Sistem Pengenalan Dan Estimasi Jarak Rambu Lalu Lintas Berbasis Mask R-CNN Dan Kamera Monokuler Untuk Kendaraan Otonom

Banjarnahor, Kevin Natio (2021) Sistem Pengenalan Dan Estimasi Jarak Rambu Lalu Lintas Berbasis Mask R-CNN Dan Kamera Monokuler Untuk Kendaraan Otonom. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 07111740000078-Undergraduate_Thesis.docx.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (5MB) | Request a copy

Abstract

Kendaraan otonom tediri atas banyak sistem pendukung, salah satunya sistem TSR (Traffic Sign Recognition). Sistem TSR bertujuan untuk mengenali rambu lalu-lintas. Agar dapat bekerja secara optimal, TSR juga menggunakan data jarak kendaraan terhadap rambu lalu lintas, sehingga mobil dapat mengambil keputusan yang terbaik pada saat yang tepat. Pada umumnya, mobil menggunakan sebuah kamera dan LIDAR untuk memperoleh kedua data tersebut. Akan tetapi, LIDAR sangat bergantung kepada cuaca dan cenderung memiliki biaya perawatan yang relatif mahal. Pada tugas akhir ini, algoritma Mask R-CNN dan kamera monokuler diterapkan untuk menghasilkan suatu sistem yang dapat mengklasifikasikan rambu lalu lintas, serta mengestimasi jarak rambu lalu - lintas terhadap kendaraan dengan menggunakan data bounding box yang berasal dari hasil deteksi objek. Penforma sistem kemudian diuji dengan menggunakan dataset rambu lalu-lintas dalam bentuk gambar dan video yang berasal dari kamera dengan perspektif tunggal (kamera monokuler). Terdapat dua jenis dataset, yaitu dataset GTSRB dan dataset kostum yang berisi beberapa rambu lalu lintas di Indonesia. Algoritma Mask R-CNN dapat menghasilkan skor mAP (Mean Average Precision) terbesar dengan nilai 0.5841 untuk dataset GTSRB dan 0.87103 untuk dataset kostum, serta skor mAR (Mean Average Recall) terbesar dengan nilai 0.9941 untuk dataset GTSRB dan 0.9905 untuk dataset kostum. Rata-rata error estimasi jarak diperoleh dengan menggunakan metode MAPE (Mean Absolute Percentage Error) yaitu sebesar 12,59%, dengan resolusi frame 1500 x 675 piksel. Sistem yang diajukan memiliki rata-rata kecepatan deteksi sekitar 0.385 detik .
=================================================================================================================
Autonomous vehicles consist of many support systems, one of which is the TSR (Traffic Sign Recognition) system. The TSR system aims to recognize traffic signs. To work optimally, TSR also uses the distance of vehicle data to traffic signs, so that cars can make the best decisions at the right time. In general, cars use a camera and LIDAR to obtain both data. However, LIDAR is highly weather-dependent and tends to have relatively expensive maintenance. In this final project, the Mask R-CNN algorithm and the monocular camera is applied to produce a system that can classify traffic signs, as well as estimate the distance of traffic signs to vehicles by using a data barrier box derived from object detection results. The performance of the system was then tested using a traffic sign dataset in the form of images and videos from a camera with a single perspective (monocular camera). There are two types of datasets, namely the GTSRB dataset and the costume dataset which contains several traffic signs in Indonesia. The Mask R-CNN algorithm can produce the largest mAP (Mean Average Precision) score with a value of 0.5841 for the GTSRB dataset and 0.87103 for the costume dataset, and the largest mAR (Mean Average Recall) score with a value of 0.9941 for the GTSRB dataset and 0.9905 for the costume dataset. The average distance estimation error obtained using the MAPE (Mean Absolute Percentage Error) method is 12,59 %, with a frame resolution of 1500 x 675 pixels. The proposed system has a detection speed of 0.385 seconds.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Distance Estimation, Mask R-CNN, Monocular Camera, Traffic Sign Recognition, Estimasi Jarak, Kamera Monokuler
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7871.674 Detectors. Sensors
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Kevin Natio Banjarnahor
Date Deposited:	18 Aug 2021 07:41
Last Modified:	18 Aug 2021 07:41
URI:	http://repository.its.ac.id/id/eprint/87658

Actions (login required)

View Item