Adianto, Fandy Kuncoro (2021) Deteksi Kantuk Menggunakan Pendekatan Deep Learning Secara Real-time. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05111740000118-Undergraduate_Thesis.pdf - Accepted Version Download (2MB) | Preview |
Abstract
Publikasi data dari World Health Organization (WHO) menunjukkan bahwa setiap tahunnya, terdapat sekitar 1.35 juta orang meninggal diakibatkan karena kecelakaan lalu lintas, salah satu diantara banyak penyebabnya adalah karena pengendara yang mengantuk. Untuk mengurangi jumlah kecelakaan, maka dibutuhkan sistem deteksi kantuk yang dapat diterapkan dan mampu mencegah kecelakaan dimasa depan.
Dalam tugas akhir ini, penulis mengusulkan sistem deteksi kantuk dengan pendekatan deep learning secara real-time. Metodologi yang diusulkan menggunakan arsitektur jaringan convolutional neural network yang ringan namun akurat versi terbaru yaitu MobileNetV3, bersamaan dengan kerangka kerja Single-Shot Multibox Detector (SSD). MobileNetV3-SSD ini menghasilkan kerangka kerja deteksi obyek yang mampu mendeteksi dan melokalisasi beberapa obyek dalam satu gambar. Untuk mendeteksi kantuk tersebut, kerangka kerja ini dilatih untuk mendeteksi mata terbuka, dan mata tertutup, dimana mata terbuka dan mata tertutup ini yang diklasifikan sebagai dua obyek yang terpisah. Hasil dari penelitian menggunakan MobileNetV3-SSD ini menunjukkan mAP sebesar 0,878 untuk mendeteksi wajah, mata terbuka, dan mata tertutup dan mampu mencapai FPS rata-rata sebesar 15 pada data video secara realtime.
================================================================================================
Data publication from the World Health Organization (WHO) shows that every year, around 1.35 million people who die due to traffic accidents, one of the many causes is because of driver drowsiness. To reduce number of accidents, we need a sleep detection system that can be applied and able to prevent accidents in the future.
In this undergraduate thesis, author propose a real-time drowsiness detection system using deep learning approach. The proposed methodology uses a new version of lightweight deep neural network namely MobileNetV3, along with the Single-Shot Multibox Detector (SSD) framework. MobileNetV3-SSD produces an object detection framework that able to detect and localize multiple objects in a single image. To detect drowsiness, this framework is trained to detect open eyes, and closed eyes, where open eyes and closed eyes are classified as two separate objects. The results of this research using MobileNetV3-SSD showed a mAP score of 0.878 for detecting faces, eyes open, and eyes closed and was able to achieve an average FPS of 15 on realtime video.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Deteksi kantuk, MobileNet, Single Shot Detector, real-time, Drowsiness detection, MobileNet, Single Shot Detector |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Fandy Kuncoro Adianto |
| Date Deposited: | 19 Aug 2021 13:20 |
| Last Modified: | 28 Jun 2024 00:39 |
| URI: | http://repository.its.ac.id/id/eprint/87425 |
Actions (login required)
 |
View Item |