pengelihatan mesin, atau Machine Vision. Pengelihatan objek menggunakan mesin memiliki 3 langkah utama, antara lain sebagai berikut;

Deteksi Objek

Hal terpenting dalam pengelihatan mesin adalah mendeteksi objek. Sebagai langkah pertama persepsi visual, pengembangan teknologi objek semakin banyak jenisnya. Dalam konsep mobil tanpa awak atau drone sensor misalnya, yang paling banyak digunakan dalam algoritma pengelihatan objek adalah kombinasi antara HOG dan SVM. Penggunaan teknologi ini jauh lebih baik jika ingin mengimplementasikan deteksi objek pada mesin yang bergerak cepat.

HOG atau Histogram of Oriented Gradient adalah sebuah pendeksripsi objek. Yang mana fungsi HOG yaitu mengkalkulasi dan menghitung jumlah lekukan tidak rata dari sebuah tembat objek berada. Secara detail sistem HOG tidak menyeleksi pixel gambar 1 per 1 melainkan secara grup. Dengan mengkatagorikan dan menghitung lekukan gradien paling tinggi, membuat lekukan gradien lain yang tidak beraturan semakin berkurang. Sehingga menghasilkan gambar yang menunjukkan struktur objek dengan gradien terbanyak dan terorientasi dari suatu lingkup 3 dimensi. Ketika HOG menyeleksi semua sel objek gambar dengan teknik yang sama, akan menjadikan objek bisa bergerak tanpa merusak seleksi dari HOG tersebut. Pixel-pixel asing tidak beraturan lainnya dapat dihilangkan dan hanya fokus pada objek seleksi dengan metode HOG ini.

Kemudian pertanyaannya, bagaimana HOG dapat mendeteksi objek yang akan kita pakai dengan sel objek tidak beraturan lain? Support Vector Machine (SVM) atau mesin pendukung vector merupakan salah satu metode identifikasi objek. Cara kerjanya secara sederana yaitu membuat statistik kecil dan memprediksi arah gradien dari sel yang berada pada seleksi HOG. SVM dapat membuat garis penghubung antara gradien tinggi dan gradien rendah kemudian memprediksi apakah antara satu dengan lainnya berdampingan. Jika tidak maka akan masuk ke dalam gradien tidak beraturan. Hal ini membuat sinergi HOG dan SVM menjadi sistem deteksi objek yang sering beberapa alat industri pakai karena kemudahannya.

Klasifikasi Objek

Untuk mengetahui apakah sebuah gambar memiliki objek tertentu di dalamnya, butuh yang namanya klasifikasi image. Secara dasar, algoritma klasifikasi objek mendeskripsikan seluruh gambar kemudian mengkalisifikasikan objek-objek di dalamnya. Algoritma yang biasa pengelihatan mesin gunakan saat proses scan gambar adalah KNN (K-Nearest Neighbors). Singkatnya algoritma ini mengkalisifikasikan beberapa titik dalam objek yang sama dan berdekatan. Kemudian program akan menyesuaikan dan memprediksi apakah objek tersebut memiliki bentuk. Contoh kecil misalkan sebuah mobil memiliki 2 lampu belakang, algoritma KNN akan mengklasifikasikan kedua lampu tersebut kemudian memprediksi besarnya objek dari kedua lampu.

Salah satu keuntungan algoritma KNN adalah kemudahannya untuk implementasi pada mesin. Selain itu algoritma ini tergolong multifungsi, misalnya dapat melakukan klasifikasi, regresi, atau pun pencarian. Tentu ada juga kerugiannya, yang paling besar adalah kesulitannya untuk pengelihatan pergerakan cepat. Di kehidupan sehari-hari, pengelihatan mesin yang ideal adalah melihat objek tanpa ada batasan waktu, layaknya mata manusia. Ketika objek yang algoritma KNN proses semakin banyak, maka semakin lambat pula hasil yang keluar. Sehingga lebih rekomendasi jika penggunaan KNN memakai sistem dengan spesifikasi tinggi.

Pemilahan Objek

Di dalam proses pengelolahan objek mesin, terkadang gambar keseluruhan perlu ada yang namanya pembagian. Maksudnya adalah pembagian objek keseluruhan menjadi sub-bagian kecil lain. Tujuan dari pembagian objek adalah untuk lebih mudah menyederhanakan dan mengubah struktur kompleks dari sebuah gambar. Sehingga membuat gambar tersebut mudah dipahami dan dianalisa. Secara sederhanyanya proses pemilahan objek adalah proses pemberian tag pixel-pixel kecil yang memudahkan mesin menyamakan visual dari tag-tag tersebut.

Metode pemilahan objek yang paling mudah adalah Edge Detection dan Threshold Detection. Dalam proses pengelihatan ujung objek, yang terpenting adalah menangkap perubahan drastis dari property gambar keseluruhan. Perubahan drastis tersebut antara lain termasuk kejanggalan kedalaman gambar, pemutusan pada orientasi permukaan, perubahan bahan material, atau variasi pencahayaan yang berbeda. Di pemilahan objek ini, mesin dapat mengurangi jumlah data yang akan diproses berdasarkan pentingnya deteksi pinggir.

Penggunaan edge detection di kehidupan asli akan memakan banyak sekali garis-garis pembatas pada perubahan drastis. Threshold detection berfungsi untuk mengecilkan, mengurangi, dan menipiskan pemilahan-pemilahan tersebut menjadi apakah objek tersebut bisa menjadi 1 unit apa tidak. Tentu hasil akhir dari pemilhan tidak terlalu akurat. Dengan keuntungan yaitu bisa memproses cepat gambar luas, hasil yang ada terkadang tidak sesuai. Dapat kita teliti pada pengelihatan mobil tanpa awak, apa yang mesin lihat sebagian besar tidak akurat sesuai dengan apa yang manusia lihat. Karena proses pengurangan garis-garis pembatas ujung objek terkadang menghapus terlalu banyak.

Meskipun teknologi pengelihatan mesin sudah banyak ada, tetapi hasil ideal untuk meniru mata manusia masih terlihat jauh. Hal ini utamanya terjadi karena lambatnya proses input image dan output berupa respon. Di lain sisi, metode pengelihatan mesin yang lebih cepat dan simpel memiliki kekurangan ketidakakuratan pengelihatan itu sendiri. Dapat kita lihat sampai sekarang masih belum ada mobil atau kendaraan lain tanpa awak yang dapat dengan lancar berkendara di jalan besar tanpa adanya bantuan manusia.

Related Post

COMMENTS

Post your reply
We'll never share your email with anyone else.
Subscribe to our newsletter