Deteksi Korosi Pada Material Baja Menggunakan Kamera Drone Dengan Metode Convolutional Neural Network

Atmaja, Bara (2022) Deteksi Korosi Pada Material Baja Menggunakan Kamera Drone Dengan Metode Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111840000132-Undergraduate Thesis.pdf Download (4MB)

Abstract

Baja merupakan salah satu material logam yang paling banyak digunakan dalam dunia industri dan konstruksi. Kelebihan dalam penggunaan baja adalah gaya tarik dan tekan yang relatif tinggi dibanding material lain. Walaupun terdapat kekurangan dalam ketahanan terhadap korosi, material baja masih tetap digunakan pada banyak konstruksi di dunia. Korosi akan mempengaruhi daya tahan sebuah konstruksi dan dapat menyebabkan kerusakan yang menyebabkan kecelakaan. Hal tersebut dapat dicegah dengan melakukan inspeksi secara rutin. Selama ini inspeksi sebuah konstruksi dilakukan manual oleh tenaga manusia untuk mencapai area yang sulit diamati. Inspeksi secara manual ini dapat memakan waktu berjam-jam untuk mengidentifikasi masalah yang terjadi. Untuk meningkatkan efisiensi dan tingkat keamanan serta meminimalisir kesulitan dan risiko selama proses inspeksi, maka digunakanlah drone yang dilengkapi dengan kamera untuk pengambilan citra struktur konstruksi bermaterial baja yang terdapat korosi. Citra struktur material baja yang mengalami korosi kemudian akan diproses menggunakan computer vision yaitu object detection dengan metode Convolutional Neural Network (CNN). Pada penelitian ini dilakukan pendeteksian korosi pada Jembatan Petekan Surabaya dengan model pralatih SSD Mobilenet V1 yang tersedia secara default pada Tensorflow Object Detection API. Pendeteksian korosi dengan drone dilakukan pengujian dengan variasi jarak objek dengan drone sebesar 1 dan 2 m serta variasi kecepatan drone sebesar 0.6 m/s; 0.9 m/s; dan 1.3 m/s. Sedangkan untuk menentukan setting parameter CNN yang terbaik, dilakukan variasi nilai batch size dan learning rate. Penentuan nilai batch size dan learning rate sangat penting karena akan berdampak pada model serta hasil deteksi. Pada penelitian ini dilakukan variasi nilai batch size 4 dan 8 serta learning rate 0.001 dan 0.01. Hasil penelitian ini menunjukkan bahwa implementasi CNN dapat dilakukan untuk mendeteksi korosi pada material baja menggunakan drone dengan data set sebanyak 200 citra menggunakan variasi yang menghasilkan nilai akurasi paling tinggi didapat pada jarak 1 m dengan kecepatan 0.6 m/s serta dengan setting parameter batch size 8 dan learning rate 0.001 menggunakan iterasi 200000 steps dengan nilai akurasi sebesar 84.66% dan nilai total loss sebesar 1.673
==================================================================================================================================
Steel is one of the most widely used metal materials in the world of industry and construction. The advantage in the use of steel is that the tensile and compressive forces are relatively high compared to other materials. Although there are shortcomings in corrosion resistance, steel materials are still used in many constructions in the world. Corrosion will affect the durability of a construction and can cause damage that causes accidents. This can be prevented by conducting regular inspections. During this time the inspection of a construction is carried out manually by manpower to reach areas that are difficult to observe. These manual inspections can take hours to identify the problem that occurs. To increase efficiency and safety levels and minimize difficulties and risks during the inspection process, drones equipped with cameras are used to capture images of steel-material construction structures that have corrosion. The image of the steel material structure that is subject to corrosion will then be processed using computer vision, namely object detection using the Convolutional Neural Network (CNN) method. In this study, corrosion detection was carried out on the Petekan Bridge Surabaya with a pretrained model of the Mobilenet V1 SSD which is available by default in the Tensorflow Object Detection API. Corrosion detection with drones was tested with variations in the distance of objects with drones of 1 m and 2 m and variations in drone speed of 0.6 m / s; 0.9 m / s; and 1.3 m / s. Meanwhile, to determine the best CNN parameter settings, variations were made in the form of batch size and learning rate values . Determining the value of the batch size and learning rate is very important because it will have an impact on the model as well as the detection results. In this study, variations in the values of batch sizes 4 and 8 were carried out as well as learning rate values of 0.001 and 0.01. The results of this study show that the implementation of CNN can be carried out to detect corrosion in steel materials using drones with a data set of 200 images using variation which produces the highest accuracy value found at a distance of 1 meter at a speed of 0.6 m / s and with a parameter setting batch size 8 and learning rate 0.001 using iteration 200000 steps with an accuracy value of 84.66% and a total loss value of 1,673

Item Type:	Thesis (Other)
Additional Information:	RSM 620.112 23 Atm d-1 2022
Uncontrolled Keywords:	baja, korosi, drone, Convolutional Neural Network, SSD Mobilenet V1, steel, corrosion, drone,
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA418.74 Corrosion and anti-corrosives
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	24 Feb 2025 08:02
Last Modified:	24 Feb 2025 08:02
URI:	http://repository.its.ac.id/id/eprint/118863

Actions (login required)

View Item