Pengembangan Pendeteksian Penghalang dengan Metode Region Convolutional Neural Network (RCNN) pada Mobil Otonom

Nurhandayani, Khairunnisa (2021) Pengembangan Pendeteksian Penghalang dengan Metode Region Convolutional Neural Network (RCNN) pada Mobil Otonom. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 07111950040003-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (3MB) | Request a copy

Abstract

Mobil otonom merupakan teknologi di bidang transportasi yang sekarang sedang berkembang. Pengembangan mobil otonom menjadi perhatian peneliti karena kemampuan mobil otonom yang dapat dikemudikan tanpa operator atau pengemudi. Selain itu, mobil otonom dapat mengurangi angka kecelakan lalu lintas terkhusus kecelakaan yang melibatkan mobil karena faktor kesalahan manusia sangat diminimalkan. Pengembangan yang akan dilakukan pada penelitian ini yaitu pendeteksian objek dan ruang bebas berkendara dengan menggunakan kamera monokuler sebagai pengindera. Proses pengolah gambar yang ditangkap kamera dilakukan dengan menggunakan Region Convolutional Neural Network (RCNN). Hasil dari pengolahan gambar akan digunakan sebagai informasi keberadaan objek penghalang. Informasi tersebut merupakan masukan sistem pengontrol gerak mobil otonom dalam bentuk logika fuzzy. Pengujian penelitian ini dilakukan menggunakan beberapa foto dan video hasil pengambilan. Untuk pelatihan dan validasi dari pendeteksian objek, komposisi anotasi dari gambar yang digunakan yaitu 2.876 dan 624 anotasi. Presentase pendetekesian terhadap gambar diam dan video dari Faster Region Convolutional Neural Network (F-RCNN) dengan backbone Residual Network-40 + Feature Pyramid Network (ResNet-40 + FPN) yaitu 62,09% dan 81,38%. Sementara itu, pendeteksian ruang bebas berkendara dengan model pendeteksian objek tersebut, K-means clustering, dan Sobel filter menghasilkan pendeteksian cukup baik kecuali untuk jalan berpaving. Selain itu, pengujian kendali mobil otonom juga dilakukan untuk mengendalikan arah dan kecepatan mobil otonom yang dilakukan dengan video sebagai masukan. Pengujian tersebut menunjukkan hasil yang rata – rata sesuai dengan pergerakan saat pengambilan video untuk masukan dari hasil pendeteksian objek dan pengguna jalan saja. Dari pengujian kendali mobil otonom, kecepatan pengoalan gambar dan video yaitu kurang lebih 5,28 frame per second (fps) dengan masukan kontrol hanya dari pendeteksian objek dan pengguna jalan. Keseluruhan pengujian dilakukan menggunakan mesin Google Colaboratory spesifikasi Tesla T4 15,109 MB Graphic Processing Unit dan Intel ® Xeon Central Processing Unit @ 2.30 GHz.
========================================================================================================================
An autonomous car, one of transportation technology, has been developed. This development is supported because of its capacity that can be driven without a human operator. Furthermore, it can reduce the number of traffic accidents since human error factors have been minimized. The developments that had been done using the monocular camera for sensing are object detection and free-space detection. The image processing done uses Region Convolutional Neural Network (RCNN). The results of image processing are used as the coordinates of the obstacles. The data are the input of the autonomous car movement control system in fuzzy logic. The research testings are done using some pictures and videos. For training, validation, and testing on object detection, the images used are 2,876, 624, and 20 images with two videos. The success of detection using Faster Region Convolutional Neural Network (F-RCNN) with backbone Residual Network-40 + Feature Pyramid Network (ResNet-40 + FPN) for image and video are 62,09% and 81,38%. Meanwhile, free space detection using that object detection, K-means clustering, and Sobel filter gives enough good results except for detecting paved roads. Moreover, the testing of autonomous car movement control using frames from video as input is also done to control car direction and car speed. The testing of autonomous car movement control shows that its average movement has the same movement as the video taken. From autonomous car movement control tests, image and video processing have a processing rate of around 5.28 frames per second (fps). All of the testing was done using Google Colaboratory Tesla T4 15,109 MB Graphic Processing Unit and Intel ® Xeon Central Processing Unit @ 2.30 GHz.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kamera monokuler, mobil otonom, pendeteksian objek, pendeteksian ruang bebas berkendara, Region Convolutional Neural Network Autonomous car, free-space detection, monocular camera, object detection, Region Convolutional Neural Network
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Khairunnisa Nurhandayani
Date Deposited:	12 Aug 2021 07:42
Last Modified:	12 Aug 2021 07:42
URI:	http://repository.its.ac.id/id/eprint/85676

Actions (login required)

View Item