Ukhwah, Ernin Niswatul (2019) Deteksi Kerusakan Jalan Menggunakan CNN Dengan Arsitektur YOLO. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07111750067007-Master_Thesis.pdf Download (11MB) | Preview |
Abstract
Penilaian kondisi jalan adalah kegiatan rutin yang dilakukan untuk mengumpulkan data pendukung untuk program penanganan jalan. Metode yang digunakan untuk pengumpulan data dapat menggunakan kendaraan survei khusus untuk mengambil gambar permukaan jalan dan data pendukung lainnya sehingga pengumpulan data dapat dilakukan lebih cepat. Pengambilan data dengan metode ini sudah sangat membantu namun masih memerlukan pengolahan data yang lebih rumit. Panjang ruas jalan nasional, perbedaan konstruksi jalan, kondisi tanah, dan beban kendaraan menyebabkan data yang diperoleh sangat banyak dan beragam. Metode pengolahan data secara otomatis atau semi-manual dinilai cukup mahal, tidak konsisten dan perkembangan regulasi juga menyebabkan data yang dihasilkan belum dapat memenuhi semua kriteria yang ada. Berdasarkan kelemahan-kelemahan tersebut, pada penelitian ini dilakukan deteksi kerusakan jalan berdasarkan gambar sebagai alternatif dan pelengkap metode yang sudah ada saat ini. Pendekatan Convolutional Neural Network dengan deteksi satu tahap menggunakan arsitektur Yolo diterapkan untuk melakukan deteksi kerusakan jalan. Hasil penelitian pada satu kelas kerusakan jalan yaitu lubang menggunakan arsitektur Yolo v3, Yolo v3 Tiny dan Yolo v3 SPP memberikan hasil rata-rata akurasi mAP terbaik masing-masing sebesar 83,43%, 79,33%, dan 88,93%. Sedangkan perhitungan luas menunjukkan akurasi masing-masing sebesar 63,81%, 51,34%, dan 70,15%. Sedangkan penggunaan tiga kelas kerusakan yaitu lubang, retak dan lainnya menggunakan arsitektur Yolo v3, dan Yolo v3 SPP memberikan hasil rata-rata akurasi mAP terbaik masing-masing sebesar 77,45% dan 80,40%. Sedangkan perhitungan luas menunjukkan akurasi masing-masing sebesar 88,69% dan 91,13%. Dan waktu yang diperlukan untuk melakukan deteksi pada masing-masing gambar adalah 0,04 detik.
=================================================================================================================================
Road assessments are executed annually to all national road segments to collect supporting data on road maintenance and management programs. The method of data collection uses a survey vehicle to capture road images and other supporting data. Compared to data collection, data processing is more complicated. The national road section length, the difference of road construction, soil conditions, and vehicle load causes vast and various data. Automatic or semi-manual methods are quite expensive, inconsistent and not enough to meet the regulation requirements. Based on those drawbacks, we proposed an object detection method based on the image as an alternative and complementary to current road distress detection techniques. The deep learning approach with single stage detection using the YOLO v3 architecture was applied to detect road distress. The results in pothole detection using Yolo v3, Yolo v3 Tiny dan Yolo v3 SPP architecture presents the best mAP average of 83.43%, 79.33% and 88.93% respectively. And the area measurement presents the accuracy of 63.81%, 51.34% and 70.15% respectively. While the result in distress detection with three distress classes, i.e potholes, cracks and others using Yolo v3 and Yolo v3 SPP architecture presents the best mAP average of 77.45% and 80.40% respectively. While the area measurement presents the accuracy of 88.69% and 91.13% respectively. And it needs 0,04 second to detect each image.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTE 006.312 Ukh d-1 2019 |
| Uncontrolled Keywords: | Deteksi Kerusakan Jalan, Deteksi Lubang, YOLO, Visi Komputer, Deteksi Obyek. |
| Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Depositing User: | Ernin Niswatul Ukhwah |
| Date Deposited: | 12 Jan 2024 04:18 |
| Last Modified: | 12 Jan 2024 04:19 |
| URI: | http://repository.its.ac.id/id/eprint/64720 |
Actions (login required)
 |
View Item |